Como Bancos e Fintechs Decidem Quem Aprovar: Os Fundamentos Matemáticos do Credit Scoring (WoE, IV e K-S)

1. O Imperativo da Explicabilidade e as Limitações de Modelos Caixa-Preta no Crédito

No ecossistema bancário e de fintechs, a concessão de crédito opera sob uma dinâmica regulatória significativamente distinta da maioria das aplicações convencionais de aprendizado de máquina. Enquanto em sistemas de recomendação de comércio eletrônico ou em visão computacional o objetivo primário é maximizar métricas de acurácia, no mercado financeiro a explicabilidade e a auditabilidade são mandatórias por força de lei.

Diretrizes emanadas pelo Comitê de Basileia e resoluções do Banco Central do Brasil (BACEN) determinam que qualquer proponente cuja solicitação de crédito seja recusada tem o direito legal de saber exatamente quais fatores cadastrais ou comportamentais motivaram a decisão desfavorável. Algoritmos complexos como redes neurais profundas ou conjuntos opacos de árvores de decisão (Gradient Boosting), quando aplicados de forma crua, produzem saídas estocásticas sem rastreabilidade clara de causa e efeito.

Se um modelo nega um empréstimo porque um nó interno de uma rede convolucional ativou um peso abstrato, a instituição torna-se juridicamente vulnerável a questionamentos de discriminação arbitrária. Por essa razão, a engenharia de risco apoia-se firmemente em uma arquitetura comprovada há décadas: a modelagem por Scorecard estatístico baseado em Regressão Logística calibrada com transformações por Weight of Evidence (WoE).

2. Weight of Evidence (WoE): Transformação Monotônica e Linearização

O primeiro desafio na modelagem de risco reside na natureza das variáveis preditivas. Em sua forma bruta, atributos como idade, renda comprovada, histórico de atrasos e comprometimento de limite rotativo apresentam distribuições assimétricas, caudas pesadas, valores nulos e relações não lineares com a probabilidade de inadimplência.

A metodologia de Weight of Evidence (WoE) resolve essa heterogeneidade transformando qualquer atributo contínuo ou categórico em uma escala padronizada de evidência em relação ao evento binário de interesse (Goods = Adimplentes, Bads = Inadimplentes).

A formulação matemática para uma determinada faixa ou categoria i de uma variável é definida como o logaritmo natural da razão entre a proporção de clientes adimplentes e a proporção de clientes inadimplentes naquele segmento:

WoE_i = ln( (% Goods_i) / (% Bads_i) ) = ln( (G_i / G_total) / (B_i / B_total) )

Esta transformação confere quatro propriedades matemáticas vitais:

1. Linearidade dos Log-Odds: Quando as variáveis originais são substituídas pelos seus respectivos valores de WoE, a relação entre os preditores e o log-odds do evento de default na regressão logística torna-se perfeitamente linear por construção analítica.

2. Tratamento Natural de Outliers: Ao agrupar dados contínuos em faixas discretas (bins), valores extremos deixam de distorcer coeficientes ou provocar alavancagens indesejadas na reta ajustada.

3. Incorporação de Dados Faltantes (Missings): Valores nulos não precisam ser descartados nem imputados por médias sintéticas; tornam-se simplesmente uma categoria independente com seu próprio WoE calibrado.

4. Garantia de Monotonicidade Econômica: As faixas de uma variável são tratadas para que o WoE aumente ou diminua de forma consistente com a intuição econômica do negócio (por exemplo, faixas crescentes de endividamento devem apresentar WoE decrescente de forma estrita).

3. Information Value (IV): Seleção Científica de Preditores

Com centenas de variáveis disponíveis em bureaus de crédito e bases transacionais internas, surge a necessidade de selecionar apenas os preditores com genuína capacidade de separar proponentes solventes de inadimplentes.

A métrica de Information Value (IV) foi concebida para quantificar o poder preditivo global de uma variável independente de seu formato original. O IV calcula a distância assimétrica entre a distribuição de clientes bons e maus ao longo de todas as k faixas da variável, guardando relação direta com a Divergência de Kullback-Leibler da teoria da informação:

IV = Σ [ (% Goods_i - % Bads_i) × WoE_i ]

Na prática analítica e no padrão consagrado pela literatura de Naeem Siddiqi, os atributos são triados segundo regras estatísticas claras:

IV < 0.02: Poder preditivo inútil (deve ser descartado para evitar ruído e sobreajuste).

0.02 <= IV < 0.10: Poder preditivo fraco (raramente justifica a complexidade na esteira).

0.10 <= IV < 0.30: Poder preditivo médio (componente clássico e equilibrado de scorecards).

0.30 <= IV <= 0.50: Poder preditivo forte (pilares centrais da decisão de crédito).

IV > 0.50: Suspeita analítica rigorosa. Valores excessivamente altos costumam indicar vazamento de dados do futuro (target leakage), multicolinearidade extrema ou categorias que se tornaram regras determinísticas pós-evento.

4. Implementação Prática em Python: Pipeline de Binning, Cálculo de WoE e Matriz de IV

O trecho de código estruturado a seguir implementa uma rotina vetorizada em Python com Pandas e NumPy para discretizar atributos contínuos por quantis, aplicar suavização de Laplace para prevenir divisões por zero e calcular o WoE e o Information Value de forma escalável:

import numpy as np
import pandas as pd

def compute_woe_iv(df: pd.DataFrame, feature: str, target: str, n_bins: int = 5):
    """
    Calcula o Weight of Evidence (WoE) e Information Value (IV)
    para uma variável contínua utilizando discretização por quantis.
    Target: 0 para Good (Adimplente), 1 para Bad (Inadimplente)
    """
    temp_df = pd.DataFrame()
    temp_df['bin'] = pd.qcut(df[feature], q=n_bins, duplicates='drop')
    temp_df['target'] = df[target]
    
    # Agrupamento de contagens
    stats_df = temp_df.groupby('bin', observed=False)['target'].agg(
        total='count',
        bads='sum'
    ).reset_index()
    
    stats_df['goods'] = stats_df['total'] - stats_df['bads']
    
    total_goods = stats_df['goods'].sum()
    total_bads = stats_df['bads'].sum()
    
    # Laplace smoothing (+0.5) para assegurar estabilidade numérica
    stats_df['dist_goods'] = (stats_df['goods'] + 0.5) / total_goods
    stats_df['dist_bads'] = (stats_df['bads'] + 0.5) / total_bads
    
    # Cálculo do WoE e contribuição de IV por faixa
    stats_df['woe'] = np.log(stats_df['dist_goods'] / stats_df['dist_bads'])
    stats_df['iv_contribution'] = (stats_df['dist_goods'] - stats_df['dist_bads']) * stats_df['woe']
    
    total_iv = stats_df['iv_contribution'].sum()
    
    return stats_df, total_iv

# Exemplo sintético de validação
np.random.seed(42)
n_samples = 20000

dti_mock = np.random.gamma(shape=3.0, scale=0.10, size=n_samples) # Comprometimento de renda
# Inadimplência com probabilidade condicionada ao endividamento
prob_default = 1.0 / (1.0 + np.exp(-(3.5 * dti_mock - 1.8)))
target_mock = np.random.binomial(n=1, p=prob_default)

sample_data = pd.DataFrame({'dti': dti_mock, 'default': target_mock})
bins_table, iv_val = compute_woe_iv(sample_data, 'dti', 'default', n_bins=5)

print(f"Information Value (DTI): {iv_val:.4f}")
print(bins_table[['bin', 'total', 'goods', 'bads', 'woe', 'iv_contribution']])

5. Calibração Paramétrica do Scorecard na Escala FICO (Points to Double the Odds)

Uma probabilidade de inadimplência expressa como 0.0382 é conceitualmente precisa para um cientista de dados, mas ineficiente para uma operação comercial de crédito, mesas de subscrição e sistemas legados de mainframe que exigem decisões em milissegundos.

A solução da indústria consiste em reescalonar os coeficientes da regressão logística para uma pontuação inteira aditiva, classicamente calibrada entre 300 e 850 pontos no padrão FICO.

O escalonamento ancora-se em três parâmetros matemáticos definidos pela política de risco da instituição:

1. Target Score (Score0): A pontuação central de referência (comumente 600 pontos).

2. Target Odds (Odds0): A razão de chances desejada no Target Score (por exemplo, 50 clientes bons para cada 1 mau, ou 50:1).

3. Points to Double the Odds (PDO): O número de pontos adicionais necessários para que a razão de chances dobre (comumente 20 pontos).

A conversão é formulada através de duas constantes paramétricas:

Factor = PDO / ln(2)

Offset = Score0 - Factor × ln(Odds0)

Com isso, a equação do Score converte-se em uma expressão linear simples:

Score = Offset + Factor × ln( p / (1 - p) )

Ao desmembrar o logit nos termos de cada variável multiplicados pelos respectivos coeficientes da regressão, obtém-se uma tabela de pontuação onde cada bin de cada atributo recebe uma quantidade fixa de pontos inteiros (por exemplo: 'DTI menor que 15% soma 68 pontos; atrasos recentes maiores que dois subtraem 78 pontos'). Na esteira de esteiras automáticas, o score final do cliente é simplesmente a soma aritmética dos pontos de cada característica cadastrada.

6. Validação Estatística da Discriminação: Kolmogorov-Smirnov (K-S) e Curva ROC

Após ajustar e escalonar o scorecard, a validação de performance estatística não se pauta por acurácia simples, uma vez que carteiras de crédito possuem bases desbalanceadas (a maioria dos proponentes é adimplente, com inadimplência girando entre 2% e 8%).

O padrão ouro de homologação de scorecards apoia-se em duas métricas discriminatórias complementares:

Estatística Kolmogorov-Smirnov (K-S): Mede a distância vertical máxima entre as funções de distribuição acumulada (CDF) da pontuação dos clientes adimplentes (F_Goods) e dos clientes inadimplentes (F_Bads):

K-S = max_s | F_Goods(s) - F_Bads(s) |

No setor bancário brasileiro, um modelo de concessão é classificado conforme sua magnitude de K-S:

Abaixo de 20%: Inaceitável para uso comercial.

Entre 20% e 30%: Aceitável apenas em produtos sem histórico ou dados secundários.

Entre 30% e 40%: Bom desempenho estatístico.

Acima de 40%: Desempenho excelente (scorecard de classe mundial).

Curva ROC e Coeficiente de Gini: A área sob a curva ROC (AUC) sintetiza a taxa de verdadeiros positivos contra a taxa de falsos positivos ao longo de todos os pontos de corte possíveis. No mercado de risco, o Coeficiente de Gini é derivado diretamente da AUC:

Gini = 2 × AUC - 1

Um modelo com AUC de 0.842 corresponde a um Gini de 68.4%, indicando separação robusta e consistente entre as duas populações.

7. O Ponto de Corte (Cut-off) e o Dilema Financeiro: Faturamento vs. Provisão (PDD)

O objetivo final de um modelo estatístico de crédito não é alcançar a maior nota de K-S em um ambiente acadêmico isolado, mas fornecer subsídios para a definição do Ponto de Corte (Cut-off Score).

Definir a nota mínima de aprovação envolve um trade-off econômico fundamental entre a área comercial e a gestão de risco da instituição:

Se a nota de corte for excessivamente alta (por exemplo, 720 pontos), a inadimplência da safra aprovada despenca para níveis próximos a zero. Em contrapartida, a taxa de aprovação comercial cai drasticamente, a instituição recusa milhares de bons pagadores e perde receita de juros para concorrentes mais agressivos.

Se a nota de corte for relaxada para capturar volume de mercado (por exemplo, 420 pontos), o faturamento bruto concedido expande, mas a perda esperada por inadimplência consome integralmente a margem financeira.

A equação financeira da esteira avalia a Perda Esperada (Expected Loss):

Expected Loss = EAD × PD × LGD

Onde EAD é a Exposição no Momento do Default (saldo devedor), PD é a Probabilidade de Default predita pelo scorecard e LGD é a Perda Dado o Default (percentual não recuperado após cobrança extrajudicial ou judicial).

A calibração ótima do ponto de corte é encontrada onde a derivada da receita marginal líquida (juros auferidos menos o custo de captação de recursos) iguala-se à derivada da perda esperada marginal. É na intersecção entre rigor estatístico e modelagem financeira que o cientista de dados atua como guardião da solvência e da rentabilidade da instituição financeira.