O risco de crédito tem desempenhado um papel central em várias crises financeiras globais nas últimas três décadas. O cenário financeiro, cada vez mais complexo e interconectado, faz com que o gerenciamento de risco se torne fundamental para a estabilidade e o crescimento das instituições financeiras. Este estudo de caso tem como objetivo analisar a utilização de aprendizado de máquina, especificamente o algoritmo Gradient Boosting Decision Tree (GBDT), em um modelo preditivo, que combina variáveis financeiras e não financeiras significantes e utiliza as consultas aos bureaus de crédito na gestão de risco de crédito pelo Banco BS2, com o intuito de adquirir maior acurácia na tomada de decisões e melhorias na mitigação de riscos. A métrica F1, utilizada como parâmetro para demonstrar a precisão do modelo, comparada com o modelo da Serasa, apresenta um índice superior, de 0,77. A capacidade de monitoramento contínuo oferecida por esse modelo preditivo tem proporcionado ao BS2, desde 2022, uma visão em tempo real da saúde financeira de sua base de clientes, ajudando na implementação de políticas mais assertivas. A taxa de inadimplência da Pessoa Jurídica do Banco BS2, registrada pelo BCB-CADOC (2024), tem se mostrado decrescente após a implementação do novo modelo, baseado no algoritmo GBDT. Este estudo contribui para a promoção da inovação e competitividade nas instituições financeiras, incentivando a transparência e fortalecendo a confiança de investidores, stakeholders e reguladores, como o Banco Central, ao adotar ferramentas de Inteligência Artificial (IA) que detectam precocemente riscos de crédito e previnem crises sistêmicas.
Credit risk has played a central role in several global financialcrises over the past three decades. An increasingly complex and interconnected financial landscape makes risk management essential for the stability and growth of financial institutions. This case study aims to analyze the use of machine learning specifically, the Gradient Boosting Decision Tree (GBDT) algorithm in a predictive model that combines significant financial and non-financial variables and incorporates credit bureau inquiries into Banco BS2’s credit risk management process. The goal is to achieve greater accuracy in decision-making and improvements in risk mitigation. The F1 metric, employed as a measure of the model’s precision, shows a superior value of 0.77 when compared with the model used by Serasa. Since 2022.the continuous monitoring capability offered by this predictive model has provided BS2 Bankwith a real-time view of the financial health of its customer base, thereby facilitating the implementation of more assertive policies. Furthermore, the default rate among Banco BS2’s corporate clients, as recorded by BCB-CADOC (2024), has been on a decline following the implementation of the new GBDT-based model. This study contributes to promoting innovation and competitiveness within financial institutions by encouraging transparency and strengthening the confidence of investors, stakeholders, and regulators such as the Central Bank through the adoption of Artificial Intelligence (AI) tools that detect credit risks early and help prevent systemic crises.
