Revista Tecnologia de Crédito

Revista Tecnologia de Crédito

Concessão de Crédito a Clientes com Restrições Cadastrais
Edição 71

Resumo
Neste estudo, foi desenvolvida uma metodologia de análise do comportamento de pessoas físicas tomadoras de crédito que apresentam algum tipo de restrição cadastral e possuem relacionamento de crédito ativo com a instituição financeira nos produtos: cheque especial, cartão de crédito e CDC, utilizando análise de clusters, ou seja, agrupando clientes que tem comportamento de risco semelhante.

Cada cliente é classificado em um cluster antes de apresentar a restrição cadastral e em um outro ou o mesmo após o registro do apontamento cadastral. Com base nessas classificações verificou-se como se dá a migração entre esses clusters dado o tipo de restrição que possui e à faixa de renda em que se encontra o cliente. Dessa forma podemos analisar, sob a ótica das políticas de crédito da instituição, quais clientes detentores de restrição cadastral possuem condições de obter novo crédito.

Palavra-chave: crédito, restrição cadastral, segmento, cluster, migração

1. Introdução
Dentre os grandes problemas enfrentados pelo mundo atualmente, a crise financeira mundial é um dos que mais se destacam. Esta crise vem gerando desemprego nas diversas economias e, consequentemente, o aumento da inadimplência nas instituições financeiras.

Independente do ciclo econômico em que se encontra o país, ou da crise financeira mundial, as instituições financeiras procuram atuar de maneira a minimizar os prejuízos do não retorno do crédito de suas carteiras. Esta é a tendência natural dessas organizações, pois contribui para garantir a sua sobrevivência no mercado.
Porém, no caso das instituições públicas financeiras brasileiras, além de atuarem de forma a garantir o mínimo de prejuízos do não retorno do crédito, elas precisam atuar como instrumento do governo e, consequentemente, atuar no combate à crise financeira mundial.

Uma das formas das instituições financeiras públicas atuarem como instrumento de combate à crise é por meio da ampliação da concessão de crédito. A concessão de crédito é um importante instrumento para o desenvolvimento econômico, por um lado, e por outro, constitui a principal atividade bancária. Segundo Silva (1988, pg.33):

“O crédito pode ainda fazer com que as empresas aumentem seu nível de atividade; estimular o consumo influenciando na demanda; [...] facilitar a execução de projetos para os quais as empresas não disponham de recursos próprios suficientes”.

A análise de crédito realizada pelas instituições financeiras públicas tem papel crucial para a sua sobrevivência, visto que, a atuação como instrumento de execução de políticas públicas torna a possibilidade de perdas através da concessão de crédito maior, já que estão obrigadas a atuar em áreas e com segmentos da população em que normalmente instituições privadas não atuam.

Sob esta perspectiva, uma forma de expandir o crédito e atuar de maneira a reduzir o impacto da crise financeira é através da análise da possibilidade de conceder crédito a clientes que possuem algum tipo de restrição cadastral. Assim, uma maneira encontrada para análise desta possibilidade foi através da investigação de como o behavior score do cliente reage ao impacto de uma restrição cadastral, em determinados produtos.

Cabe ressaltar que, nada impede que o instrumento citado não possa ser utilizado em momentos de crescimento econômico com o intuito de expandir a carteira de crédito e ganhar mais espaço no mercado financeiro.

Assim, a primeira etapa do estudo se deu a partir da construção de uma base de informações estatisticamente significantes. Destas informações analisou-se a linha de comportamento dos clientes envolvidos no estudo, dentro de um determinado espaço temporal, de tal forma que a restrição cadastral se encontrasse no meio desta linha.



Em seguida, esses clientes foram agrupados a partir da semelhança entre os comportamentos utilizando-se a análise de cluster, para finalizar o processo de análise verificando-se a migração entre os clusters, antes e após o apontamento cadastral. Considera-se esta migração como decorrente do impacto, de um determinado tipo de restrição cadastral, no comportamento do cliente, dado a sua faixa de renda. Conclui-se em quais situações, dentre aquelas consideradas, um cliente que adquiriu um algum tipo de restrição poderia continuar assistido, respeitando as políticas do banco.

2. Metodologia de Desenvolvimento do Estudo
Este estudo tomou como base o quantitativo de 778.417 clientes que possuíam algum dos produtos: cheque especial, cartão de crédito e CDC e que apresentaram restrição cadastral junto à SERASA.

A partir destas informações, foram selecionados as restrições e os segmentos de clientes mais expressivos com base na significância estatística dos dados. Cabe ressaltar que estes segmentos são definidos por faixas de renda de acordo com a política de cada instituição financeira.

A seguir foram selecionados clientes que possuíam pelo menos oito scores (provenientes de modelos de behavior score) anteriores e posteriores à restrição, relativos aos produtos em análise e agrupados, através da análise de cluster, em sete clusters.

Vale destacar que os modelos de behavior score são modelos estatísticos utilizados para avaliar a evolução do risco do cliente ao longo do período de utilização do produto contratado e que a quantidade de oito scores reflete um espaço temporal de um ano de relacionamento do cliente com a instituição financeira, espaço este adequado para se verificar a influência da restrição cadastral no comportamento do cliente quanto à utilização dos produtos em questão.

Outro ponto importante é que métodos de discriminação de qualidade do crédito que permitem o estudo do comportamento das taxas de inadimplência do cliente podem ser suficientes para o estudo em questão, ou seja, outras formas de modelar o comportamento do cliente quanto ao uso do crédito podem ser razoáveis no desenvolvimento desta metodologia.

Posteriormente ao agrupamento em clusters, realizou-se a análise de migração dos clientes de um cluster para outro, dado o acontecimento da restrição cadastral, esta análise teve como objetivo verificar o impacto de cada tipo de restrição na forma de utilização do crédito concedido.

2.1. A Análise de cluster
A Análise de cluster é uma técnica analítica para desenvolver subgrupos significativos de indivíduos, cujo objetivo é classificar uma amostra de indivíduos em um pequeno número de grupos mutuamente excludentes, com base nas similaridades entre os indivíduos. Esses grupos não são pré-definidos e a técnica é utilizada para identificar os grupos, ou clusters, compostos por indivíduos semelhantes.

A idéia deste método é maximizar a homogeneidade de indivíduos dentro dos clusters, ao mesmo tempo em que se maximiza a heterogeneidade entre os clusters, de forma que indivíduos são reunidos em grupos tais que os elementos no mesmo grupo são mais semelhantes entre si do que com elementos de outros grupos.

O método escolhido neste estudo para realizar a Análise de cluster foi o não-hierárquico1 de K-means, por apresentar bons resultados em problemas práticos. Cada elemento amostral é alocado àquele cluster cujo centróide2 é o mais próximo do vetor de valores observados para o respectivo elemento.

Portanto, neste estudo o agrupamento de semelhantes comportamentos entre clientes foi obtido por meio da Análise de cluster. Para agrupar os clientes em clusters utilizamos o software SAS.

2.1.1. A Definição da Quantidade de clusters
A definição da quantidade de clusters utilizada para o estudo considerou a análise gráfica dos valores médios dos scores dos BS (behavior score) em cada cluster, por meio da comparação dos gráficos para diferentes quantidades de grupos (clusters) e identificando-se a melhor composição.

Para possibilitar uma visualização gráfica dos clusters encontrados, foi realizada uma análise com redução das dimensões envolvidas, de oito (corresponde à quantidade de BS utilizados na análise) para duas dimensões.

Dado o cluster construído e as diversas variáveis quantitativas de escore do BS utilizadas para a definição do cluster, foram criadas variáveis canônicas — combinação linear das variáveis quantitativas que sumarizam a variação entre os clusters.

As duas primeiras componentes canônicas explicaram pelo menos 99% da variação entre os clusters, de forma que foram suficientes para traçar os gráficos com duas dimensões e permitir uma boa visualização dos clusters.

Foram construídos gráficos semelhantes para diferentes quantidades de clusters, começando com quatro clusters até o total de doze. Com isso pôde-se verificar que ocorre uma dispersão muito grande para configurações com menos de sete clusters, o que indicou a possibilidade de existência de novos grupos aos quais alguns elementos poderiam ser alocados.

Em contrapartida, para configurações com mais de sete clusters identificaram-se problemas de delimitação dos conglomerados, ocorrendo sobreposição entre alguns clusters, principalmente naqueles muito próximos entre si.

Dessa forma ficou definido que sete clusters descriminaram bem o conjunto de clientes.

3. Resultados e Análises
3.1. Seleção da Amostra


Com o intuito de visualizar se existe massa suficiente de clientes entre os tipos de restrição e entre os tipos de segmentos para desenvolvimento do estudo, verificamos a distribuição destas variáveis por cliente e eliminamos as que possuíam uma representatividade estatística não significante dado o quantitativo das demais variáveis.

Cabe ressaltar que, como um único cliente podia apresentar mais de um tipo de restrição no período pesquisado, e nesse período mais de uma ocorrência para a mesma restrição, a distribuição dos clientes por tipo de restrição não totaliza o quantitativo de cliente com restrição.

Esta situação já não é percebida quando analisamos a distribuição dos segmentos por cliente, já que cada um só pode ser enquadrado a um segmento dado o valor de sua renda mensal. Abaixo temos a distribuição dos tipos de restrição e dos segmentos de clientes nos quadros 1 e 2.

A fim de preservar o caráter sigiloso dos resultados dos estudos, classificaram-se os tipos de restrição e os segmentos dos clientes de forma numérica.



Através do quadro 1 percebemos que as restrições mais representativas foram a SERASA IV, com 46,37%, a SERASA V com 44,59%, a SERASA VI com 57,58% e a SERASA I com 10,34% dos CPF com restrição.

No quadro 2 verificamos que o segmento mais representativo é o II, que concentra mais da metade dos clientes com restrição. O segmento I aparece com 27,21%, seguido do segmento III, com 10,35%, do segmento V, com 5,66% e do IV com 3,44%%. Os demais segmentos de clientes apresentaram um percentual que não foi considerado, tendo em vista a pouca representatividade estatística.

É importante destacar que as faixas de rendas crescem de acordo com o segmento do cliente, ou seja, o segmento I representa a menor faixa de renda enquanto o segmento VII representa a maior faixa de renda para pessoas físicas. Os demais segmentos são segmentos que não possuem classificação de faixa de renda definida.

3.2. Seleção dos Clientes a Partir do Comportamento
Participaram desta seleção os clientes que possuíam histórico de crédito em algum dos produtos de crédito comercial, apresentaram restrição cadastral e foram avaliados no período de vigência do modelo de behavior score (BS).

Dentro deste contexto foram selecionados 200.259 clientes que possuíam restrição cadastral e que tinham, pelo menos, oito notas de BS anteriores à restrição e oito notas de BS posteriores à restrição.

O objetivo de selecionar clientes com oito notas de BS foi de obter clientes com pelo menos um ano de relacionamento com algum dos produtos de crédito comercial citados. Este tempo confere ao estudo um espaço temporal razoável para captar as possíveis alterações no comportamento do cliente, dado o impacto de uma restrição cadastral.

3.3. Classificação dos clusters
A classificação dos clusters em níveis de risco de crédito foi realizada verificando-se a tendência do centróide ao longo do tempo (mês a mês) e atentando-se para a dispersão em cada cluster, observada nos gráficos das duas principais variáveis canônicas.

3.3.1. Classificação dos clusters
Anterior à Restrição




A partir da análise das figuras 1 e 2 podemos classificar os clusters anteriores às restrições da seguinte maneira:
cluster I: Representa o grupo de clientes de menor risco de crédito, que apresentou, ao longo dos oito meses analisados, behaviour scores médios excelentes, apresentando uma pequena tendência de queda no final do período. O cluster apresentou baixo desvio padrão, constituindo o grupo mais coeso dentre todos, com pouca variabilidade.
cluster II: Representa da mesma forma que cluster I, um grupo de clientes que se mantêm por todo o período analisado em faixa segura quanto ao risco de crédito, apresentando behaviour scores médios, porém inferiores aos observados no cluster I. O cluster apresentou desvio padrão baixo, porém maior que o do cluster I, sendo ainda um grupo coeso, com média variabilidade.
cluster III: Corresponde a um grupo de clientes que está contido em faixas de risco de crédito alta para média, com behaviour scores iniciais baixos e tendência de melhora de comportamento para os últimos BS. O cluster apresentou variabilidade alta.



cluster IV: Representa o grupo de clientes que apresentou uma tendência de queda no comportamento ao longo do tempo, seus behaviour scores iniciais encontravam-se em faixa de risco relativamente baixas e os últimos behaviour scores observados encontravam-se em classes altas de risco. O cluster apresentou alta variabilidade.
cluster V: É composto de um grupo de clientes com behaviour score médio ou alto que apresentou uma tendência de queda no comportamento ao longo do tempo para behaviour scores baixos. O cluster apresentou alta variabilidade.
cluster VI: Corresponde a um grupo de clientes que seus BS´s concentram-se na faixa de risco de crédito com behaviour scores iniciais médios e tendência de queda ao longo do período analisado. O cluster apresentou alta variabilidade.
cluster VII: Corresponde a um grupo de clientes que se mantém sempre em classes de risco relativamente alto. O cluster apresentou pouca variabilidade.

3.3.2. Classificação dos clusters
Posterior à Restrição

Com base na análise das figuras 3 e 4 podemos classificar os clusters posteriores às restrições da seguinte maneira:
Cluster I: Representa o grupo de clientes de menor risco de crédito, que apresentou, ao longo dos oito meses analisados, behaviour scores médios excelentes, apresentando uma pequena tendência de queda no final do período. O cluster apresentou baixo desvio padrão, constituindo o grupo mais coeso dentre todos, com pouca variabilidade.
Cluster II: Representa da mesma forma que cluster I, um grupo de clientes que se mantêm por todo o período analisado (oito meses) em faixa segura quanto ao risco de crédito, apresentando behaviour scores médios, porém inferiores aos observados no cluster I. O cluster apresentou desvio padrão baixo, porém maior que o do cluster I, sendo ainda um grupo coeso, com média variabilidade.
Cluster III: Representa o grupo de clientes que apresentou uma tendência de alta no comportamento ao longo do tempo, seus behaviour scores iniciais encontravam-se em faixa de risco altas e os últimos behaviour scores observados encontravam-se em classes baixas de risco. O cluster apresentou alta variabilidade.
Cluster IV: Como o cluster III representa o grupo de clientes que apresentou uma tendência de alta no comportamento ao longo do tempo, seus behaviour scores iniciais encontravam-se em faixa de risco alta e os últimos behaviour scores observados encontravam-se em classes de baixo risco. O cluster apresentou alta variabilidade.
Cluster V: É composto por um grupo de clientes com behaviour scores baixos, com uma pequena melhora no decorrer do tempo. O cluster apresentou alta variabilidade.
Cluster VI: Corresponde a um grupo de clientes que seus BS´S concentram-se na faixa de risco de crédito com behaviour scores iniciais medianos e tendência de queda para behaviour scores baixos ao longo do período. O cluster apresentou alta variabilidade.
Cluster VII: Corresponde a um grupo de clientes que se mantém sempre em classes de risco relativamente alto. O cluster apresentou pouca variabilidade.
As tabelas a seguir apresentam a quantidade de registros por cluster antes e depois da restrição da restrição.


Enquanto no quadro 1 os maiores percentuais são observados nos clusters 1 e 2, que respondem por 44% de todos os clientes considerados no estudo, no quadro 2, observa-se uma queda significativa no percentual observado no cluster 1, de menor risco, e um aumento de 11,65% para 24,52% no cluster 7, que é o de maior risco.

Com base nas figuras 2 e 4, podemos concluir que os clusters 1 e 2 da análise anterior à restrição e os clusters 1 e 2 da análise posterior à restrição são os que apresentam BS seguros e de maior estabilidade ao longo do tempo avaliado e serão, portanto, objeto deste estudo.

3.4. A Análise de Migração
Com base nas análises de clusters desenvolvidas antes e depois da restrição cadastral verificou-se como os clientes migravam de um cluster para outro dado o acontecimento da restrição cadastral.

A análise da migração foi feita com base no tipo de restrição e no segmento que o cliente se encontra. A partir da migração pode-se verificar se o tipo de restrição influencia no comportamento do cliente, dado qual segmento ele se encontra.

Na tabela a seguir estão disponíveis as migrações dos dois clusters de menor risco, observados antes da restrição cadastral, para os clusters I e II, que após a restrição, apresentaram comportamento de menor risco e pouca variabilidade.

A partir do quadro 5 verifica-se que, para os clientes que possuem restrição SERASA I


e foram classificados anteriormente à restrição no cluster I, existe uma maior possibilidade de eles permanecerem no cluster I independente do segmento e, à medida que melhora o segmento essa possibilidade aumenta.

Considerando a migração após a restrição para o cluster II, o percentual de clientes do cluster I que migram para o II é maior nos segmentos menores. Agora, se levarmos em conta a probabilidade acumulada dos dois clusters, a migração para os clusters I e II responde por percentuais entre 84% e 91% para todos os segmentos analisados.

Se anteriormente à restrição o cliente foi classificado no cluster II, a probabilidade de migração para o cluster I é maior nos segmentos III e IV, quando se analisa os clusters I e II em conjunto observa-se que o percentual é maior para os segmentos I e II.

Na restrição SERASA IV, dado que os clientes foram classificados no cluster I, as chances que, após a restrição, os clientes permaneçam no cluster I é no mínimo quase a metade para os segmentos I e II e chegam a quase 75% no segmento IV. Se forem agregados os que migram para o cluster II, as chances sobem para mais de 70% para todos os segmentos, e atinge o percentual de 85% para o segmento IV.

Já para os clientes classificados no cluster II antes da restrição, as chances de migrarem para o cluster I ficam entre 11% e 20% em função do segmento, e passam para cerca de 50%, quando considera os clusters I e II em conjunto.

A probabilidade dos clientes classificados no cluster I permanecerem nessa classificação, após apresentarem restrição SERASA V, situa-se entre 45% a 50% para todos os segmentos, à exceção do segmento IV, cujo percentual é de um pouco mais de 60% e do segmento V, que apresenta 41%. Analisando a migração acumulada do cluster I para o cluster I e II, percebe-se que o percentual passa para mais de 70%, alcançando quase 76% para os segmentos I e IV, embora o segmento V fique em quase 67%.

Para os clientes classificados no cluster II antes de apresentarem a restrição, o comportamento é semelhante ao observado na restrição SERASA IV, com pequenas diferenças nos percentuais observados.

Os clientes classificados no cluster I, que apresentaram restrição SERASA VI também obtiveram percentuais acima dos 40% de permanecerem no cluster I, e em conjunto com os que migraram para o cluster II alcançam 70%.

Os clientes classificados no cluster II, independentemente do segmento, em torno de 11% a 17% migram para o cluster I, enquanto que em conjunto com os que permanecem no cluster II, esse percentual atinge de 44%, para o segmento V, a quase 54%, para o segmento V.

4. Considerações Finais
O principal intuito deste artigo foi mostrar como a análise de cluster, em conjunto com os scores produzidos por um modelo de behavior score, pode ser bastante útil para demonstrar como o comportamento de um grupo de clientes pode reagir frente à influência de uma restrição cadastral.

Ao verificarmos e analisarmos o quadro 5 chegamos a conclusão que, de maneira geral, observa-se que a restrição cadastral exerce influência no comportamento de risco do cliente, principalmente se for considerado qual o segmento em que o cliente se encontra classificado.

Neste estudo chega-se à conclusão de que a restrição SERASA I exerce menor influência negativa no comportamento de risco dos clientes, e de forma gradativa em relação ao segmento do cliente, ou seja, quanto melhor o segmento do cliente, menor a chance de que a restrição piore o comportamento de risco do cliente.
As demais restrições influenciam o comportamento de risco dos clientes de forma semelhante à restrição SERASA I embora para os segmentos III e IV observe-se que a restrição SERASA VI é a que exerce maior impacto negativo, seguida da SERASA V e da SERASA IV.

Estudos posteriores podem ser realizados utilizando esta metodologia para identificar como o comportamento de um grupo de clientes pode ser modificado dado outra variável que se queira analisar. É importante dar ênfase a este ponto porque variáveis, como por exemplo as macroeconômicas, podem vir a ser analisadas como fonte de alterações no comportamento dos clientes quanto à utilização de crédito.

Notas
1. Métodos não-hierárquicos são aqueles que têm como objetivo encontrar diretamente uma partição de n elementos em k grupos (clusters), de modo que a partição satisfaça a dois requisitos básicos: “coesão”ou “semelhança” interna e isolamento (ou separação) dos clusters formados. Ao contrário do método hierárquico, no método não-hierárquico, em cada estágio do processo os novos grupos podem ser formados através da divisão ou junção de grupos já combinados em passos anteriores. Isso significa que, se em algum passo do algoritmo dois elementos tiverem sidos colocados num mesmo cluster, não necessariamente eles permanecerão juntos na partição final.

2. Centróide é o ponto médio dos vetores posição de todos os objetos contidos no agrupamento para cada variável.

Autor
Carlos Eduardo Balbi da Silveira
é Mestre em Economia pela Universidade Católica de Brasília-DF, MBA em Gestão de Risco pela Faculdade Michelangelo - DF, Eng. Mecânico pela Universidade Federal de Uberlândia - MG e Analista de Risco de crédito da Caixa Econômica Federal. cadubalbi@yahoo.com.br

Luciane da Luz Lompa
é Mestre em Eng. Mecânica pela Universidade Federal do Rio Grande do Sul - RS, Pós-graduada em Estatística pela Universidade de Brasília - DF, Bacharel em Física pela Universidade Federal do Rio Grande do Sul - RS, Gerente de Risco de crédito da Caixa Econômica Federal. lompaluz@gmail.com

Bibliografia
GITMAN, Lawrence J. Princípios de administração financeira. 7. ed. São Paulo: Harbra, 1997. 841.
JOHNSON, Richard A., WICHERN, Dean W. Applied Multivariate Statistical Analisys. 4 th edition. NewYork: Pretice Hall, 1998. 816p.
BARROS, Lousane C., AMARAL, Hudson F., MELO, Alfredo A. “Um estudo do comportamento da carteira de crédito com o uso de Cluster Analysis”, XXVI ENEGEP - Fortaleza, CE, Brasil, 9 a 11 de Outubro de 2006
SANVICENTE, Antônio Z., MINARDI, Andréa M. A., “Migração de Risco de Crédito de Empresas Brasileiras: Uma Aplicação de Análise de Clusters na Área de Crédito”, IBMEC, Relatório de Pesquisa, Março de1999.


  • 2012 Serasa Experian. Todos os direitos reservados.