IA no setor bancário: como a IA está transformando a indústria financeira

Aplicações de IA no setor bancário

De calcular reservas de capital a avaliar estratégias de marketing, a análise estatística orienta quase todas as decisões de um banco. Muitas pessoas — cientistas de dados, analistas, gestores, líderes de negócio e reguladores — frequentemente precisam avaliar as análises ou os relatórios baseados nelas.

As previsões de modelos estatísticos e de machine learning podem ser parte importante dessa análise. No entanto, usá-los dessa forma não seria considerado IA.

Falamos em IA quando um modelo é usado para automatizar uma decisão. Suas previsões alimentam um sistema. Esse sistema contém regras baseadas na previsão e em outras variáveis que levam a uma decisão. Chamamos isso de “sistemas de IA”.

O time em que trabalhei atuava principalmente no desenvolvimento desses sistemas para aprovar automaticamente novos empréstimos. O modelo mais importante por trás desses sistemas é o chamado modelo de risco de crédito.

Avaliação de risco de crédito

Quando você solicita um empréstimo a um banco, passa por uma avaliação de risco de crédito. Isso pode envolver calcular a perda esperada em caso de inadimplência ou a probabilidade de você ficar inadimplente — ou seja, a chance de não conseguir pagar o empréstimo por dificuldades financeiras. É essa segunda previsão que geralmente orienta a decisão de aprovar (conceder) um empréstimo.

Como modelamos o risco de crédito

Desde antes da invenção dos computadores, bancos já faziam avaliações de risco de crédito. Isso era feito principalmente por meio de um “scorecard de crédito”.

Como visto abaixo, ele considera vários atributos de um potencial tomador. Você recebe uma pontuação com base no grupo em que se enquadra para cada atributo, e todas as pontuações são somadas para chegar a um score final. Quanto maior seu score, menor a probabilidade de inadimplência.

Exemplo de scorecard de crédito (fonte: autor)

No passado, eles eram criados principalmente por “juízo de especialistas”. Em outras palavras, alguém de terno definia os valores. E, sim, isso era tão tendencioso quanto parece. Hoje, os bancos têm acesso a grandes volumes de dados e poder computacional para criar scorecards estatisticamente ótimos. Como veremos adiante, isso também pode gerar resultados mais justos.

Em termos de dados, há muito com o que trabalhar. Internamente, um banco tem acesso a todo o seu histórico de transações e comportamento de pagamento de dívidas. Externamente, a maioria dos países possui registros públicos de dívidas e inadimplências em todas as instituições de crédito.

Todas essas fontes podem ser usadas para criar variáveis de modelo. Alguns bancos podem ir além e usar dados de dispositivo, como sua geolocalização. Embora, a partir desse ponto, eles podem esbarrar em questões regulatórias e éticas.

O processo de construção desses scorecards mudou muito, mas o produto final se parece com o de antes. As variáveis são discretizadas. Isso é feito usando o Weight of Evidence (WOE) para maximizar a diferença nas taxas de inadimplência entre grupos de cada variável. Em seguida, podemos atribuir uma pontuação com base no quanto cada grupo altera a probabilidade de inadimplência. Assim, como antes, o score final pode ser usado para avaliar a chance de o tomador atrasar um empréstimo.

Como os scorecards são usados

Esses scorecards de crédito formam a base de um sistema de IA usado para aprovar empréstimos automaticamente. Na forma mais simples, há um corte rígido: se o score fica abaixo do limite, o empréstimo é negado.

Regras adicionais podem ser definidas conforme a estratégia do banco, a regulação ou outros atributos, como a idade do cliente. Como veremos na próxima seção, sistemas mais complexos podem usar previsões de vários modelos.

Na prática, esses sistemas de IA são usados para aprovar empréstimos pessoais ou para pequenos negócios. Valores maiores, como hipotecas ou crédito corporativo, não são totalmente automatizados. Esses casos podem ser muito únicos, ou o montante é grande demais para ser aprovado sem que um humano tome a decisão final. Muitas vezes, a decisão ainda será tomada com o apoio de um scorecard.

Com todos os avanços em coleta de dados e automação, você poderia esperar que os modelos por trás disso fossem complexos. Você se enganaria.

A regressão logística é usada para calcular probabilidades de inadimplência e criar scorecards. Discutimos alguns motivos para isso na seção de desafios: interpretabilidade do modelo, regulação e justiça. Porém, o principal motivo é que a regressão logística é suficientemente precisa.

A inadimplência de que falamos ocorre quando alguém enfrenta problemas financeiros por decisões ruins ou eventos fora do seu controle. O ponto importante é que essas pessoas não querem ficar inadimplentes. Isso significa que os relacionamentos subjacentes que determinam o risco de crédito se movem lentamente. Isso nos dá tempo para criar variáveis lineares que capturam esses relacionamentos de forma interpretável. Porém, há outros tipos de inadimplência que não são tão simples.

Detecção e prevenção de fraudes

Na medicina, o machine learning prevê coisas complexas, como se um tumor é benigno ou maligno. Agora, imagine se o tumor fosse consciente e pudesse mudar sua aparência para evitar a detecção. De repente, o problema fica muito mais difícil. É por isso que detectar fraude é tão desafiador.

Existem muitos tipos de fraude. No contexto de aprovação automática de empréstimos, há fraude quando o tomador nunca pretendeu pagar. O objetivo é pegar o dinheiro e desaparecer. A pessoa pode ter superestimado sua renda mensal, escondido outras dívidas a pagar ou até roubado a identidade de alguém para fazer a solicitação. De qualquer forma que consiga, consideramos essa inadimplência por fraude.

Tipos de fraude (fonte: autor)

Como prevemos fraudes

Pela natureza da inadimplência de risco de crédito, podemos agregar transações para ter uma noção geral do comportamento da pessoa. Para fraude, transações individuais podem ser importantes. Também olhamos para um conjunto mais diverso de fontes de dados, como dados de dispositivo e histórico de comunicações.

Outra consideração é que, como a fraude muda de forma constante, precisamos colocar modelos em produção mais rápido. Tudo isso significa que modelos lineares muitas vezes não dão conta do recado.

Por isso é comum usar modelos não lineares, como Random Forests e XGBoost. Redes neurais também ajudam quando queremos incorporar dados de texto. Com esses modelos, colocamos menos ênfase em engenharia de atributos, ganhando tempo e permitindo modelar comportamentos que não entendemos completamente.

O lado negativo é que todos esses ainda são modelos preditivos. Queremos identificar novos casos de fraude antes de acontecerem. Com modelos preditivos, precisamos de um conjunto de treino com casos de fraude rotulados. Em outras palavras, primeiro precisamos esperar a fraude acontecer!

Por isso, também avaliamos potenciais casos de fraude com métodos não supervisionados, como algoritmos de clusterização ou modelos de classe única, como o Isolation Forest. Eles ajudam a identificar clientes com comportamentos atípicos ou, de forma geral, outliers.

Adversarial machine learning

Em fraudes, também precisamos nos preocupar com atacantes mirando os próprios modelos. Por isso, modelos de fraude se sobrepõem a um ramo importante da inteligência artificial: o adversarial machine learning.

Esse campo busca encontrar fraquezas ocultas em modelos que possam ser exploradas por atacantes. Alguém pode enganar o modelo para fazer previsões incorretas ou vazar informações sensíveis. Ataques de envenenamento envolvem injetar dados falsos no processo de treino para corromper modelos sem que percebamos.

No caso de automação de empréstimos, o primeiro tipo é o mais proeminente. Essencialmente, um fraudador tentará parecer um bom cliente. Ele buscará formas de reduzir o risco de crédito percebido, como inflar artificialmente a renda ou mentir na aplicação. Modelos de fraude cobrem essas potenciais brechas nos modelos de risco de crédito. Ainda assim, eles próprios devem ser avaliados para possíveis ataques adversariais.

Em última análise, a variedade e a natureza das fraudes frequentemente exigem modelos mais complexos. Em alguns casos, esses modelos sinalizam possíveis fraudes para uma análise mais profunda por um humano.

Em termos de IA, modelos de fraude geralmente rodam em paralelo aos de risco de crédito em sistemas que aprovam empréstimos automaticamente. Eles se complementam, pois buscam prever inadimplência por razões diferentes.

Tanto a detecção de fraude quanto a avaliação de risco de crédito tratam de adquirir novos clientes. Os clientes certos. Depois de conquistá-los, os bancos encaram outro problema: como mantê-los? As próximas duas seções mostram como a IA pode ajudar.

Churn de clientes

Os bancos usam estratégias com IA para prever se um cliente vai sair. Isso pode significar encerrar a conta ou trocar de credor imobiliário. Também podem reduzir o relacionamento sem sair de fato, cancelando o cheque especial, encerrando um cartão de crédito ou transferindo um grande valor para outro banco.

Os bancos querem agir antes que esses eventos ocorram. Eles tentam convencer clientes insatisfeitos com taxas menores, descontos ou outros benefícios. Muito disso pode ser totalmente automatizado.

Bancos também usam modelos para prever se uma pessoa ou empresa provavelmente vai atrasar pagamentos futuros (entrar em atraso) ou inadimplir de vez. Mais uma vez, o banco quer agir antes disso. Pode oferecer aconselhamento financeiro ou a chance de reestruturar a dívida. Até uma mensagem automática simples lembrando de pagamentos futuros pode ser eficaz.

Atendimento ao cliente e chatbots

Outra área em que a automação ajuda é quando clientes buscam ativamente suporte do banco. Eles podem precisar de orientação para abrir uma poupança ou fazer pagamentos online. Muitas dessas dúvidas são repetitivas e um chatbot com IA pode resolvê-las. Ele responde mais rápido e deixa as tarefas mais complexas para humanos.

Essa também é uma área em que a IA mais avançada pode ser aplicada. Muitas empresas estão atualizando seus chatbots com LLMs e IA generativa. Esses modelos poderosos turbinam o chatbot do banco, permitindo lidar com questões mais complexas e até oferecer conselhos personalizados. Porém, devemos ter cautela com esse último ponto — por conta do ambiente altamente regulado em que os bancos operam.

Desafios da IA no setor bancário

Os desafios reais da IA na área bancária muitas vezes não são técnicos. Problemas de gestão de dados e desenvolvimento de modelos em grande parte já foram resolvidos. Os obstáculos à adoção de métodos avançados de IA vêm do ambiente em que os bancos atuam, de procedimentos estabelecidos e da baixa tolerância ao risco.

Regulação, explicabilidade e transparência

Desde a crise financeira de 2008, digamos que os bancos não têm tanta liberdade para decidir sozinhos. Eles enfrentam um ambiente regulatório muito mais rígido, que determina o quanto precisam manter em reservas de capital, o nível de risco que podem assumir e até os tipos de tecnologia que podem implementar. Este último ponto significa que apenas certos tipos de modelos podem ser aplicados a algumas tarefas. Por exemplo, reservas de capital podem ter que ser calculadas com um modelo linear e variáveis predefinidas.

Frequentemente é preciso esclarecer e justificar o processo de tomada de decisão de crédito. Isso implica explicar a um regulador como os modelos fazem previsões. Embora isso não restrinja necessariamente o tipo de modelo que podemos usar, cria resistência. Como mencionado, esse é um dos motivos pelos quais modelos lineares são usados em risco de crédito. Qualquer ganho de desempenho com modelos não lineares é superado pelo peso extra de precisar explicá-los.

Considere as reflexões de Cynthia Rudin sobre o tema:

Há outras aplicações em que faz sentido usar métodos mais avançados. Modelos de churn e bots de atendimento tendem a sofrer menos escrutínio regulatório.

Para predição de fraude, o ganho de desempenho é grande o suficiente para justificar o trabalho de explicar modelos caixa‑preta. Nesse caso, você terá que usar métodos de IA explicável como SHAP para justificar seus modelos. Provavelmente também terá que explicar o próprio método de IA explicável.

Se quiser aprender mais sobre SHAP e explicabilidade, confira esta introdução aos valores SHAP e este artigo sobre IA explicável.

Privacidade e segurança de dados

Os bancos têm acesso a detalhes íntimos da sua vida. Imagine se alguém colocasse as mãos em todas as transações que você já fez. Cada loja que visitou.

A segurança precisa ser rígida para evitar vazamentos de dados. Isso também é um dos principais motivos para os bancos evitarem tecnologias novas como LLMs. Muitas vezes, usar esses modelos exige enviar dados a terceiros via API. Os riscos de segurança superam os possíveis benefícios.

Ao mesmo tempo, os bancos precisam ser conscientes de como usam seus dados. A regulação discutida até aqui focou no risco de crédito. Os bancos também enfrentam outras normas, como o GDPR, que restringem quais dados podem coletar e como podem usá-los.

Além disso, o EU AI Act vai restringir como a IA pode ser usada. Isso pode impactar outras aplicações discutidas. Por exemplo, pode não ser permitido usar dados de transações para fazer marketing de novos produtos para você. Você pode saber mais na nossa matéria What is the EU AI Act? A Summary Guide for Leaders.

Considerações éticas

As decisões tomadas por modelos no setor bancário podem ter consequências sérias. Você pode ser negado em uma hipoteca ou uma empresa pode não conseguir um empréstimo essencial para sobreviver.

É crucial que essas decisões sejam justas e não discriminem determinados grupos. Dependendo do banco, isso pode ser exigido por lei ou motivado pela proteção da reputação.

A automação tem potencial para reduzir injustiças. Ao centralizar e tornar mais transparentes as decisões de crédito, mitigamos o impacto de vieses humanos individuais. Por isso, é ainda mais importante que os modelos que sustentam essas decisões não sejam injustos. Uma forma de garantir isso é usar uma análise de justiça algorítmica, que avalia o desempenho do modelo com base em variáveis protegidas, como gênero, raça e país de origem.

Outra abordagem comum é permitir que o cliente conteste uma decisão automatizada. Ele também deve poder solicitar feedback sobre por que a decisão foi tomada. Isso significa que, além de aprovar e negar automaticamente, os sistemas terão uma terceira opção — encaminhar ao analista. Um humano avalia o motivo da decisão automatizada e corrige injustiças.

Esse é mais um motivo para preferir modelos lineares simples em várias aplicações. Como dito, eles são intrinsecamente interpretáveis. Por serem mais fáceis de entender, podem ser analisados criticamente por um público mais amplo. Problemas que possam gerar vieses são identificados antes da implantação do modelo.

Resistência à mudança

Regulação, segurança e ética já criam barreiras à adoção de métodos avançados de IA. Ainda assim, o maior obstáculo pode ser o próprio banco.

Bancos — especialmente os grandes e tradicionais — são muito avessos a risco. Eles têm formas estabelecidas de construir modelos e scorecards. Chegam a usar o mesmo formato histórico!

Qualquer desvio dessas práticas exigirá justificativas robustas, e você terá que convencer muitas camadas de governança. Em resumo, bancos grandes se movem devagar.

É por isso que startups e fintechs estão mais bem posicionadas para adotar esses métodos. Elas não têm processos engessados e costumam ser menos avessas a risco. Porém, lhes faltam o capital dos grandes bancos e a mão de obra necessária para cumprir as regulações de que falamos. Com o tempo, os menores podem reduzir essas desvantagens com o valor gerado pela IA avançada.

A necessidade de capacitação contínua

Como vimos, os desafios de aplicar IA no setor bancário são muitos — de conformidade regulatória e interpretabilidade de modelos a privacidade de dados e questões éticas. Essas complexidades mostram que as equipes de finanças precisam não só conhecer IA e ciência de dados, mas saber aplicá-las de forma responsável e eficaz.

Para navegar esse cenário em evolução, a capacitação contínua é essencial. Garantir que seu time de finanças esteja atualizado em ciência de dados e IA não é apenas uma vantagem — é requisito para se manter competitivo. É aqui que plataformas como o DataCamp for Business entram em cena. Com recursos completos de treinamento em ciência de dados, machine learning e IA, o DataCamp for Business oferece as ferramentas de que seu time precisa para se destacar em um ambiente orientado por dados. Com recursos como trilhas personalizadas e insights detalhados de desempenho, você pode acompanhar o progresso e adaptar a experiência de aprendizagem aos seus objetivos.

Ao investir em capacitação, você prepara seu time para encarar de frente os desafios da IA no setor bancário, garantindo que estejam prontos para aplicar métodos avançados enquanto seguem os rígidos padrões regulatórios e éticos do setor. Peça uma demonstração hoje para saber mais.

O futuro da IA no setor bancário

Ao olhar para o futuro da IA nos bancos, precisamos reconhecer que métodos avançados terão um papel importante.

A IA generativa é especialmente relevante. Embora possa ser arriscado aplicar esses modelos em aplicações voltadas ao cliente, eles são úteis para desenvolver produtos e modelos que serão usados com clientes. Eles não são usados para prever risco de crédito, mas para ajudar a construir modelos de risco de crédito. Isso é particularmente verdadeiro quando consideramos a natureza rotineira dos modelos esperados em bancos.

Muitos bancos vão além. Como qualquer organização, bancos têm muita documentação interna — governança corporativa, análises históricas e procedimentos de modelagem. Sistemas de RAG, alimentados por LLMs, podem transformar esse tesouro de informações em uma base pesquisável e um chatbot interno. Pense nisso como um colega prestativo que sabe tudo sobre o banco e está pronto para ajudar você a se atualizar.

Algumas empresas podem até aceitar o risco de usar LLMs em produtos voltados ao cliente. Isso poderia automatizar, por exemplo, conselhos financeiros com base nos dados bancários do cliente. No entanto, alucinações somadas à gravidade de recomendações erradas provavelmente tornam o risco alto demais para bancos estabelecidos — pelo menos no nível atual dos LLMs.

Conclusão

Como cientista de dados atuando no setor bancário, é vital aprender continuamente e também pensar de forma crítica sobre como aplicar novas tecnologias. Discutimos várias aplicações potenciais, incluindo risco de crédito, fraude e churn de clientes.

É importante acompanhar novas tecnologias, já que métodos avançados de IA podem ser aplicados a algumas dessas áreas. Porém, muitas vezes você vai perceber que dominar os fundamentos de ciência de dados e machine learning é ainda mais importante.

À medida que o setor amadurece, também precisaremos de uma visão mais holística de IA. Competências em IA responsável são fundamentais em um mundo em que o machine learning sofre maior escrutínio e regulação. Precisamos entender como interpretar modelos, garantir justiça e proteger dados sensíveis. Muitos desses são desafios novos para os bancos, e teremos que nos adaptar se quisermos adotar IA.

Se quiser aprender mais sobre IA responsável, confira este curso sobre AI ethics.