Previsão de Inadimplência em Cartão de Crédito com Técnicas de Aprendizado de Máquina e Análise de Sobrevivência
A inadimplência dos consumidores brasileiros aumentou consideravelmente em 2019. Consumidores nessa situação têm dificuldades na obtenção de crédito e financiamentos, afetando diretamente o empreendedorismo e impedindo a geração de novos postos de trabalho. Atualmente o setor de cartão de crédito é o que mais negativa clientes por falta de pagamento. Este trabalho tem como principal objetivo estudar métodos computacionais que permitam prever a inadimplência do consumidor. A previsão de inadimplência é modelada como um problema de análise de sobrevivência, onde o tempo de falha é representado pelo momento do não pagamento. Um dos diferenciais deste trabalho está na adoção de uma característica denominada fator de quitação do extrato, que é calculada individualmente nos doze meses do experimento. Essa característica é utilizada no processamento do modelo que envolve: (i) técnicas estatísticas tradicionais; (ii) técnicas de aprendizado de máquina por máquinas de vetores de suporte. A avaliação do modelo é um ponto crítico do estudo. Medidas de desempenho tradicionais não são válidas quando a amostra apresenta censura. Dessa forma, adotou-se o Índice de Concordância (c-index) como base de comparação entre os métodos. A amostra consiste em dados de uma administradora de cartões de crédito que opera no sudeste brasileiro. O experimento foi dividido em duas etapas, onde a primeira considerou o fator de quitação durante os três meses iniciais, enquanto que a segunda considerou durante os cinco meses iniciais. Notou-se um aumento no c-index na segunda etapa, sugerindo que essa pode ser uma característica relevante na prevenção de inadimplência.