Incluindo os próximos 30 milhões: por que a device intelligence é chave para a inclusão financeira na Indonésia

Para alcançar os próximos 30 milhões de tomadores de crédito, a Indonésia precisa de um scoring que reflita como as pessoas vivem – e não apenas como elas se relacionam com os bancos. Embora os serviços financeiros tenham se expandido, os sistemas de crédito tradicionais ainda dependem fortemente do histórico financeiro formal, excluindo grandes populações com renda informal, documentação inconsistente ou sem qualquer registro de crédito.

Com a promulgação da legislação POJK 29/2024 e a crescente maturidade da device intelligence, a Indonésia conta com a infraestrutura regulatória e tecnológica para mudar essa trajetória. Agora é o momento de passar da lógica tradicional do scoring para modelos baseados em sinais comportamentais reais – porque o país não conseguirá fechar seu gap financeiro sem modelos de scoring que enxerguem além do histórico bancário.

Revelando a lacuna da inclusão financeira

Apesar de uma década de progressos significativos, a inclusão financeira na Indonésia continua desigual. A população adulta do país é de aproximadamente 205 a 210 milhões (sobre um total populacional de ~280 milhões). De acordo com a pesquisa SNLIK 2024, a inclusão nacional está em 80,51%, mas essa média esconde lacunas estruturais que os sistemas de crédito tradicionais continuam a reforçar. Isso significa que cerca de 19,5% (ou aproximadamente 40 milhões de adultos) ainda estão excluídos dos serviços financeiros formais. Desses, uma parcela significativa – cerca de 30 milhões – é considerada excluída ou subavaliada pelo crédito.

A divisão é especialmente acentuada entre indivíduos sem escolaridade formal, residentes em áreas rurais, jovens e populações idosas. Muitos são trabalhadores informais, participantes da gig economy (economia de bicos), microempreendedores rurais, mulheres sem emprego formal ou jovens sem histórico de crédito. Essas pessoas podem até ter acesso a serviços financeiros básicos (como carteiras digitais ou contas de poupança), mas não conseguem acessar crédito formal devido a registros limitados ou inexistentes.

Um ponto de inflexão: POJK 29/2024 dá sinal verde à inclusão orientada por dados

Em dezembro de 2024, a Autoridade de Serviços Financeiros (OJK) promulgou a POJK 29/2024, estabelecendo o marco formal para os Provedores de Scoring Alternativo (ACS) – instituições licenciadas para utilizar fontes de dados não tradicionais, como telecomunicações, concessionárias de serviços, e-commerce e metadados de dispositivos para avaliar o risco do tomador. É importante destacar que a POJK 29/2024 exige que esses modelos de scoring sejam explicáveis, compatíveis com a privacidade e baseados em consentimento, além de proibir o uso de dados tradicionais de crédito ou financiamento.

Para a Indonésia, essa mudança vai além de uma atualização regulatória – é um catalisador de crescimento. Ao permitir oficialmente o uso de dados alternativos e possibilitar que milhões de pessoas hoje excluídas do crédito tenham acesso ao financiamento formal, a POJK 29/2024 pode estimular o consumo, expandir a atividade de pequenos negócios, melhorar a qualidade de vida e fortalecer a base tributária nacional. O aumento da participação econômica resultante pode gerar um efeito multiplicador em setores que vão do varejo até a infraestrutura.

Esse movimento também alinha a Indonésia aos líderes globais em finanças inclusivas. A Aliança para a Inclusão Financeira (AFI) destacou que fechar as lacunas financeiras exige um open finance inclusivo – estruturas que permitam o compartilhamento de dados diversos, com autorização do cliente, de forma transparente, segura e interoperável.

O Guia de Desenvolvimento e Implementação de Políticas 2025 da AFI para Open Finance Inclusivo ressalta casos de uso como scoring alternativo para microcréditos, verificação de identidade digital no onboarding, integração de dados intersetoriais (por exemplo, telecomunicações e concessionárias) e detecção de fraudes em tempo real. A device intelligence se encaixa diretamente nessa visão, fornecendo sinais técnicos e comportamentais baseados em consentimento que ajudam a segmentar riscos e a expandir o acesso de forma responsável para populações desatendidas.

A device intelligence como uma nova perspectiva sobre o risco

A device intelligence é a análise de sinais técnicos e comportamentais gerados quando uma pessoa usa um smartphone, tablet ou computador. Esses sinais abrangem múltiplas camadas:

• Atributos técnicos – tipo de dispositivo, sistema operacional, versão do navegador e configurações de segurança
• Padrões de comportamento – velocidade de navegação, atividade da sessão e estilo de interação
• Sinais contextuais – horário de uso, geolocalização e tipo de rede
• Indicadores de risco – presença de ferramentas de spoofing, randomizadores ou máquinas virtuais no nível do navegador ou do dispositivo

Em conjunto, esses sinais oferecem às instituições financeiras uma visão dinâmica da confiabilidade e da intenção. Mesmo quando um solicitante não possui histórico de crédito formal, a device intelligence pode ajudar a distinguir usuários genuínos de perfis de risco – possibilitando um acesso mais amplo ao crédito sem comprometer os controles de risco.

Estudo de caso: Amartha – Crédito para mulheres rurais com scoring alternativo

Amartha é uma plataforma indonésia de empréstimos peer-to-peer dedicada a atender ultramicroempreendedores, com foco especial em mulheres que vivem em áreas rurais. Em vez de se apoiar em históricos de crédito tradicionais, a Amartha avalia o risco por meio de pontuações de reputação social, modelos de crédito em grupo e informações obtidas em pesquisas de campo. Indicadores comportamentais offline, como a participação em reuniões comunitárias, são combinados com dados de uso de telefone celular para criar uma visão mais completa da confiabilidade dos tomadores.

Destaques de impacto:

• Mais de 1,5 milhão de MPMEs lideradas por mulheres financiadas desde a fundação
• Valor médio do empréstimo em torno de Rp 3 milhões (cerca de USD 200)
• Taxas de pagamento consistentemente superiores a 95%
• Reconhecimento pela UNESCAP e pela AFI por abordagens inovadoras de inclusão

O caso da Amartha demonstra que o scoring não baseado em birôs, quando apoiado em dados móveis e na confiança comunitária, pode expandir o crédito de forma sustentável para populações rurais invisíveis ao sistema financeiro formal.

Estudo de caso: Jenius – Conectando millennials com scoring baseado em app

O Jenius, plataforma de banco digital lançada pelo Bank SMBC (antigo BTPN), foi desenvolvido para atender às necessidades de millennials e da Geração Z na Indonésia. Em vez de avaliar os solicitantes apenas com dados de birô, o Jenius analisa padrões de comportamento dentro do próprio aplicativo – incluindo hábitos de orçamento, atividade de poupança e categorias de transações – para personalizar ofertas e conceder limites de crédito pré-aprovados. Essa abordagem permite ao banco atrair e atender clientes sem qualquer histórico de crédito anterior.

Destaques de impacto:

• Mais de 3,5 milhões de usuários incorporados até 2023
• Alta adoção entre millennials urbanos e nativos digitais
• Primeiro acesso ao crédito para clientes sem histórico bancário

O Jenius mostra como sinais comportamentais baseados em dispositivos podem ser usados para experimentar produtos de crédito de maneira segura e com baixo risco, especialmente para os segmentos mais jovens da população.

Recomendações estratégicas

Para aproveitar ao máximo a POJK 29/2024 e ampliar a inclusão financeira de forma responsável, as instituições devem tratar a device intelligence não apenas como um requisito de conformidade, mas como uma capacidade estratégica essencial. O potencial vai além de atender às expectativas regulatórias – trata-se também de ampliar o alcance de clientes, crescer portfólios e acessar mercados ainda não explorados.

Os maiores ganhos virão para instituições de microfinanças (IMFs), provedores de BNPL, bancos digitais e players de finanças embarcadas. Esses segmentos costumam atender clientes com pouca ou nenhuma história de crédito formal e podem se beneficiar diretamente das percepções mais ricas que a device intelligence proporciona.

Como agir:

1. Implementar modelos de device intelligence onde o scoring baseado em birôs é ineficaz ou inviável – como entre os 51% de indonésios sem escolaridade formal, que permanecem subavaliados pelos sistemas tradicionais.
2. Cumprir com confiança – a POJK 29/2024 apoia os sistemas de scoring alternativo, desde que sejam auditáveis, explicáveis e baseados em consentimento.
3. Medir o impacto por meio de indicadores-chave de inclusão (KPIs) – com foco em segmentos rurais, idosos, de baixa escolaridade e da gig economy, a chamada economia de bicos, para avaliar tanto os resultados sociais quanto os comerciais.

Essas ações não são apenas caixas de verificação operacionais. Elas formam a base para construir confiança, melhorar a qualidade das carteiras e liberar crescimento de longo prazo, ao mesmo tempo em que ampliam o acesso ao crédito de forma responsável.

Conclusão

A Indonésia avançou de forma clara rumo à inclusão financeira, mas as lacunas apontadas no SNLIK 2024 mostram que os modelos de crédito tradicionais ainda deixam muitas pessoas de fora. Com a POJK 29/2024 oferecendo segurança regulatória – e com instituições globais como a AFI e a pesquisa acadêmica validando a eficácia dos dados alternativos – o argumento a favor da device intelligence deixou de ser teórico. Hoje, é uma ferramenta crítica e comprovada.

Quando usada de forma transparente e responsável, a device intelligence pode ajudar a alcançar milhões de pessoas subatendidas e fortalecer a resiliência do ecossistema financeiro da Indonésia.

Os dados de dispositivos não são apenas um remendo. São uma solução estratégica para finanças inclusivas e preparadas para o futuro.

O que vem a seguir: da visão à ação

A oportunidade é clara – milhões de indonésios com capacidade de pagamento ainda permanecem invisíveis para os modelos de scoring tradicionais. Com a POJK 29/2024 em vigor e a device intelligence pronta para ser aplicada, as ferramentas para fechar essa lacuna já estão disponíveis.

O próximo passo é a execução. Seja uma IMF, um provedor de BNPL, um banco digital ou um player de finanças embarcadas, o caminho começa testando modelos de device intelligence, medindo o impacto na inclusão e escalando de forma responsável.

Agendar uma demo com a JuicyScore para explorar como a device intelligence pode ajudar a expandir seu portfólio e ampliar o acesso financeiro.