Nem todo tomador de alto risco parece arriscado à primeira vista. Em um fluxo de crédito digital na América Latina, a JuicyScore identificou segmentos compactos de solicitantes nos quais o risco NPL90 ultrapassava 70%, usando sinais ocultos no dispositivo, no comportamento da sessão e no ambiente de conexão.
O credor já contava com um processo de decisão existente, mas precisava de uma camada digital de risco mais robusta para entender o que acontece antes de um tomador entrar na carteira: qual dispositivo é usado, como a solicitação é preenchida, quais padrões de conexão aparecem durante a sessão e se o ambiente técnico parece consistente ou suspeito.
A análise mostrou como a API completa da JuicyScore pode apoiar uma modelagem de risco mais profunda, enquanto o vetor mais leve JuicyID pode ajudar a validar regras de stop markers mais simples para uma implementação mais rápida.
O crédito digital na América Latina precisa de mais do que dados de crédito tradicionais
O crédito digital na América Latina continua crescendo por meio de onboarding mais rápido, jornadas mobile-first e fluxos curtos de solicitação online. Mas esse crescimento também cria um problema de risco conhecido: os credores precisam processar mais solicitações com tempo limitado, dados desiguais sobre os tomadores e a necessidade constante de separar clientes reais de sessões de alto risco ou manipuladas.
Nesse ambiente, os dados tradicionais, sozinhos, podem não ser suficientes. A forma como uma solicitação é enviada pode carregar informações críticas de risco: qualidade do dispositivo, configuração do navegador, padrões comportamentais, anomalias de conexão, sinais de solicitações repetidas e outros indicadores técnicos.
Para credores online, o desafio não é apenas rejeitar solicitações arriscadas. É entender a distribuição completa do risco dentro do fluxo e usar essa inteligência de forma prática: filtrar mais cedo as solicitações mais tóxicas, fortalecer os modelos existentes e identificar segmentos de menor risco que possam apoiar o crescimento das aprovações.
O desafio: melhorar a separação de risco sem adicionar fricção
O credor queria melhorar a qualidade das decisões de crédito em seu canal web sem tornar o processo de solicitação mais complexo para bons clientes.
O objetivo era identificar sinais digitais de risco adicionais que pudessem ajudar a empresa a:
- detectar solicitações com risco NPL significativamente maior;
- construir uma segmentação de risco mais clara ao longo do fluxo;
- fortalecer as regras de decisão e os modelos internos existentes;
- identificar segmentos de tomadores de baixo risco que pudessem apoiar o crescimento das aprovações;
- validar regras de stop markers mais simples que pudessem ser implementadas rapidamente.
A JuicyScore abordou a tarefa em duas camadas.
A API completa da JuicyScore foi usada para construir um modelo de ranking personalizado com base em atributos de dispositivo, comportamento, conexão e sinais técnicos. Isso ajudou a mostrar até que ponto os sinais digitais conseguem separar o risco dentro do próprio fluxo do credor.
O JuicyID, uma versão mais leve da inteligência digital de risco da JuicyScore, foi usado para testar uma lógica mais simples de stop markers. Isso ajudou a identificar regras compactas e mais fáceis de implementar, capazes de entregar controle de risco no curto prazo sem exigir uma reformulação completa do modelo.
Uma abordagem em duas camadas: modelo completo de risco + stop markers leves
A JuicyScore construiu um modelo de ranking personalizado a partir dos dados históricos de solicitações do credor. O modelo combinou variáveis agrupadas, marcadores de alto risco, marcadores de risco médio e indicadores positivos do vetor da API da JuicyScore.
A análise mostrou que o fluxo de solicitações do credor podia ser dividido em segmentos de risco claros. Na amostra de desenvolvimento do modelo, o risco variou de aproximadamente 14% no segmento de menor risco a cerca de 55% no segmento de ranking de maior risco. Na amostra de teste, o modelo permaneceu estável, com risco variando de aproximadamente 18% a 45% entre os segmentos de ranking.
Isso demonstrou que os sinais da JuicyScore podem ser usados não apenas como regras antifraude isoladas, mas também como componentes de modelo para uma segmentação mais ampla de risco de crédito.
Ao mesmo tempo, o JuicyID foi testado como uma camada leve para implementação mais rápida. Ele se concentrou em stop markers adicionais que combinam anomalias técnicas, marcadores comportamentais e sinais relacionados à conexão. Essas regras podem ser mais fáceis de validar e implantar primeiro, especialmente quando um credor busca mitigação rápida de risco antes de avançar para uma integração mais profunda no modelo.
Esse se tornou o principal diferencial de produto do projeto: o credor poderia usar a JuicyScore para modelagem personalizada avançada e o JuicyID para regras de risco práticas e mais rápidas de implementar.
Resultados da análise preliminar
Cerca de 15% de Gini nos dados de desenvolvimento e cerca de 13% nos dados de teste
O modelo de ranking personalizado, construído com sinais da JuicyScore, mostrou forte potencial adicional de separação. O Gini não normalizado atingiu aproximadamente 15% na amostra de desenvolvimento e cerca de 13% na amostra de teste, apoiando o uso do modelo como uma etapa separada de underwriting ou como componente do sistema integrado de scoring do credor.
5 segmentos de risco identificados ao longo do fluxo de solicitações
O modelo baseado na JuicyScore dividiu o fluxo do canal web em cinco segmentos de ranking. A análise mostrou uma diferença clara entre solicitantes de menor e maior risco, ajudando o credor a entender melhor onde regras adicionais, lógica de revisão ou ajustes de modelo poderiam ser aplicados.
Segmento de alto risco com stop markers e risco NPL90 acima de 70%
Stop markers adicionais da JuicyScore identificaram um segmento pequeno, mas altamente arriscado, de aproximadamente 1% das solicitações. Esse grupo apresentou risco NPL90 de cerca de 70% na amostra de desenvolvimento e acima de 70% na amostra de teste.
Esse segmento pode ser considerado para recusa automática, verificação adicional ou tratamento de underwriting mais rigoroso após validação no próprio ambiente de decisão do credor.
Stop markers simplificados também mostraram forte potencial no curto prazo
Um conjunto reduzido de regras de stop markers mais simples identificou aproximadamente 0,5–0,7% das solicitações com risco próximo de 70–75%. Essas regras são especialmente úteis porque podem ser mais fáceis de validar e implementar rapidamente.
Para equipes de risco, isso cria um caminho prático: começar com um conjunto compacto de regras de alto impacto, medir o efeito e depois expandir o uso para uma integração mais ampla nos modelos.
JuicyID identificou segmentos compactos adicionais de alto risco
A análise do JuicyID mostrou que até mesmo um vetor digital de risco mais leve pode ajudar a isolar grupos relevantes de alto risco. Stop markers adicionais do JuicyID identificaram cerca de 4% das solicitações com risco próximo de 55–57%, enquanto as regras mais conservadoras de risco tóxico isolaram menos de 1% do fluxo com risco em torno de 70–75%.
Isso dá aos credores uma forma flexível de usar inteligência digital de acordo com seu apetite ao risco: segmentação mais ampla de alto risco para monitoramento e enriquecimento de modelos, ou regras de stop markers mais rígidas para filtragem inicial conservadora.
Marcadores positivos podem apoiar um crescimento mais seguro das aprovações
A análise da JuicyScore também identificou marcadores positivos e segmentos de menor risco que podem ajudar o credor a aumentar aprovações de forma mais segura. Cerca de 7% das solicitações rejeitadas foram destacadas como uma área potencial para validação adicional.
Para credores online, essa é uma parte importante do valor: a mesma camada de sinais digitais pode ajudar a reduzir perdas no lado de maior risco e revelar oportunidades de crescimento entre solicitantes que podem ser mais seguros do que as regras tradicionais sugerem.
O que os sinais revelaram
A análise mostrou que vários grupos de indicadores digitais foram especialmente úteis para a separação de risco.
Anomalias técnicas e de dispositivo
Os marcadores da JuicyScore ajudaram a identificar solicitações com ambientes de dispositivo suspeitos ou de baixa qualidade, incluindo configurações incomuns de navegador ou dispositivo, anomalias relacionadas a canvas, plugins suspeitos, indicadores de qualidade do dispositivo e outros marcadores técnicos.
Esses sinais são importantes porque solicitantes de alto risco frequentemente tentam manipular o ambiente a partir do qual a solicitação é enviada.
Anomalias comportamentais
O comportamento do usuário durante o processo de solicitação também carregou informações relevantes de risco. Tempo na página, velocidade de movimento do cursor, número de correções, padrões de rolagem, hot keys e outros atributos comportamentais ajudaram a identificar sessões que não pareciam comportamento normal de cliente.
Esses indicadores podem ser particularmente úteis no crédito digital porque solicitações fraudulentas ou de baixa qualidade podem ser enviadas rápido demais, de forma mecânica demais ou com padrões de interação incomuns.
Sinais de conexão e infraestrutura
Marcadores relacionados à conexão também ajudaram a melhorar a separação de risco. Qualidade da infraestrutura de internet, marcadores de conexão, comportamento de IP e atributos relacionados a redes móveis podem ajudar a detectar sessões com maior incerteza ou sinais de manipulação.
Para credores que operam em ambientes digitais heterogêneos, isso adiciona uma camada importante de contexto além dos dados declarados pelo cliente.
Por que JuicyScore e JuicyID funcionam melhor juntos
O projeto mostrou duas formas complementares de usar a tecnologia da JuicyScore.
A JuicyScore, como produto completo, é mais adequada para análises de risco mais profundas, desenvolvimento de modelos personalizados e integração mais forte à estratégia de decisão do credor. Ela fornece um conjunto rico de atributos de dispositivo, comportamento, conexão e sinais técnicos que podem ser usados em modelos de scoring, regras de risco, lógica de segmentação e fluxos de underwriting.
O JuicyID, a versão mais leve, é útil quando um credor precisa de uma camada de risco mais rápida e compacta. Ele pode ajudar a identificar sessões de alto risco usando marcadores digitais simplificados e combinações de regras de stop markers, facilitando o teste, a validação e a implementação rápida de controles de risco.
- O JuicyID se encaixa na implementação de stop markers e na mitigação rápida de risco;
- use os sinais da JuicyScore para construir segmentação mais profunda e melhorar o desempenho dos modelos;
- valide marcadores positivos para um crescimento mais seguro das aprovações;
- evolua de regras isoladas para uma camada digital de decisão de risco mais robusta.
Isso torna a solução prática tanto para uso operacional imediato quanto para melhoria de modelos no longo prazo.
Do controle de risco ao crescimento mais seguro
A análise preliminar mostrou que os sinais da JuicyScore podem ajudar o credor a melhorar a tomada de decisão de risco em duas direções ao mesmo tempo.
Primeiro, o credor pode detectar solicitações altamente arriscadas mais cedo usando anomalias técnicas, comportamentais e de conexão como stop markers ou gatilhos para revisão adicional.
Segundo, o credor pode usar marcadores positivos e segmentos de baixo risco para explorar um crescimento mais seguro das aprovações, especialmente entre solicitantes que podem ter sido rejeitados pelas regras existentes, mas apresentam padrões digitais de risco mais saudáveis.
Para credores digitais na América Latina, esse equilíbrio é crítico. O crescimento não pode acontecer às custas da qualidade da carteira, mas o excesso de conservadorismo também pode bloquear bons tomadores. Uma camada digital de risco em tempo real ajuda os credores a ir além de uma lógica binária de aprovação e construir estratégias de risco mais precisas e baseadas em dados.
Uma camada digital de risco mais forte para o crédito na América Latina
Este caso de sucesso anônimo mostra como a JuicyScore pode ajudar credores digitais na América Latina a fortalecer seus modelos de risco de crédito com inteligência de dispositivo, dados comportamentais, sinais de conexão e marcadores técnicos de risco.
Ao construir um modelo personalizado em torno do próprio fluxo de solicitações do credor, a JuicyScore identificou uma segmentação clara de risco, grupos de alto risco baseados em stop markers e possíveis segmentos de baixo risco para validação adicional.
Ao adicionar o JuicyID como uma camada leve, o credor também recebeu um caminho prático para uma implementação mais rápida de stop markers digitais compactos.
Para credores online, isso não se trata apenas de detecção de fraude. Trata-se de construir uma estratégia de aprovação mais precisa, escalável e consciente do risco, capaz de reduzir a exposição a solicitações tóxicas enquanto preserva o potencial de crescimento entre bons tomadores.
