Uma empresa anônima de crédito do Sul da Ásia trabalhou com a JuicyScore para analisar solicitações recebidas pelo canal web e melhorar a segmentação de risco. Assim como muitos credores de rápido crescimento na região, a empresa trabalha com um grande fluxo de solicitantes online, em que os dados de crédito tradicionais nem sempre são suficientes para tomar decisões de risco precisas.
O credor precisava de uma camada adicional de inteligência para separar melhor os tomadores confiáveis das solicitações de alto risco, detectar anomalias técnicas mais cedo e apoiar um crescimento mais seguro das aprovações sem adicionar atrito à jornada do cliente.
O crédito digital no Sul da Ásia está entrando em uma fase mais consciente do risco
O crédito digital no Sul da Ásia continua crescendo, impulsionado pela demanda por crédito instantâneo, serviços financeiros mobile-first e acesso mais rápido a empréstimos. Mas o mercado já não se resume apenas a velocidade e escala.
Para os credores, a pergunta principal está mudando de “como aprovar mais rápido” para “como aprovar com segurança”. Eles precisam controlar fraudes, reduzir o first-payment default, melhorar a qualidade da carteira e, ao mesmo tempo, manter o processo de solicitação fluido para bons clientes.
Isso é especialmente difícil em fluxos de crédito digital, nos quais os solicitantes podem ter histórico de crédito limitado, dados inconsistentes ou sinais tradicionais de scoring fracos. Nesse contexto, dados de dispositivo, comportamento e conexão se tornam uma parte importante para entender o risco real por trás de cada solicitação.
O rápido crescimento online precisa de um modelo construído em torno do fluxo real
O credor queria melhorar a qualidade das decisões de crédito em seu fluxo de solicitações do canal web.
A JuicyScore analisou mais de 150.000 solicitações recebidas pelo canal web. A taxa de aprovação na amostra analisada foi de cerca de 40%, enquanto o nível geral de FPD foi de 0,71%.
O desafio não era simplesmente adicionar mais pontos de dados. A empresa precisava de um modelo construído especificamente em torno de seu próprio fluxo de solicitações, padrões de risco e comportamento dos tomadores. Isso significava identificar marcadores adicionais de risco e marcadores positivos que pudessem ajudar a detectar solicitações de alto risco mais cedo, melhorar a separação entre tomadores de baixo e alto risco, fortalecer os modelos internos de tomada de decisão e identificar segmentos de baixo risco que pudessem apoiar o crescimento das aprovações.
Um modelo de ranking personalizado baseado em sinais da JuicyScore
A JuicyScore construiu um modelo de scoring de ranking personalizado com base em marcadores de alto risco, médio risco e marcadores positivos do vetor da API da JuicyScore.
O modelo foi desenvolvido especificamente para o fluxo analisado do credor e utilizou atributos de dispositivo, comportamento, conexão e atributos técnicos para dividir as solicitações em segmentos de risco. Isso ajudou a mostrar onde stop-markers adicionais poderiam ser usados para filtragem inicial e onde marcadores positivos poderiam apoiar a estratégia de aprovação.
A análise não se concentrou apenas na detecção de fraude, mas também em uma melhor separação do risco de crédito. Para credores digitais, isso é crítico: pequenas melhorias na segmentação podem ajudar a reduzir a exposição a solicitações arriscadas, preservando ao mesmo tempo o potencial de crescimento entre bons tomadores.
Resultados da análise preliminar
38,5% de Added Gini mostrado por um modelo personalizado
O modelo de scoring de ranking personalizado mostrou 38,5% de Added Gini não normalizado na análise preliminar, demonstrando forte potencial como uma etapa separada de tomada de decisão ou como componente de um modelo integral de scoring.
6 segmentos de risco identificados
O modelo dividiu o fluxo de solicitações em 6 segmentos, com risco de FPD variando de 0,07% no segmento de menor risco a 4,49% no segmento de ranking de maior risco.
Cerca de 20% de risco no segmento de stop-markers
Stop-markers adicionais identificaram um segmento pequeno, mas altamente arriscado: menos de 0,5% das solicitações com um nível de risco de FPD de cerca de 20%. Esse segmento pode ser considerado para filtragem inicial e verificação adicional.
Cerca de 21,5% de risco detectado por stop-markers simplificados
Um conjunto reduzido de stop-markers mais simples também mostrou forte potencial no curto prazo, identificando cerca de 0,20% das solicitações com um nível de risco de FPD de aproximadamente 21,5%. Essas regras podem ser validadas e integradas primeiro como mitigadores práticos de risco.
Da detecção de risco ao crescimento mais seguro das aprovações
A análise mostrou que os sinais da JuicyScore podem ajudar a fortalecer as decisões de risco de crédito em duas direções ao mesmo tempo.
Primeiro, o credor pode identificar anomalias técnicas e comportamentais associadas a um risco de FPD significativamente maior. Esses sinais podem ser usados como stop-markers adicionais, regras de risco ou componentes do modelo para filtrar mais cedo as solicitações mais arriscadas.
Segundo, o credor pode usar marcadores positivos para identificar segmentos de tomadores de menor risco. De acordo com a análise, marcadores positivos adicionais podem ajudar a alocar segmentos de menor risco e aproximadamente 10,70% das solicitações rejeitadas, que podem ser consideradas para aumento do nível de aprovação após validação.
Para o crédito digital, essa combinação é especialmente valiosa: melhor controle de fraude e FPD de um lado, e crescimento mais seguro das aprovações do outro.
Sinais digitais em tempo real para melhores decisões de crédito
A JuicyScore adiciona uma camada de risco digital em tempo real ao processo de decisão de crédito. Em vez de depender apenas dos dados declarados pelo usuário ou de fontes tradicionais de crédito, os credores podem analisar como a solicitação é enviada: a partir de qual dispositivo, por meio de qual conexão, com quais padrões técnicos e comportamentais, e se esses padrões parecem consistentes ou suspeitos.
O relatório também recomendou ampliar o uso de stop-markers IDX da JuicyScore, marcadores de conexão, indicadores de qualidade do dispositivo e outros parâmetros do dispositivo para fortalecer regras e modelos internos.
Para o mercado de crédito digital do Sul da Ásia, onde as solicitações online estão crescendo rapidamente e os dados dos tomadores podem ser desiguais, isso oferece aos credores uma forma prática de melhorar a segmentação, proteger a qualidade da carteira e tomar decisões de crédito com mais confiança.
Uma base mais sólida para a gestão de risco no crédito digital
Este case study anônimo mostra como a JuicyScore pode ajudar credores digitais a fortalecer seus modelos de risco de crédito com device intelligence, dados comportamentais e marcadores técnicos de risco.
Ao construir um modelo personalizado em torno do próprio fluxo de solicitações do credor, a JuicyScore identificou uma melhoria mensurável do modelo, segmentação clara de risco e grupos de solicitações de alto risco que podem ser usados para validação adicional e integração ao decision engine do credor.
Para credores digitais, isso não se trata apenas de detectar fraude. Trata-se de construir uma estratégia de aprovação mais precisa, escalável e consciente do risco.
Fortaleça suas decisões de crédito com a JuicyScore
A JuicyScore ajuda credores digitais a detectar solicitações de alto risco mais cedo, melhorar a segmentação de tomadores e apoiar um crescimento mais seguro das aprovações usando device intelligence, dados comportamentais e sinais de risco em tempo real.
Solicite uma demo para ver como a JuicyScore pode adicionar uma camada de risco digital mais forte ao seu fluxo de decisão de crédito.
