Adobe Stock
A gestão de produtos em instituições financeiras é uma tarefa árdua e que envolve o uso de muitas informações sobre o comportamento de clientes. Mais especificamente, pensando em um produto massificado como o cartão de crédito, a gestão envolve não apenas o planejamento, mas tudo que se refere ao risco de crédito e outros fatores que podem interferir na receita gerada pelo portfólio de cartões. Nesse cenário, recursos analíticos ajudam.
No planejamento de um produto como o cartão de crédito, por exemplo, está a coordenação de limites de crédito que controla o nível de exposição gerado por cada cliente e, consequentemente, o potencial impacto gerado em termos de receitas e perdas. A definição do limite de crédito tem estado comumente associada ao uso de políticas embasadas em informações históricas de utilização, comportamento de pagamento (resumidas por meio de informações como o behavior score, ou score comportamental) e nível de relacionamento do cliente com a instituição financeira.
Cada instituição tem níveis diferentes de refinamento e maturidade do uso dessas informações para definir incrementos de limite do cartão. No entanto, geralmente, essas políticas não respondem a uma pergunta crucial que, se bem trabalhada, pode impactar positivamente os resultados do portfólio de cartões: “Qual o valor de limite adequado, para cada perfil de cliente, que maximiza a rentabilidade gerada pelo portfólio?”
Felizmente, existem mecanismos que podem ajudar as instituições financeiras a responderem a essa pergunta sob uma perspectiva analítica. Esses mecanismos são baseados em pesquisa operacional ou, mais especificamente, otimização matemática. Em resumo, a otimização matemática é a ciência que ajuda as empresas a descobrirem a decisão mais adequada para um determinado problema de negócio, que alavanca um indicador e que respeita as restrições associadas ao processo.
Vejamos um exemplo prático hipotético: Uma instituição quer fazer uma campanha de aumento de limite para seus 5 milhões de cartões e precisa observar os seguintes pontos:
– Qual limite adicional oferecer para cada um dos clientes, incluindo a possibilidade de não oferecer nenhum aumento;
– De que maneira maximizo a rentabilidade da carteira de cartões, limitando o volume de perdas sobre carteira a 5%?
– Como limito esse aumento a no máximo 30% da base de clientes?
Esse é um problema clássico do que podemos chamar de otimização combinatória, parte da família de algoritmos de programação linear inteira, já que a resposta ao problema passa por valores inteiros de limite entre 0 e o limite máximo possível de ser oferecido.
Sem usar otimização matemática, existe uma dificuldade brutal de responder a essa pergunta, pois a combinação de possíveis limites a serem oferecidos é infinita enumerável, sendo que cada combinação está atrelada a um determinado impacto em termos de incremento de receita, perdas, PDD (provisão para devedores duvidosos), entre outros inúmeros indicadores associados à carteira de clientes.
O uso de otimização matemática para resolver este problema lança mão do que chamamos de solvers matemáticos, que buscam e comparam todas as opções possíveis, seus potenciais impactos e escolhem a que traz o melhor resultado. Isso, combinado ao consumo de informações que retratam como reage cada cliente a cada possível oferta do banco, bem como seu potencial de geração de receita e de perdas, permite chegar à resposta de maneira muito mais rápida e eficiente.
Por fim, tudo isso, associado à ferramentas que permitam gerar, simular e comparar diferentes cenários de oferta de limite, colocam na mão de usuários de negócio uma ampla capacidade de geração de políticas de alteração de limite muito mais efetivas e que geram muito mais valor agregado à instituição financeira.
Muitas instituições, de diferentes países e continentes, têm se beneficiado do uso de otimização matemática para resolver problemas de gestão de limites de crédito. Os resultados não se limitam somente ao incremento na rentabilidade do portfólio, mas também se estendem ao aumento dos níveis de aprovação (no caso da atribuição de limites iniciais mais adequados), bem como ao aumento do nível de relacionamento com o banco, a partir do momento em que o cliente enxerga mais valor na oferta proposta pela instituição.
Pode-se dizer que o uso de analíticos avançados, atrelados ao uso de tecnologia e estratégias de decisão, ajudam as empresas a se tornarem mais eficientes na gestão de seus clientes e no resultado que trazem para cada um dos produtos, não deixando dinheiro sobre a mesa.
Siga o IT Forum no LinkedIn e fique por dentro de todas as notícias!
A pressão por controle de custos vem alterando a dinâmica das áreas de tecnologia nas…
O mercado brasileiro de fintechs passou por uma transformação no perfil dos investimentos em 2025.…
O avanço da inteligência artificial e o uso estratégico de dados vêm transformando a forma…
Por Ramon Ribeiro Quase metade do código produzido por assistentes de inteligência artificial contém vulnerabilidades…
Peça a um modelo de inteligência artificial que gere a imagem de uma cidade, sem…
O IT Forum apresenta, semanalmente, os novos executivos e os principais anúncios de contratações, promoções e mudanças…