O que são dados alternativos?

Dados alternativos são informações que normalmente não faziam parte dos modelos tradicionais de crédito, mas que podem ajudar a estimar renda, estabilidade financeira, capacidade de pagamento ou comportamento do solicitante.

Tradicionalmente, uma análise poderia utilizar registros de empréstimos anteriores, utilização de cartões, dívidas, atrasos, consultas realizadas ao CPF, renda declarada e relacionamento com bancos. O modelo alternativo amplia esse conjunto, incluindo dados transacionais e outras evidências relacionadas à vida financeira.

O Banco Mundial aponta que informações provenientes de contas de serviços, telecomunicações, aluguéis, microcrédito, compras parceladas e outras relações de pagamento podem ajudar consumidores sem histórico ou com arquivo limitado a construir uma reputação financeira.

Os dados não precisam substituir completamente as informações convencionais. Em muitos casos, eles funcionam melhor como complemento. Um banco pode combinar histórico de crédito, movimentação financeira, renda estimada, pagamentos recorrentes e informações cadastrais para obter uma avaliação mais completa.

O conceito também pode incluir dados produzidos por plataformas digitais, sistemas de gestão, marketplaces, aplicativos de pagamento, contas empresariais e ferramentas de contabilidade. Entretanto, a possibilidade técnica de acessar determinada informação não significa que sua utilização seja automaticamente necessária, legítima ou justa.

Por que algumas pessoas não possuem histórico bancário?

Há diversas razões para uma pessoa apresentar pouco histórico financeiro. Algumas nunca solicitaram empréstimos ou cartões. Outras trabalham de maneira autônoma e recebem por transferências, dinheiro ou plataformas digitais, sem possuir um salário fixo registrado.

Entre os grupos que podem enfrentar essa situação estão:

• Jovens que ainda não contrataram produtos de crédito;
• Trabalhadores informais;
• Profissionais autônomos;
• Microempreendedores individuais;
• Imigrantes recém-chegados ao país;
• Pessoas que utilizam principalmente dinheiro;
• Consumidores que passaram muitos anos sem tomar crédito;
• Pequenos negócios com pouca documentação contábil;
• Pessoas que utilizam serviços financeiros fora dos bancos tradicionais.

Em um modelo baseado exclusivamente no passado bancário, esses consumidores podem receber uma classificação baixa ou inconclusiva. A instituição não consegue identificar claramente se o risco é elevado ou se simplesmente faltam informações.

Dados alternativos tentam reduzir essa diferença. Um profissional autônomo pode não possuir holerite, por exemplo, mas pode apresentar entradas recorrentes, pagamentos regulares e fluxo de caixa relativamente estável.

O Banco de Compensações Internacionais observa que dados e tecnologias digitais podem contribuir para a inclusão financeira e permitir produtos mais adaptados, especialmente quando consumidores possuem histórico tradicional limitado.

Quais dados alternativos podem ser utilizados?

A definição varia entre instituições, países e produtos. Alguns exemplos possuem ligação direta com a capacidade financeira, enquanto outros são mais controversos.

Movimentação de contas

Entradas, saídas, saldos médios, frequência de recebimentos e pagamento de compromissos podem ajudar a estimar a disponibilidade financeira do cliente.

Um trabalhador que recebe valores diferentes ao longo do mês pode não possuir salário fixo, mas seu extrato pode revelar uma média de renda, sazonalidade e regularidade.

Pagamentos de contas de consumo

Contas de energia, água, telefone, internet e outros serviços podem indicar continuidade de pagamentos. No entanto, atrasos isolados precisam ser interpretados com cautela, pois podem resultar de problemas operacionais, disputas de cobrança ou situações temporárias.

Pagamentos de aluguel

O histórico de aluguel pode demonstrar o cumprimento de um compromisso mensal relevante. Esse dado é utilizado em algumas iniciativas internacionais para ampliar arquivos de crédito, embora sua disponibilidade e forma de utilização dependam das regras locais e dos acordos entre empresas.

Transações de pequenos negócios

Para um MEI ou uma pequena empresa, vendas realizadas por maquininhas, recebimentos via Pix, notas fiscais, compras de estoque e pagamentos a fornecedores podem ajudar a estimar o fluxo de caixa.

O Banco Mundial aponta que dados alternativos podem contribuir para ampliar o acesso ao crédito de micro, pequenas e médias empresas, especialmente quando demonstrações financeiras tradicionais são insuficientes.

Informações contábeis e de gestão

Sistemas de gestão empresarial podem fornecer dados sobre faturamento, despesas, estoque, clientes, vendas e obrigações futuras.

Essas informações podem ser mais úteis do que uma fotografia isolada da conta bancária, desde que possuam qualidade, origem verificável e autorização adequada.

Histórico em plataformas digitais

Marketplaces e plataformas de serviços podem observar volume de vendas, cancelamentos, avaliações, tempo de atividade e regularidade dos recebimentos.

Esses dados podem ajudar a avaliar vendedores que ainda não construíram um relacionamento bancário longo. Porém, o comportamento dentro de uma plataforma não deve ser interpretado automaticamente como uma medida completa da capacidade de pagamento.

Dados de telecomunicações

Pagamentos de planos, duração do relacionamento e regularidade cadastral já foram estudados como possíveis indicadores. Entretanto, sua utilização exige cuidado com privacidade, necessidade e risco de discriminação indireta.

Testes psicométricos

Algumas iniciativas avaliam respostas a questionários sobre comportamento, planejamento e tomada de decisões. Esses dados são controversos e precisam de validação rigorosa, pois respostas podem variar conforme contexto, cultura e compreensão das perguntas.

O Banco Mundial inclui dados psicométricos, transacionais e comportamentais entre as fontes que podem ser consideradas em modelos digitais, mas ressalta a importância de proteção ao consumidor e uso responsável.

O papel do Open Finance no Brasil

O Open Finance brasileiro permite que clientes compartilhem dados financeiros entre instituições participantes de forma padronizada. O compartilhamento depende da autorização do cliente e ocorre por canais digitais das instituições envolvidas.

Segundo o Banco Central, podem ser compartilhadas informações sobre contas, cartões, operações de crédito, investimentos e câmbio. Esses dados ajudam a instituição receptora a compreender melhor o perfil financeiro do consumidor e desenvolver ofertas mais compatíveis com suas necessidades.

Para alguém sem relacionamento longo com um banco específico, isso pode ser importante. O consumidor pode autorizar uma nova instituição a consultar movimentações mantidas em outro banco, reduzindo a dependência de um histórico interno.

Um cliente que movimentou uma conta durante vários anos, mas nunca contratou empréstimo, pode compartilhar informações sobre recebimentos, gastos e compromissos. A instituição poderá analisar o fluxo financeiro em vez de depender apenas de um score externo.

O Banco Central informa que a autorização é necessária para o compartilhamento no Open Finance. O cliente escolhe quais dados serão compartilhados, com qual instituição e por quanto tempo. O procedimento deve ser realizado no aplicativo ou site oficial da instituição, sem fornecimento de senha bancária a terceiros.

As informações são transmitidas por APIs e mecanismos de segurança entre instituições autorizadas. O Banco Central informa que o compartilhamento ocorre em ambiente digital e com base no consentimento fornecido pelo titular.

O Open Finance não garante aprovação. Ele aumenta a quantidade de informações disponíveis, mas a decisão continua dependendo da política de crédito, da capacidade de pagamento, do produto solicitado e dos modelos adotados pela instituição.

Como os dados alternativos entram no modelo de crédito?

Depois da coleta, as informações precisam ser organizadas e transformadas em variáveis que possam ser analisadas.

Um extrato bancário, por exemplo, contém centenas de transações. Em vez de utilizar cada lançamento de forma isolada, a instituição pode criar indicadores como:

• Média mensal de entradas;
• Variação da renda;
• Saldo médio;
• Quantidade de dias com saldo negativo;
• Percentual da renda comprometida;
• Regularidade dos recebimentos;
• Frequência de devoluções;
• Pagamento de contas dentro do prazo;
• Concentração de renda em uma única fonte;
• Diferença entre receitas e despesas.

Esses indicadores podem alimentar modelos estatísticos ou algoritmos de Machine Learning. A tecnologia permite processar grande volume de dados e identificar relações difíceis de observar manualmente.

Pesquisas do BIS indicam que fintechs podem combinar dados não tradicionais com métodos de Machine Learning para melhorar a previsão de risco, embora os resultados dependam da qualidade das informações, da estrutura do mercado e da validação do modelo.

O algoritmo pode produzir uma probabilidade de inadimplência ou uma classificação de risco. Essa previsão pode ser combinada com regras de política, como renda mínima, valor de entrada, limite máximo e verificação de fraude.

Principais benefícios dos dados alternativos

Inclusão de pessoas sem score suficiente

O principal benefício é permitir que a análise não confunda ausência de histórico com alto risco. Consumidores que nunca utilizaram crédito podem demonstrar organização por meio de outros registros.

Melhor avaliação de renda variável

Autônomos e empreendedores nem sempre possuem comprovante de salário. A movimentação ao longo de vários meses pode oferecer uma visão mais realista do fluxo financeiro.

Decisões mais personalizadas

Em vez de aplicar o mesmo limite para todos os clientes de uma faixa, a instituição pode considerar a realidade financeira individual.

Maior velocidade

Quando as informações são acessadas digitalmente, a análise pode dispensar parte dos documentos físicos e das verificações manuais.

Redução da assimetria de informação

O consumidor conhece sua capacidade de pagamento, mas o credor pode não conhecê-la. Dados adicionais reduzem essa diferença e podem contribuir para uma avaliação mais precisa.

Crédito para pequenos negócios

Dados de vendas, recebimentos e fornecedores podem ajudar empresas sem balanços detalhados a demonstrar sua atividade econômica.

O Banco Mundial observa que ampliar as fontes de informação pode tornar os sistemas de crédito mais inclusivos, desde que existam salvaguardas de governança, qualidade, transparência e proteção do consumidor.

Dados alternativos podem reduzir os juros?

Em teoria, informações mais completas podem reduzir a incerteza. Quando o credor consegue diferenciar melhor os perfis, clientes de menor risco podem receber condições mais adequadas.

No entanto, não existe garantia de redução. Taxas de crédito também dependem do custo de captação, despesas operacionais, inadimplência esperada, impostos, concorrência, garantias e margem da instituição.

Os dados alternativos podem produzir três resultados diferentes: aprovação de uma pessoa anteriormente não avaliada, recusa mais fundamentada ou oferta com limite e taxa ajustados ao risco.

Portanto, o consumidor não deve compartilhar dados acreditando que receberá obrigatoriamente juros menores. É necessário comparar o Custo Efetivo Total, as parcelas e o valor final da operação.

Quais são os riscos?

Coleta excessiva

Uma instituição pode ser tentada a coletar toda informação tecnicamente disponível. Entretanto, quantidade não significa qualidade. Dados sem relação clara com o risco podem aumentar a complexidade e invadir a privacidade.

Informações incorretas

Um erro na identificação de receitas, uma conta contestada ou uma transação mal categorizada pode afetar a avaliação.

Falta de contexto

O modelo pode interpretar uma redução temporária de renda como sinal permanente de risco. Também pode confundir despesas de trabalho com consumo pessoal.

Discriminação indireta

Mesmo que o modelo não utilize diretamente dados como raça, religião ou condição de saúde, outras variáveis podem funcionar como aproximações e produzir resultados desiguais.

Modelos difíceis de explicar

Algoritmos muito complexos podem produzir uma boa classificação geral, mas dificultar a compreensão dos motivos de uma decisão específica.

Exclusão digital

Quem não utiliza aplicativos ou serviços digitais pode continuar com poucos dados. Um sistema baseado apenas em comportamento digital pode criar uma nova forma de exclusão.

Fraudes e manipulação

Quando os critérios se tornam conhecidos, algumas pessoas podem tentar simular movimentações ou criar comportamentos artificiais para influenciar o modelo.

LGPD e proteção de dados na análise de crédito

A Lei Geral de Proteção de Dados estabelece regras para o tratamento de dados pessoais no Brasil. Empresas precisam definir uma base legal, informar finalidades, adotar medidas de segurança e respeitar os direitos dos titulares.

A proteção do crédito é uma das hipóteses previstas na legislação para o tratamento de dados pessoais. Contudo, isso não autoriza uma coleta ilimitada. O tratamento continua sujeito a princípios como finalidade, adequação, necessidade, transparência, segurança e não discriminação.

A ANPD explica que o titular possui direitos como confirmação do tratamento, acesso, correção de informações incompletas ou incorretas e obtenção de informações sobre compartilhamentos, conforme as condições previstas na legislação.

Quando uma empresa utiliza legítimo interesse, deve verificar se existe finalidade legítima, necessidade e respeito aos direitos e liberdades do titular. A ANPD ressalta que essa hipótese não se aplica ao tratamento de dados pessoais sensíveis.

Em uma operação com dados alternativos, a instituição deve explicar:

• Quais dados serão utilizados;
• De onde vieram as informações;
• Para qual finalidade serão tratados;
• Com quem poderão ser compartilhados;
• Por quanto tempo serão mantidos;
• Como o titular poderá exercer seus direitos;
• Quais medidas de segurança são adotadas.

A empresa também precisa avaliar o papel de cada participante. Dependendo da operação, banco, fintech, plataforma e fornecedor de tecnologia poderão atuar como controlador ou operador dos dados, com responsabilidades diferentes.

O consentimento resolve todos os problemas?

Não. O consentimento é importante em determinadas situações, especialmente no compartilhamento pelo Open Finance, mas não transforma qualquer utilização em adequada.

Uma autorização extensa, escrita de forma confusa ou vinculada a dados desnecessários pode não representar uma escolha verdadeiramente informada.

Também é necessário considerar se o consumidor possui uma alternativa real. Quando a pessoa acredita que somente receberá crédito se autorizar acesso a todas as informações do celular, sua liberdade de escolha pode ser questionada.

Mesmo com consentimento, a empresa deve respeitar finalidade, necessidade, segurança e não discriminação. Deve também evitar reutilizar os dados para objetivos incompatíveis com aquilo que foi informado.

Dados que exigem atenção especial

Nem toda informação disponível deve ser transformada em variável de crédito. Alguns dados apresentam riscos elevados e relação questionável com a capacidade de pagamento.

Entre os exemplos que exigem avaliação rigorosa estão:

• Lista de contatos do celular;
• Mensagens pessoais;
• Localização detalhada;
• Fotos armazenadas no aparelho;
• Histórico de navegação;
• Dados de saúde;
• Informações religiosas;
• Características biométricas;
• Preferências políticas;
• Comportamento em redes sociais.

O uso de dados sensíveis possui restrições específicas. Além do risco jurídico, essas informações podem produzir discriminação, invasão de privacidade e decisões sem relação legítima com o pagamento de um empréstimo.

Uma boa regra de governança é perguntar se a variável possui relação justificável com o risco, se existe alternativa menos invasiva e se sua utilização pode ser explicada ao cliente.

Como evitar decisões injustas?

A instituição deve validar não apenas a precisão geral do modelo, mas também seus impactos sobre diferentes grupos.

Algumas práticas importantes incluem:

• Comparar taxas de aprovação entre grupos;
• Analisar falsos positivos e falsos negativos;
• Verificar variáveis que funcionam como proxies;
• Testar o modelo em períodos e regiões diferentes;
• Excluir informações sem justificativa clara;
• Permitir revisão humana em situações relevantes;
• Oferecer canais para contestação e correção;
• Monitorar mudanças na população;
• Documentar decisões e versões do modelo.

O Banco Mundial ressalta que tecnologia e inteligência artificial em sistemas de crédito precisam ser acompanhadas por governança, explicabilidade, qualidade de dados e mecanismos de proteção ao consumidor.

Um modelo mais preciso na média pode ser inadequado se prejudicar sistematicamente determinado grupo ou utilizar informações que não poderiam orientar legitimamente a decisão.

Explicabilidade e direito de contestação

Quando uma proposta é recusada, o consumidor precisa receber uma orientação compreensível. Informar apenas que “o sistema não aprovou” não ajuda a identificar dados incorretos nem permite compreender a avaliação.

A explicação não precisa revelar códigos internos ou facilitar fraudes, mas deve apontar fatores relevantes, como renda insuficiente, alto comprometimento, movimentação instável ou divergência cadastral.

Em modelos baseados em Machine Learning, ferramentas de explicabilidade podem indicar quais variáveis contribuíram para a previsão. Entretanto, essas ferramentas também precisam ser validadas, pois uma explicação aproximada pode não representar perfeitamente o funcionamento do modelo.

A revisão humana é especialmente importante quando a decisão produz grande impacto, existem informações conflitantes ou o cliente apresenta documentos capazes de alterar a análise.

Como avaliar a qualidade dos dados?

Antes de utilizar uma fonte alternativa, a instituição deve analisar:

• Origem da informação;
• Atualização;
• Precisão;
• Cobertura da população;
• Possibilidade de correção;
• Risco de fraude;
• Estabilidade ao longo do tempo;
• Relação com o evento de crédito;
• Impacto sobre grupos diferentes;
• Necessidade de sua utilização.

Uma variável pode apresentar bom desempenho durante o treinamento e perder valor rapidamente. Mudanças em aplicativos, hábitos de pagamento ou regras de uma plataforma podem alterar completamente seu significado.

Por isso, modelos com dados alternativos precisam de monitoramento contínuo. A instituição deve acompanhar inadimplência, calibração, distribuição das variáveis e qualidade das fontes.

Exemplo prático de análise sem histórico bancário

Imagine uma profissional autônoma que trabalha com serviços de beleza. Ela recebe principalmente por Pix, não possui cartão de crédito e nunca contratou um empréstimo.

Em um modelo tradicional, haveria pouco histórico disponível. O score poderia ser inconclusivo, mesmo que ela mantenha uma atividade estável.

Com autorização, uma instituição poderia analisar os últimos meses de movimentação e observar:

• Entradas frequentes durante os dias úteis;
• Média mensal relativamente estável;
• Baixa ocorrência de saldo negativo;
• Pagamento regular de aluguel e contas;
• Crescimento gradual dos recebimentos;
• Ausência de compromissos financeiros elevados.

Essas informações não garantiriam aprovação, mas permitiriam uma avaliação mais completa. A instituição ainda precisaria considerar o valor solicitado, a parcela, despesas mensais, eventuais dívidas e estabilidade futura da atividade.

O limite inicial poderia ser menor e aumentar conforme o relacionamento e os pagamentos fossem construídos.

Cuidados para o consumidor

O consumidor deve verificar quem está solicitando os dados e por qual motivo. No Open Finance, o compartilhamento deve começar e terminar nos ambientes oficiais das instituições participantes.

Nunca entregue senha, token, código de autenticação ou acesso remoto ao aparelho. Uma instituição não precisa conhecer sua senha para receber dados pelo Open Finance.

Antes de autorizar, confira:

• Nome da instituição receptora;
• Dados solicitados;
• Finalidade informada;
• Prazo do compartilhamento;
• Possibilidade de cancelamento;
• Política de privacidade;
• Canais de atendimento.

Também é importante comparar propostas. O acesso a mais dados pode ajudar na análise, mas não significa que a primeira oferta será a mais econômica.

Dados alternativos substituem o score tradicional?

Na maioria das situações, não. Eles tendem a complementar os modelos existentes.

Informações tradicionais continuam sendo úteis para entender contratos anteriores, endividamento, atrasos e comportamento de pagamento. Dados alternativos acrescentam elementos sobre fluxo de caixa, renda e atividades que não aparecem nos arquivos convencionais.

A combinação das duas fontes pode produzir uma visão mais completa. Para pessoas sem histórico, os dados alternativos podem ocupar um papel maior inicialmente. Conforme novos contratos são pagos, o consumidor constrói um histórico tradicional.

O modelo mais eficiente dependerá do produto, da população, do prazo e da disponibilidade dos dados. Um empréstimo de curto prazo para capital de giro exige informações diferentes de um financiamento de longo prazo.

O futuro da análise de crédito com dados alternativos

A expansão do Open Finance, dos pagamentos digitais e das plataformas empresariais tende a aumentar a disponibilidade de informações financeiras estruturadas.

Isso pode facilitar a análise de autônomos, pequenos negócios e consumidores que antes permaneciam invisíveis para os modelos tradicionais.

Ao mesmo tempo, cresce a necessidade de regras claras sobre quais dados são aceitáveis, como os modelos devem ser auditados e como o consumidor poderá contestar decisões.

O Banco Mundial tem destacado que a expansão do scoring alternativo deve ocorrer acompanhada de governança, proteção ao consumidor e salvaguardas contra usos inadequados, especialmente em produtos digitais e no financiamento de pequenos negócios.

O futuro não deverá ser definido apenas pela quantidade de informações coletadas, mas pela capacidade de utilizar dados relevantes, seguros, explicáveis e proporcionais à finalidade.

Conclusão

Os dados alternativos podem transformar a análise de crédito de pessoas e empresas com pouco histórico bancário. Movimentações financeiras, pagamentos recorrentes, faturamento, vendas digitais e fluxo de caixa podem revelar capacidade de pagamento que não aparece em um cadastro convencional.

No Brasil, o Open Finance cria um caminho padronizado para o compartilhamento de informações financeiras mediante autorização do cliente. Isso permite que uma nova instituição conheça parte do histórico mantido em outros bancos sem exigir que o consumidor reconstrua manualmente toda a documentação.

Entretanto, mais dados não significam automaticamente decisões melhores. Fontes de baixa qualidade, variáveis invasivas e algoritmos mal validados podem produzir recusas injustas, discriminação e riscos à privacidade.

A utilização responsável depende de finalidade clara, coleta limitada ao necessário, segurança, explicabilidade, monitoramento e possibilidade de correção. A instituição deve conseguir justificar por que cada informação é relevante e como ela contribui para a avaliação.

Para o consumidor, os dados alternativos podem abrir portas, mas a autorização deve ser consciente. É importante verificar a instituição, compreender quais informações serão compartilhadas e comparar cuidadosamente as condições do crédito.

Quando utilizados com responsabilidade, dados alternativos não substituem a análise tradicional, mas ajudam a construir uma visão mais completa. Dessa forma, pessoas sem histórico podem ser avaliadas pelo comportamento financeiro que realmente possuem, e não apenas pela ausência de registros bancários anteriores.