PREVISÃO DE RISCO DE CRÉDITO PARA DEFINIÇÃO DO PERFIL DE CLIENTES DE UM BANCO DE VAREJO

Abstract

RESUMO: A inadimplência é o custo que mais onera o spread bancário. Sendo assim, o risco de crédito materializado pela inadimplência observada é diretamente ligado ao elevado custo das operações de empréstimo. Haja vista tais pontos, pergunta-se: seria possível prever o risco de crédito para melhorar as relações entre credores e devedores? Por isto, este trabalho tem como principal objetivo, a definição do perfil de clientes inadimplentes ou com risco futuro de inadimplência nas relações de empréstimo pessoal em bancos de varejo no Brasil, a fim de que estes decidam com maior precisão sobre conceder ou não o crédito ao cliente. Foi realizada uma pesquisa quantitativa exploratória com uso da análise logística, com informações de 158 clientes, pessoas físicas, de uma agência bancária situada na cidade de Viçosa, Minas Gerais. As variáveis coletadas foram diretamente relacionadas aos 5 "Cs" do crédito. O modelo proposto foi capaz de prever 92,71% dos clientes adimplentes e 74,19% dos inadimplentes, com um poder total de previsão de 85,44%. Os coeficientes estimados apresentaram ajustamento satisfatório a 1% de probabilidade. Assim, foi possível demonstrar a importância de uma análise de crédito bem sucedida. PALAVRAS-CHAVES: Risco de crédito, Inadimplência, Regressão Logística. ABSTRACT: The default is the cost most borne by the banking spread. Thus, the credit risk embodied in the observed default is directly connected to the high cost of lending operations. Considering these points, the following question arises: could be possible to predict the credit risk to improve the relationship between creditors and debtors? Therefore, this work has as main objective, achieve the definition of the profile of defaulting customers or future risk of default on personal loan relationships in retail banking in Brazil, so that they more accurately decide on whether to grant the credit or not. It was performed a quantitative study using exploratory logistic analysis, with information about 158 clients from a bank located in the city of Viçosa, Minas Gerais. The collected variables were directly related to the 5 "Cs" of credit. The proposed model was able to predict 92.71% of customers without default and 74.19% of the defaulting clients, with a total prediction power of 85.44%. The estimated coefficients showed satisfactory fit to 1% probability. Thus, we could demonstrate the importance of credit analysis successful.