Em busca de mais precisão e agilidade na concessão de crédito, uma grande incorporadora brasileira adotou uma solução baseada em machine learning desenvolvida pela BlueMetrics. O modelo preditivo foi treinado com dados históricos da própria empresa, considerando variáveis como renda, estado civil e número de filhos, para classificar automaticamente o risco de inadimplência de novos solicitantes. A solução, integrada de IA e apoiada por tecnologias da AWS, eliminou subjetividades no processo, reduziu o retrabalho entre áreas e permitiu decisões mais rápidas e fundamentadas. O resultado? Uma redução potencial de 46% na inadimplência.
Visão geral
Em um cenário de alta competitividade no mercado imobiliário, garantir que o crédito seja concedido aos clientes certos pode fazer toda a diferença. Foi exatamente esse desafio que uma das maiores incorporadoras do Brasil enfrentou e superou com o uso de inteligência artificial aplicada à análise de crédito.
Nosso cliente, uma empresa do setor imobiliário que atua com venda de unidades residenciais, também opera como financiadora, concedendo crédito direto aos compradores. Com o aumento do volume de vendas e o crescimento das operações, tornou-se evidente a necessidade de revisar o modelo de concessão de crédito, que até então era pouco padronizado e altamente dependente da avaliação subjetiva dos analistas.
*“Trabalhar com problemas como esse é extremamente motivador para nós, porque são estratégicos para o negócio e permitem aplicar nossa expertise de forma prática e mensurável,”afirma Luciano Rocha“Além disso, sabemos que uma estrutura de dados bem organizada faz toda a diferença na hora de desenvolver soluções de IA que realmente entreguem valor, e a expertise em dados é justamente um dos nossos maiores diferenciais.” *Contexto do mercado:
- Alta competitividade no setor imobiliário
- Crescente volume de solicitações de crédito
- Necessidade de decisões rápidas e assertivas
- Risco elevado de inadimplência
- Processos manuais e suscetíveis a falhas humanas
Problema:
Como vimos acima, além de atuar na venda de imóveis residenciais, a incorporadora também oferece financiamento próprio, o que amplia sua margem de lucro, mas também aumenta o risco financeiro. O processo de análise de crédito era conduzido manualmente, com base em critérios que variavam entre os analistas, incluindo até fatores subjetivos como o humor do dia ou a pressão por metas.
Essa falta de padronização gerava ineficiência, conflitos entre as áreas comercial e financeira, e dificultava o controle de risco. Em um mercado com alta inadimplência e prazos curtos para tomada de decisão, a empresa precisava urgentemente de uma abordagem mais objetiva, confiável e escalável para avaliar o risco de crédito de forma consistente e ágil.
“Temos visto esse tipo de desafio se repetir em vários setores: muito dado disponível, mas pouco aproveitamento estratégico,” destaca Luciano Rocha.* “É aí que nossa experiência ajuda as empresas a transformar esse potencial todo em iniciativas concretas.”*
Limitações operacionais:
- Processo de análise de crédito manual e demorado
- Dependência do julgamento individual dos analistas
- Falta de padronização nas decisões
- Conflitos entre áreas por divergências nas avaliações
Limitações de negócio:
- Risco elevado de inadimplência
- Dificuldade em escalar a operação com segurança
- Impacto na experiência do cliente devido à morosidade
- Decisões críticas influenciadas por fatores subjetivos
Limitações tecnológicas:
- Ausência de modelo automatizado para análise de risco
- Falta de integração entre dados e áreas da empresa
- Inexistência de histórico consolidado de decisões anteriores
- Baixa capacidade de gerar insights a partir dos dados disponíveis
A solução: Machine Learning na análise de crédito
Para superar esse desafio e gerar valor real, a BlueMetrics desenvolveu um modelo de classificação baseado em machine learning capaz de prever, com base em variáveis como renda, estado civil e número de filhos, se um solicitante de crédito teria maior ou menor propensão à inadimplência.
O modelo foi treinado com dados históricos da própria empresa e integrado a um agente de inteligência artificial que realiza a consulta em tempo real. Assim que um novo pedido de crédito é recebido, o sistema avalia o risco automaticamente, gerando uma pontuação de risco para subsidiar a decisão dos analistas.
Importante: o controle final continua nas mãos do time humano, mas agora com o suporte de dados objetivos e consistentes.
A arquitetura foi construída com tecnologias escaláveis da AWS, como o Amazon SageMaker, garantindo performance, confiabilidade e flexibilidade para o crescimento da operação. complementa: “Já entregamos cerca de 200 projetos de dados e IA para mais de 90 clientes no Brasil, Estados Unidos e América Latina. E é justamente esse histórico que nos permite trazer rapidez na solução, segurança na entrega e foco total em resultados.” *Benefícios imediatos:
- Redução da carga de trabalho dos analistas
- Padronização das análises e eliminação de subjetividades
- Atendimento e análise de crédito automatizados 24/7
- Maior agilidade e assertividade nas decisões
Ganho estratégico:
- Redução potencial de inadimplência em até 46%
- Base de dados estruturada para futuras iniciativas de marketing e crédito
- Apoio à tomada de decisão com dados históricos e previsões confiáveis
- Possibilidade de escalar a operação com segurança e eficiência
Diferenciais da solução:
- Integração com agente de IA para respostas em tempo real
- Total transparência e controle por parte dos analistas
- Implementação com tecnologias robustas e escaláveis da AWS
- Modelo treinado com dados reais do próprio negócio
Resultados:
A solução alcançou 92% de acurácia na classificação de bons pagadores, tornando o processo mais confiável e reduzindo significativamente o retrabalho entre áreas. A padronização trouxe clareza, reduziu conflitos internos e melhorou a eficiência operacional.
Segundo simulações com dados históricos, a empresa obteve uma redução potencial de até 46% na inadimplência, além de um ganho expressivo na velocidade das decisões de crédito.
Além disso, o modelo passou a gerar insights valiosos para o time de marketing, que passou a direcionar campanhas com base nos perfis de clientes mais propensos ao pagamento em dia. Isso criou um ciclo virtuoso de eficiência e prevenção, com impacto direto na rentabilidade da operação.
Conclusão:
Este caso mostra como a aplicação de inteligência artificial no setor imobiliário pode ir muito além da automação. Ao trazer previsibilidade, agilidade e inteligência para o processo de concessão de crédito, a empresa conseguiu reduzir riscos, tomar decisões mais estratégicas e escalar suas operações com segurança.
Mais do que uma melhoria pontual, o projeto representou um salto na maturidade analítica da organização. “É muito gratificante ver uma solução gerar valor real e imediato para o cliente, resolvendo um problema concreto com impacto direto nos resultados,”conclui Luciano Rocha.“É isso que buscamos em cada projeto que entregamos.”
Tecnologias utilizadas:
Serviços AWS
Linguagens, libs e frameworks