Scores
Inadimplência, Cobrança, Churn, Propensão, Anti-Bets, Risco multimercado. Modelos de prateleira com KS validado em produção.
SCORE_INADIMPLENCIA_12M
PROPENSAO_CHURN_90D
Explorar scores
A OutBox é o bureau de dados públicos B2B do ecossistema StepWise — o braço de dados do grupo. O que ela entrega não compete com os bureaus tradicionais de crédito: complementa, com mais de 20 mil atributos ortogonais ao que a sua instituição já consome.
Insumos que ampliam sua Feature Store muito além dos dados internos — scores, renda e faturamento presumido, comportamentos de risco e personas. Atributos OutBox como poder de transformação de decisões orientadas a dados: mais de 270 milhões já apoiadas em uma década de ecossistema.
Um oceano de informações.
Fontes públicas que compõem parte do universo de features disponíveis.
A capacidade de detectar potencial oculto em dados públicos, através de extrações alinhadas a transformações de alta complexidade, permite que você enxergue muito além do tradicional.
Do catálogo de books ao acompanhamento do modelo, nove telas mostram o caminho que o dado percorre até virar decisão — sem integração, sem projeto, sem esperar TI.
Produtos em destaqueNova consultaConteúdo técnico
Fluxo em 4 passosPF, PJ e GeoAutomóveis e índices
Busca por palavra-chaveSeleção granularFavoritos
SuperBox: dossiê PFScore + perfil jurídicoCobertura e volumetria
Persona identificadaRenda presumidaRatings socioeconômicosPersonas comparáveis
Radar multidimensionalScores 0–1000Persona de crédito
Camadas geoespaciaisRenda por famíliaÍndices do entornoScore de localidade
13 alertas ativosLeitura automáticaPrioridade e polaridade
Visões pré-calculadasLimites de estabilidadeVolumetria + PSIPSI e KS
A porta de entrada
Por que importa. O analista entra e já opera — sem abrir chamado, sem esperar liberação e sem depender de integração para a primeira resposta.
Escolha o universo
Por que importa. Pessoas, empresas, território e ativos no mesmo fluxo. O mesmo cadastro é lido por vários ângulos sem trocar de ferramenta nem refazer o pedido.
Monte o seu pacote
Por que importa. Você leva só os atributos que o modelo pede — dado cadastral, situação na Receita, indicador de óbito, inferências. Nada de pacote fechado.
Favoritar padroniza o pacote do time: todo mundo consulta a mesma base de features.
Prontos para usar
Por que importa. Solução empacotada encurta meses de montagem: cada produto já chega com código, cobertura e volumetria à vista para virar contrato e API.
Antes do score
Entenda quem é o consultado: geração, momento de vida, renda presumida e perfil digital.
Por que importa. O número diz o quanto; a persona diz o porquê. É o que transforma um corte estatístico em conversa de negócio.
Escala 0–1000
Por que importa. Risco não cabe em um número só. Dimensões ortogonais separam quem tem renda de quem tem hábito de pagamento — e é isso que sustenta limite e preço.
Rating e interpretação já saem escritos, prontos para o comitê.
Renda da localidade
Por que importa. O endereço conta o que o cadastro cala: saneamento, pavimentação, arborização e sinistralidade do entorno num raio de 1 km.
Decisão por CEP, sem visita de campo.
Varredura contínua
Por que importa. Em vez de ler tudo, você olha o que mudou: falência, alteração de QSA, vínculo societário recente — e também os sinais bons.
Estabilidade do modelo
Por que importa. Modelo não envelhece com aviso. O PSI mês a mês mostra quando a população mudou e o score parou de separar — antes de a perda aparecer no resultado.
Navegue pelas visões
Acessar o portalO atributo é o mesmo, com a mesma origem rastreável.
O que muda é o ritmo em que ele chega — e isso quem escolhe é você.
O analista entra, consulta e já opera — com autonomia total sobre o que investiga.
Integração dentro da esteira de decisão, atributo a atributo, com contrato estável.
{
"codigo_referencia": "••••••••••••",
"identificador_etiqueta": "•••",
"parametros_entrada": {
"cpf": "•••••••••••",
"data_ref": "••••-••-••"
}
}{
"atributos": {
"resultado": {
"score": 750,
"probabilidade": 0.125,
"rating": "B-1"
}
}
}Processamento em massa em janela dedicada, isolada da operação do dia.
Cinco frentes complementares — projetadas para somar à inteligência que você já tem, não para substituí-la.
Inadimplência, Cobrança, Churn, Propensão, Anti-Bets, Risco multimercado. Modelos de prateleira com KS validado em produção.
Renda Presumida (PF) e Faturamento Presumido (PJ). Inferência calibrada por +244M CPFs e +67M CNPJs com sinais geolocalizados.
+20.000 atributos PF, PJ, geolocalidade e veicular. Books temáticos plug & play, prontos para entrar em modelo na próxima sprint.
Sob medida, com blend, feature engineering e backtest. Construídos com Singú — nossa IA proprietária para geração de dados sintéticos.
Portal OutBox + APIs + BOX (custom). Ambiente de execução próprio que se integra com bureaus tradicionais — sem dependência de TI interna.
Em 30 minutos um especialista mapeia seu caso e indica o produto certo — ou desenha um sob medida.
Escolhida a frente, a conversa vira atributo
A StepWise é a marca-mãe que controla o ecossistema. Dela nasceram a OutBox, spin-off que virou o braço de dados do grupo, e a Skynet, a plataforma que automatiza a entrega. Juntas: Transformação, Automação e Integração.
Pessoas que desenham, automação que executa e dados que decidem. Quando as unidades operam integradas, o ganho é maior que a soma das partes — decisão mais rápida, risco menor e custo previsível.
Dores que resolvemos
Dores que resolvemos
Dores que resolvemos
Juntas, as três forças fazem
sua decisão ir mais
rápido,
mais longe e com mais confiança.
Bancos, seguradoras, fintechs, varejo e agronegócio que confiam em nosso ecossistema para escalar suas capacidades em analytics e dados.
Doze projetos reais de modelagem — crédito, cobrança e carteira — com o que foi construído, o que mudou na esteira e quanto isso valeu.
Doze projetos reais de modelagem — crédito, cobrança e carteira — com o que foi construído, o que mudou na esteira e quanto isso valeu.
Um score comportamental construído sobre o book do cliente somado aos atributos OutBox — não para substituir o modelo vigente, mas para trabalhar ao lado dele.
A dor não é só dele
O cooperativismo de crédito chegou a 21,2 milhões de associados e cresce 10,4% ao ano — mas 96,2% das empresas associadas são micro ou pequenas, justamente o público que os modelos tradicionais leem pior. Crescer a carteira sem deteriorar a inadimplência virou o problema central do setor.
Fonte: Panorama SNCC 2025 · Banco CentralO desafio
Criar um novo score comportamental (Book Cliente + OutBox) que combinasse com o vigente para ampliar a exposição mantendo a inadimplência sob controle — identificando perfis de excelência elegíveis a limites diferenciados.
A jornada
O que os dados mostraram
Combinação matricial: taxa de inadimplência
O cruzamento célula a célula entre o modelo vigente e o Custom Score OutBox. Na linha Alto 2, que fecha com 16,6% de inadimplência, a última faixa do novo score isola perfis de 3,4% — risco de classe baixa escondido dentro de uma classe alta.
| 0-74 | 75-99 | 100-151 | 152-260 | 261-314 | 315-405 | 406-515 | 516+ | Total | |
|---|---|---|---|---|---|---|---|---|---|
| Altíssimo | 52,6% | 38,7% | 14,3% | 34,0% | 21,2% | 17,2% | 7,4% | 20,0% | 22,8% |
| Alto 2 | 35,3% | 20,0% | 16,0% | 18,5% | 15,2% | 16,7% | 12,9% | 3,4% | 16,6% |
| Alto 1 | 33,3% | 15,2% | 21,1% | 10,2% | 4,8% | 11,3% | 3,9% | 3,1% | 9,8% |
| Médio 2 | 46,3% | 18,1% | 20,6% | 17,1% | 11,7% | 8,5% | 7,4% | 4,9% | 13,0% |
| Médio 1 | 27,3% | 21,9% | 13,4% | 11,9% | 9,1% | 7,4% | 4,3% | 4,3% | 9,2% |
| Baixo 2 | 29,4% | 16,0% | 13,5% | 8,0% | 6,7% | 4,6% | 2,2% | 1,1% | 5,3% |
| Baixo 1 | 19,0% | 11,3% | 8,8% | 9,7% | 6,7% | 2,8% | 1,7% | 0,3% | 2,9% |
| Baixíssimo | 50,0% | 14,3% | 6,7% | 3,7% | 3,6% | 2,2% | 1,0% | 0,2% | 0,8% |
| Total | 36,0% | 17,7% | 15,0% | 11,6% | 8,2% | 5,6% | 2,6% | 0,5% | – |
Swap-in e swap-out: o que muda na esteira
Os 5,6% de OUT-IN são bons pagadores que o modelo antigo recusava. Os 3,0% de IN-OUT são perdas que ele deixava entrar.
Crescimento da carteira e curva de inadimplência
Doze fotos mensais de clientes ativos: a carteira cresce enquanto a inadimplência recua — o objetivo do projeto, medido no tempo.
Plano amostral e bases de origem
Três tabelas combinadas aos atributos OutBox, com safras recentes reservadas para validar estabilidade.
Percepção de valor
O que a nova esteira gera
Ela reprova 3% dos que eram aprovados e aprova 5,6% dos que eram recusados. A conta líquida desse rearranjo é um incremento anual de R$ 5,2 milhões.
Dentro da classe “Alto 2”
A classe fecha com 16,6% de inadimplência. O novo score isola ali dentro perfis de 3,4% — risco de classe baixa escondido numa classe alta.
O sócio “plus”
Bem qualificados nos dois modelos, movimentam 80% de tudo que a carteira financia e têm apenas 0,3% de inadimplência.
Bons pagadores que voltam
Eram recusados pelo modelo antigo e passam a entrar. É crescimento de carteira sem abrir mão do controle de risco.
Outro setor, outra dor — o mesmo jeito de transformar dado em decisão.
Esse desafio se parece com o seu?
Conte o seu contexto e a gente mostra, com os seus dados, onde o ecossistema OutBox consegue abrir espaço.
A decisão certa custa pouco quando é tomada cedo. Um score de entrada, construído só com book externo, antecipa o que a mesa levava horas de análise para concluir.
A dor não é só dele
O consignado privado saltou de patamar: o Crédito do Trabalhador ultrapassou R$ 101 bilhões e 8,5 milhões de trabalhadores em menos de um ano. Volume dessa ordem quebra qualquer esteira que dependa de análise manual caso a caso.
Fonte: Ministério do Trabalho e Emprego · jan/2026O desafio
Melhorar a previsão de aderência de um PJ ao risco do consignado privado por meio de um pré-screening — identificando perfis de alto risco, inelegíveis, passíveis de reprovação automática.
A jornada
O que os dados mostraram
Distribuição do score por faixa fixa
As barras mostram a representatividade de cada faixa; a linha, a taxa de aprovação no consignado privado. A curva sobe de forma monotônica e satura no topo, onde a aprovação chega a 98%.
Plano amostral
31 fotos da carteira cobrindo o histórico de decisões da mesa de crédito, com validação fora da janela de desenvolvimento.
Percepção de valor
No topo da régua
As faixas altas concentram 98% de aprovação. O pré-screening decide sozinho nos extremos e devolve para a mesa só o que é realmente ambíguo.
Para recusar
A pré-recusa acontece antes da consulta paga: sem restritivos, sem bureau tradicional, sem custo por entrada descartada.
Testado em mar aberto
Desempenho consistente e sem viés quando escorado em safras recentes e fora da janela de desenvolvimento.
Poder discriminatório
Construído só com book OutBox, soma poder preditivo aos bureaus tradicionais em vez de repetir a informação que eles já trazem.
Outro setor, outra dor — o mesmo jeito de transformar dado em decisão.
Esse desafio se parece com o seu?
Conte o seu contexto e a gente mostra, com os seus dados, onde o ecossistema OutBox consegue abrir espaço.
O mesmo desconto não vale o mesmo para todas as pessoas. O score de cobrança não só ordena quem paga — diz quanto faz sentido abrir mão em cada caso.
A dor não é só dele
O Brasil chegou a mais de 80 milhões de CPFs negativados, com dívida média de R$ 6,6 mil e 332 milhões de dívidas em aberto. Em private label, onde o rotativo passa de 400% ao ano, a diferença entre recuperar e perder está na abordagem, não no esforço.
Fonte: Mapa da Inadimplência · SerasaO desafio
Criar um novo score de cobrança (Book Cliente + OutBox) para substituir o vigente, ampliando a efetividade das PAs e da estratégia junto às assessorias parceiras.
A jornada
O que os dados mostraram
Curvas de recuperação por segmento
Onze safras, quatro estágios de cobrança. A Telecobrança opera entre 30% e 41% de recuperação; a faixa de perda, abaixo de 3%. Estágios tão distantes não podem compartilhar a mesma régua.
Recuperação por faixa de score · Telecobrança
Dentro do segmento de maior relevância, a distância entre a pior e a melhor faixa é de 49 vezes.
Curva de retorno: onde o desconto vira prejuízo
Cada faixa de collection score reage de um jeito. Para o score 200–300 o retorno cresce até um pico e despenca depois; para o 600–700, qualquer desconto já destrói valor. É essa assimetria que a política de descontos passou a respeitar.
Jump Range: o critério de desconto ótimo
O desconto só é liberado quando faz o cliente saltar de faixa — caso contrário, é margem entregue sem contrapartida.
Percepção de valor
O que o desconto certo devolve
Com o critério de jump range para descontos ótimos, projeta-se +20% na recuperação — um incremento anual de R$ 2,7 milhões sem aumentar o esforço de cobrança.
Entre a pior e a melhor faixa
Na Telecobrança, a pior faixa recupera 1,4% e a melhor 68,9%, contra média de 36,6%. Tratar as duas igual desperdiça as duas.
Na amostra de validação
O novo score não só ordena melhor quem paga: sustenta uma política de descontos que o modelo anterior não permitia.
Retorno antecipado
Abordar primeiro os perfis de maior expectativa concentra esforço e acelera o retorno dentro do próprio mês.
Outro setor, outra dor — o mesmo jeito de transformar dado em decisão.
Esse desafio se parece com o seu?
Conte o seu contexto e a gente mostra, com os seus dados, onde o ecossistema OutBox consegue abrir espaço.
O SCR conta uma parte da história. A peça que falta é quem ainda não construiu histórico bancário — invisível para o modelo, e nem por isso arriscado.
A dor não é só dele
Existem 35,3 milhões de brasileiros sem registro financeiro — 21,7% da população adulta. E o dado que desmonta o preconceito: 80,5% deles não são negativados. Não são maus pagadores; são invisíveis para quem só olha histórico bancário.
Fonte: Estudo Thin Files · Serasa ExperianO desafio
Melhorar a previsão de inadimplência com um pré-screening baseado em Book SCR + OutBox, identificando perfis de excelência elegíveis a limites diferenciados.
A jornada
O que os dados mostraram
KS por segmento de maturidade
Quanto menos histórico bancário, maior o ganho. No thin file o KS mais que dobra e a OutBox responde por 86,1% do peso da equação.
Tempo de relacionamento da carteira
A maturidade determinou a segmentação: 32% dos novos clientes têm menos de 1 ano de casa — exatamente onde o SCR isolado enxerga menos.
Plano amostral
O desenho incluiu aprovados sem ativação e recusados, corrigindo o viés de aprender apenas com quem passou pela esteira.
Percepção de valor
O que entra pela porta
Ao incorporar o score na esteira, estima-se +6% de novos clientes — R$ 20 milhões em 12 meses vindos de quem o SCR isolado não conseguia enxergar.
No público thin file
No S1 o KS sobe de 10,4 para 24,1, e a OutBox responde por 86,1% do peso da equação. Quanto menos histórico bancário, maior o ganho.
Somados os três segmentos
A assinatura da ortogonalidade: fontes que se completam em vez de competir pela mesma explicação.
Risco que não entra
Redução esperada nos próximos 12 meses apenas na esteira de private label via programa de fidelidade.
Outro setor, outra dor — o mesmo jeito de transformar dado em decisão.
Esse desafio se parece com o seu?
Conte o seu contexto e a gente mostra, com os seus dados, onde o ecossistema OutBox consegue abrir espaço.
Em vez de uma nota, um retrato: clusters de comportamento que explicam por que dois clientes com o mesmo score se comportam de formas opostas.
A dor não é só dele
Personalização deixou de ser diferencial: 71% dos consumidores esperam interações personalizadas e 76% se frustram quando isso não acontece. Quem acerta a leitura de perfil vê receita subir na casa de dois dígitos.
Fonte: McKinsey & CompanyO desafio
Sair do score único para o agrupamento de personas — entender quais atributos realmente explicam o risco e transformar isso em política de carteira, não em nota.
A jornada
O que os dados mostraram
As duas pontas da carteira
Mesma carteira, mesma régua, mesmos quatro atributos. O que muda é a combinação — e o risco estimado varia 9,5 vezes entre uma persona e outra.
| atributo | regra | inad. |
|---|---|---|
| Limite médio disponível pelo mercado | [ 15 mil : High ) | 6,3% |
| Cluster de personas · Sonar OutBox | [ A, B ] | 9,7% |
| Tempo em anos do início de relacionamento | ( 24 : High ] | 6,7% |
| Alavancagem: a vencer em 30d vs. Renda Presumida | [ Low : 5% ] | 11,6% |
| classe | repres. | inad. |
|---|---|---|
| A | 76.2% | 3,1% |
| B | 22.6% | 7,2% |
| C | 1.2% | 9,0% |
| D | 0.0% | – |
| E | 0.0% | – |
Esta persona traz um quarto da inadimplência da média da carteira.
| atributo | regra | inad. |
|---|---|---|
| Limite médio disponível pelo mercado | ( Low : 1,5 mil ] | 25,9% |
| Cluster de personas · Sonar OutBox | [ D, H, I ] | 19,3% |
| Tempo em anos do início de relacionamento | [ Low : 1 ) | 29,0% |
| Alavancagem: a vencer em 30d vs. Renda Presumida | [ 40% : High ] | 16,7% |
| classe | repres. | inad. |
|---|---|---|
| A | 0.0% | – |
| B | 0.0% | – |
| C | 1.2% | 11,6% |
| D | 26.0% | 17,5% |
| E | 72.7% | 48,2% |
Esta persona traz uma inadimplência 2,4x maior que a média da carteira.
Percepção de valor
Entre duas personas da mesma carteira
O “Metódico” tem risco estimado de 4,38%; o “No aperto”, 41,5%. Mesma régua, mesmos quatro atributos — o que muda é a combinação.
A cara do bom pagador
No “Metódico”, três em cada quatro caem na melhor classe, com 3,1% de inadimplência. Nenhum chega às classes D ou E.
A cara do risco
No “No aperto”, quase três quartos caem na pior classe, com 48,2% de inadimplência. Nenhum alcança A ou B.
Explicam a separação
Limite disponível no mercado, cluster Sonar, tempo de relacionamento e alavancagem contra a renda presumida.
Outro setor, outra dor — o mesmo jeito de transformar dado em decisão.
Esse desafio se parece com o seu?
Conte o seu contexto e a gente mostra, com os seus dados, onde o ecossistema OutBox consegue abrir espaço.
Metade da esteira já nasce recusada. O score de pré-screening antecipa essa decisão para o começo do funil, antes que a proposta consuma análise completa.
A dor não é só dele
O financiamento de veículos bateu recorde: 7,3 milhões de unidades em 2025, o melhor ano desde 2011, e o primeiro trimestre de 2026 foi o mais forte desde 2008, com 1,89 milhão de unidades (+12,8%). Nesse volume, pagar consulta cara para cada proposta — inclusive as que já nascem recusadas — vira uma sangria silenciosa no custo de originação.
Fonte: Mercado de Financiamentos de Veículos · B3O desafio
Antecipar a recusa para o topo do funil: um score aplicado antes da esteira, com inferência de recusados, para que a análise completa só aconteça em quem tem chance real de aprovação.
A jornada
O que os dados mostraram
A esteira e o tamanho do problema
Só 5% das propostas viram contrato. 54,25% são recusadas — e hoje todas passam pela análise completa antes de receber esse “não”.
| Status | Qtde. | Rep. | Inad. real |
|---|---|---|---|
| Contratado | 113.479 | 5,04% | 8,19% |
| Aprovado sem contratação | 15.569 | 0,69% | – |
| Recusado | 1.220.728 | 54,25% | – |
| Pendente | 900.519 | 40,02% | – |
Só os contratados têm desempenho observado. Inadimplência da carteira (M6 OVER 60) de 8,19%.
Leves 55% · motos 42% · pesados 2,9% do volume de propostas.
Composição do score por status
Nas faixas mais baixas, 90 a 99% das propostas já são recusadas pela política atual. É exatamente a região que o corte pode eliminar sem tocar em quem contrata.
Por que dois modelos, e não um só
O modelo único vai bem em motos e razoavelmente em leves, mas cai em pesados — seu ponto mais fraco. O ganho de um modelo dedicado é irrelevante em motos, moderado em leves e maior justamente em pesados.
Arquitetura final: um modelo para leves + motos (97,1% do volume, KS OOT 0,301) e um dedicado para pesados (2,9%, KS OOT 0,254 — clássico, 16 variáveis, mais estável no volume escasso).
Simulador de ponto de corte
Cada segmento tem sua escala e seu corte. Mova o controle e veja o que muda: quanto da esteira é filtrada, quantos recusados e inadimplentes o modelo captura — e quantos bons contratos são sacrificados no caminho.
Consolidado · os dois segmentos
Percepção de valor
No corte mais agressivo, sem tocar em quem contrata
O modelo antecipa quase um terço de todas as recusas para o topo do funil — filtrando 27,7% da esteira antes da análise completa, com apenas 9,3% de bons contratos sacrificados.
Risco barrado na entrada
Além de poupar análise, o corte retém inadimplentes que hoje passam: a inadimplência de quem é rejeitado chega a 13,9%, contra 8,0% de quem segue.
Estável fora do tempo
O modelo de leves e motos mantém a discriminação de DES a OOT (0,35 → 0,30) e o de pesados quase não perde (0,25 → 0,25).
Arquitetura sob medida
Um modelo cobre 97,1% da esteira; o dedicado cuida dos 2,9% de pesados, onde o KS sobe de 22,4% para 25,4%.
Outro setor, outra dor — o mesmo jeito de transformar dado em decisão.
Esse desafio se parece com o seu?
Conte o seu contexto e a gente mostra, com os seus dados, onde o ecossistema OutBox consegue abrir espaço.
Dois clientes com a mesma renda e a mesma ficha. Um deles transfere parte do salário para casas de aposta todo mês — e a esteira não tem como saber.
A dor não é só dele
Em agosto de 2024, 24 milhões de brasileiros apostaram ao menos uma vez via Pix — 5 milhões deles em famílias do Bolsa Família. E a conta chegou: a CNC estima que 1,8 milhão de pessoas entraram em inadimplência por comprometer renda com apostas em 2024. É um gasto que não aparece em ficha nenhuma, mas aparece na parcela que não é paga.
Fonte: Banco Central · Estudo Especial nº 119/2024 e CNC · O Panorama das Bets, 2025O desafio
Medir se um score de prateleira com comportamento em apostas consegue ordenar risco numa esteira de financiamento de veículos — e, se ordenar, onde colocar o ponto de corte sem estrangular a originação.
A jornada
O que os dados mostraram
De onde vem o desempenho observado
A esteira é larga e o funil é estreito. O financiamento de veículos concentra a carteira e o risco: 21,5% de inadimplência, acima da média de 19,5%.
18,3% da esteira é aprovada mas não vira contrato — volume sem desempenho observável. Só os 1.287 contratados tem histórico para treinar e medir.
| produto | esteira | rep. | contratos | inad. |
|---|---|---|---|---|
| Financiamento de veículos | 13.453 | 72,87% | 1.036 | 21,53% |
| Refinanciamento de veículos | 4.892 | 26,50% | 135 | 17,04% |
| Cartão simples | 116 | 0,63% | 116 | 4,31% |
| Total | 18.461 | 100,00% | 1.287 | 19,50% |
Ordenação por quintil de score
Os scores mais baixos apresentam inadimplência 1,70× a média da carteira; os mais altos ficam em 0,68×. Entre as pontas, uma diferença de 2,5 vezes.
Estabilidade do KS por safra
Nas safras magras o KS oscila porque há dezenas de contratos, não milhares. Quando o volume enche, ele se assenta entre 17% e 22%.
Simulador: onde colocar o corte
Mova o corte e veja a carteira se recompor. Cada ponto de score muda quem sai, quem entra e quanto de perda esperada sobra no fim.
Percepção de valor
Nos contratos que permanecem
No corte de equilíbrio (782), os 848 contratos que continuam na carteira rodam a 13,7% — contra os 19,5% de hoje. O simulador mostra o efeito completo, já somando quem entra no lugar de quem sai.
O score separa
O pior quintil fecha em 32,7% de inadimplência; o melhor, em 13,4%. Folga suficiente para sustentar uma régua de corte.
O grupo de excelência
Scores de 866 a 981 rodam a 69% da inadimplência média da carteira. É onde o limite pode crescer sem susto.
Nada muda na ficha
O comportamento em apostas vem de fora, sem nova pergunta ao cliente e sem alterar o fluxo de originação.
Outro setor, outra dor — o mesmo jeito de transformar dado em decisão.
Esse desafio se parece com o seu?
Conte o seu contexto e a gente mostra, com os seus dados, onde o ecossistema OutBox consegue abrir espaço.
Ele ordena inadimplência com precisão. Ordena rentabilidade com correlação de −0,047 — ou seja, nenhuma. A decisão de crédito estava cega para metade da conta.
A dor não é só dele
O varejo alimentar brasileiro faturou R$ 1,067 trilhão em 2024 operando com margem líquida de 2,9% — patamar estável desde 2021. Com margem assim, cada real de limite mal alocado pesa. E a literatura de crédito é clara: modelos que otimizam inadimplência não otimizam resultado — são objetivos diferentes, e o segundo raramente é medido.
Fonte: ABRAS · Ranking 2025; Finlay, S. · Credit scoring for profitability objectives, EJORO desafio
Construir um score de rentabilidade esperada a partir do histórico transacional do cliente somado ao book de dados públicos, e cruzá-lo com o score de risco para decidir limite — não apenas aprovação.
A jornada
O que os dados mostraram
Duas réguas sobre a mesma carteira
À esquerda, a carteira ordenada pelo score de risco de mercado. À direita, pelo score de rentabilidade. O primeiro acerta o risco e erra o lucro; o segundo acerta os dois.
Ordenado pelo score de risco de mercado
Correlação com a rentabilidade: -0,047. A curva de risco desce bonito; a de lucro não sai do lugar.
Ordenado pelo score de rentabilidade
A mesma carteira, outra régua: a rentabilidade média sobe de R$ 451 para R$ 1.489 — e o risco ainda cai.
Os onze grupos do cruzamento
O grupo “Seguro” tem inadimplência abaixo da carteira e rentabilidade 2,0× a média. O “Atenção” tem quase o triplo do risco e metade da conversão. Eram indistinguíveis pela régua antiga.
| grupo | da carteira | conversão | inadimplência | rentabilidade 12m |
|---|---|---|---|---|
| Seguro | 1,60% | 25,53% | 7,79% | R$ 1.591 |
| A | 2,73% | 20,03% | 9,85% | R$ 1.242 |
| Oportunidade + | 1,16% | 21,41% | 13,59% | R$ 1.331 |
| B | 19,21% | 14,95% | 8,82% | R$ 1.010 |
| C | 25,29% | 10,42% | 7,67% | R$ 800 |
| D | 13,87% | 8,68% | 8,38% | R$ 730 |
| E | 21,04% | 6,60% | 9,91% | R$ 642 |
| F + | 3,81% | 5,53% | 8,26% | R$ 566 |
| F - | 11,13% | 3,14% | 12,16% | R$ 512 |
| Oportunidade - | 0,12% | 21,51% | 18,99% | R$ 1.382 |
| Atenção | 0,06% | 4,35% | 25,65% | R$ 514 |
| Carteira | 100,00% | 9,89% | 9,14% | R$ 788 |
Cinco cenários de política
Do ultra conservador, que não mexe na taxa de aprovação, ao teto teórico. Entre eles, o arrojado: +17,9% de rentabilidade com a inadimplência subindo 1,3 ponto.
Simulador: risco, lucro e limite
Escolha o cenário e veja a carteira reagir — aprovação, inadimplência e rentabilidade projetada, grupo a grupo.
Ponto de partida: 379.835 aprovados e 9,14% de inadimplência. Cada cenário mostra o ganho de rentabilidade em 12 meses sobre essa carteira.
Percepção de valor
No cenário arrojado
Rentabilidade adicional em 12 meses, com a inadimplência subindo apenas 1,3 ponto — de 9,14% para 10,45% — e a aprovação crescendo 15,5%.
O ponto cego medido
É a correlação entre o score de risco de mercado e a rentabilidade do cliente. Praticamente nula: a régua de risco não enxerga lucro.
O grupo “Seguro”
Inadimplência abaixo da carteira e rentabilidade de R$ 1.591 contra R$ 788 da média. Conversão de 25,5% contra 9,9%.
Sem histórico nenhum
Clientes sem uma única compra registrada são modelados só com dados públicos — e ainda assim o score ordena rentabilidade.
Outro setor, outra dor — o mesmo jeito de transformar dado em decisão.
Esse desafio se parece com o seu?
Conte o seu contexto e a gente mostra, com os seus dados, onde o ecossistema OutBox consegue abrir espaço.
A rede financiava a própria venda com um score genérico de mercado. O resultado: limite quase igual para quem tinha 0,5% e para quem tinha 47% de inadimplência.
A dor não é só dele
São 83,7 milhões de brasileiros negativados — 50,9% da população adulta, recorde da série histórica. O crediário responde por 23% das pendências, uma alta de 11 pontos em um ano, atrás apenas do cartão. Quem financia a própria venda está exposto na ponta mais frágil dessa conta.
Fonte: Serasa · Mapa da Inadimplência, jun/2026; CNDL/SPC Brasil, 2026O desafio
Substituir o score genérico por um Custom Score da carteira, cruzar as duas réguas numa matriz de decisão e redesenhar a política de limite grupo a grupo.
A jornada
O que os dados mostraram
Os sete grupos de risco
O grupo C concentra 29% da carteira na média. Nas pontas, o AA tem 0,53% de inadimplência e o F tem 47,72% — e ambos recebiam limite parecido.
Política de limite, antes e depois
O limite médio do grupo F era R$ 1.732 e o do AA, R$ 3.801 — apenas 2,2× de diferença para 90× de diferença de risco. A nova política corrige a escala.
| grupo | limite médio hoje | exposto hoje | em risco hoje | majoração | exposto no cenário |
|---|---|---|---|---|---|
| AA | R$ 3.801 | R$ 28,0 mi | R$ 0,1 mi | +30% | R$ 40,5 mi |
| A | R$ 3.678 | R$ 61,8 mi | R$ 1,8 mi | +25% | R$ 89,0 mi |
| B | R$ 3.564 | R$ 112,6 mi | R$ 8,7 mi | +20% | R$ 165,6 mi |
| C | R$ 3.276 | R$ 147,2 mi | R$ 23,3 mi | +0% | R$ 199,1 mi |
| D | R$ 2.599 | R$ 77,1 mi | R$ 21,6 mi | recusa | – |
| E | R$ 1.887 | R$ 28,5 mi | R$ 11,7 mi | recusa | – |
| F | R$ 1.732 | R$ 17,4 mi | R$ 8,5 mi | recusa | – |
| Total | R$ 3.039 | R$ 472,6 mi | R$ 75,8 mi | R$ 494,1 mi |
A coluna do cenário já incorpora a repescagem: os grupos AA a C passam a receber também parte de quem era recusado, por isso a exposição do grupo C sobe mesmo sem majoração de limite.
O ponto de virada
A carteira cresce de R$ 472,6 mi para R$ 494,1 mi enquanto a inadimplência cai de 18,75% para 11,3%. O ganho vem de realocar limite, não de cortar volume.
Simulador: pré-screening antes do bureau
Mova o corte de recusa automática e veja quanto se economiza em consulta paga — e quanta oportunidade se perde no caminho.
Hoje toda proposta que entra passa por consulta paga, inclusive as que já estavam decididas.
Percepção de valor
Montante em risco evitável
É 55% de todo o montante em risco da carteira, concentrado nos grupos D, E e F — que somam R$ 41,9 mi de exposição arriscada e hoje recebem limite parecido com o dos melhores.
A escala que faltava
O grupo AA fecha em 0,53% de inadimplência e o F em 47,72%. O score genérico enxergava essa diferença como quase nada.
Carteira maior, risco menor
A exposição sobe de R$ 472,5 mi para R$ 490,5 mi enquanto o montante em risco cai R$ 20 milhões. Crescer e proteger ao mesmo tempo.
Sobre o incumbente
De 26,4% para 35,0%. No decil pior, a captura de maus sobe de 29,3% para 51,1%.
Outro setor, outra dor — o mesmo jeito de transformar dado em decisão.
Esse desafio se parece com o seu?
Conte o seu contexto e a gente mostra, com os seus dados, onde o ecossistema OutBox consegue abrir espaço.
Três de cada quatro propostas terminam em recusa. Todas passaram por consulta paga antes de receber a resposta que já estava decidida.
A dor não é só dele
O Brasil tem 81,6% das famílias endividadas e 29,3% da renda mensal comprometida com dívida. Nesse ambiente, a esteira de crédito do varejo recusa a maior parte do que entra — e paga bureau em cada uma dessas recusas. Só o maior bureau do país responde a 6 milhões de consultas por dia: é um mercado dimensionado para perguntar, não para filtrar antes de perguntar.
Fonte: CNC · Peic, jun/2026; Serasa Experian · dados institucionaisO desafio
Criar um score de pré-screening que combine probabilidade de recusa e probabilidade de inadimplência, para descartar no topo do funil o que seria descartado adiante — sem alterar a política de crédito vigente.
A jornada
O que os dados mostraram
O formato do funil
952 mil propostas em doze safras. 24% aprovadas, 25,3% de inadimplência entre elas. E um pico de dezembro que dobra o volume do mês mais fraco.
Três em cada quatro propostas terminam em recusa — e todas passaram por consulta paga antes de receber o não.
Distribuição por faixa de score
As duas piores faixas têm 100% de marcação — nenhum caso bom em 24 mil observações. É o público que o corte automático remove sem discussão.
| faixa de score | bons | recusa + mau | total | da base | marcação |
|---|---|---|---|---|---|
| 000-100 | 0 | 14.336 | 14.336 | 5,02% | 100,00% |
| 100-200 | 0 | 9.923 | 9.923 | 3,47% | 100,00% |
| 200-300 | 623 | 24.235 | 24.858 | 8,70% | 97,49% |
| 300-400 | 4.102 | 42.455 | 46.557 | 16,29% | 91,19% |
| 400-500 | 7.783 | 49.449 | 57.232 | 20,03% | 86,40% |
| 500-600 | 10.281 | 44.277 | 54.558 | 19,09% | 81,16% |
| 600-700 | 11.026 | 28.547 | 39.573 | 13,85% | 72,14% |
| 700-800 | 7.974 | 12.522 | 20.496 | 7,17% | 61,09% |
| 800-900 | 6.035 | 5.726 | 11.761 | 4,12% | 48,69% |
| 900-1000 | 4.326 | 2.147 | 6.473 | 2,27% | 33,17% |
| Total | 52.150 | 233.617 | 285.767 | 100% | 81,75% |
Os dez atributos que mais pesam
Nenhum vem do cadastro interno. O modelo lê o entorno do cliente — o CEP, a economia da região, o vínculo com programas sociais — e antecipa o desfecho.
Simulador: os quatro cenários de corte
Do conservador ao agressivo. Cada um elimina uma fatia diferente do funil e devolve uma inadimplência final diferente.
A carteira de hoje: 952 mil propostas, 24% aprovadas, 25,3% de inadimplência entre os aprovados.
Percepção de valor
Cortando 35,6% do funil
Contra os 25,3% de hoje. A carteira mantém o mesmo tamanho e a mesma qualidade — mas 35,6% das propostas foram decididas antes de custar consulta.
Economia no cenário arrojado
R$ 124 mil por ano só em consulta de bureau, trocando o que custa R$ 0,70 por um score que custa R$ 0,12.
No público que sai
Contra 25,3% da carteira. O corte não é cego: ele remove justamente o grupo 9 pontos mais arriscado que a média.
As duas piores faixas
Em 24 mil observações do teste fora do tempo, nenhuma virou contrato bom. Recusa automática sem risco de perder oportunidade.
Outro setor, outra dor — o mesmo jeito de transformar dado em decisão.
Esse desafio se parece com o seu?
Conte o seu contexto e a gente mostra, com os seus dados, onde o ecossistema OutBox consegue abrir espaço.
O histórico bancário resolve bem a vida de quem já tem histórico bancário. Para o cliente de entrada, ele entrega KS de 10 — e é justamente ali que a carteira cresce.
A dor não é só dele
São 35,3 milhões de brasileiros sem registro financeiro — 21,7% da população adulta. E o dado que desmonta o preconceito: 80,5% deles não são negativados. Some-se a isso o piso estrutural do SCR: instituições só reportam ao Banco Central operações a partir de R$ 200, o que exclui do sistema quem opera abaixo disso. Não é falta de comportamento — é falta de registro.
Fonte: Serasa Experian · Thin Files, 2023; Banco Central · regra de coleta do SCRO desafio
Combinar o book do SCR com o book de dados públicos, segmentar por tempo de relacionamento bancário e redesenhar a esteira para que o filtro barato aconteça antes do caro.
A jornada
O que os dados mostraram
KS por segmento de relacionamento
Quanto menos histórico bancário o cliente tem, maior o ganho do dado público. No segmento de entrada o KS mais que dobra.
De onde vem o poder do modelo
No segmento sem histórico, 86,1% do poder explicativo vem de dados públicos. Sem o book externo, o modelo simplesmente não existiria para esse público.
| segmento | histórico bancário | dados públicos | combinadas |
|---|---|---|---|
| Segmento 1 | 13,90% | 86,10% | 0,00% |
| Segmento 2 | 40,97% | 40,64% | 18,39% |
| Segmento 3 | 47,47% | 49,53% | 3,00% |
| Total | 34,11% | 58,76% | 7,13% |
A esteira antes e depois
A recusa por restritivo caro sai da segunda posição e vira resíduo. O custo total da esteira cai de R$ 653 mil para R$ 463 mil por ano.
Esteira de hoje
Esteira redesenhada
Mesmo volume aprovado nas duas pontas — 205.391 propostas. O que muda é a ordem: o filtro barato entra antes do caro.
Percepção de valor
No público de entrada
Para quem tem menos de um ano de relacionamento bancário, quase todo o poder explicativo vem de dados públicos. Sem o book externo, não haveria modelo para esse público.
Onde o SCR não alcança
O KS do segmento sem histórico salta de 10,37% para 24,07%. Nos veteranos o ganho é de 3,9 pontos — o dado externo vale mais onde o interno vale menos.
Saving total
R$ 190 mil no redesenho da esteira, que troca a ordem dos filtros, mais R$ 500 mil no rearranjo de aprovados e recusados.
Vêm de fonte pública
E respondem por 58,8% do poder explicativo do modelo final — mais do que o próprio histórico bancário.
Outro setor, outra dor — o mesmo jeito de transformar dado em decisão.
Esse desafio se parece com o seu?
Conte o seu contexto e a gente mostra, com os seus dados, onde o ecossistema OutBox consegue abrir espaço.
A carteira multiplicou o volume por dez entre duas safras. Modelar risco numa base que muda de forma enquanto você a observa é um problema diferente.
A dor não é só dele
As fintechs de crédito digital concederam R$ 53,8 bilhões em 2025, alta de 51% sobre o ano anterior, atendendo 94,9 milhões de clientes pessoa física. O outro lado: a inadimplência do segmento foi de 10,1%, contra 3,5% do sistema bancário tradicional. Crescer rápido em público sem histórico cobra um preço — e o preço aparece no mês seguinte.
Fonte: PwC Brasil e ABCD · 6ª Pesquisa Fintechs de Crédito Digital, 2026O desafio
Testar se um score construído apenas com dados públicos agrega poder discriminante ao que a carteira já usa — e medir o quanto ele acrescenta quando combinado ao segmento interno.
A jornada
O que os dados mostraram
Faixa de score e inadimplência
Do pior ao melhor centil de score combinado, a inadimplência cai de 54,4% para 15,1%. A faixa pior concentra 3,6 vezes mais maus que a melhor.
O que cada atributo separa sozinho
Base geral de 33,04%. A persona de saúde financeira sozinha separa 40,7% contra 25,7% — e nada disso está na ficha cadastral.
Clusters de comportamento
Oito clusters de persona, de 38,4% a 29,4% de inadimplência. O maior deles concentra 30% da base com risco abaixo da média.
Percepção de valor
Ao combinar as duas fontes
O score de dados públicos sozinho entrega KS de 11,18%. Somado ao segmento comercial interno, vai a 20,22% — e responde por 39,7% do modelo final.
Separação na faixa fixa
A pior faixa do score combinado fecha em 54,4% de inadimplência contra 15,1% da melhor. Ordenação monotônica em toda a escala.
Só a persona financeira
Um único atributo separa 40,7% de 25,7% de inadimplência, sobre uma base de 33,04%. Nada disso aparece na ficha.
Estabilidade
Mesmo com a carteira multiplicando o volume por dez entre safras, o score puro manteve PSI máximo de 0,015.
Outro setor, outra dor — o mesmo jeito de transformar dado em decisão.
Esse desafio se parece com o seu?
Conte o seu contexto e a gente mostra, com os seus dados, onde o ecossistema OutBox consegue abrir espaço.
Você viu o que já foi construído. Agora o mapa do terreno — e por que ele joga a favor: o volume de informação cresce em ritmo que nenhuma equipe acompanha, a maior parte dele nunca é aproveitada e a decisão continua sendo tomada no feeling. Cada ano que passa, a distância entre quem lê o dado público e quem não lê aumenta.
O volume de dados no mundo saltou de 33 ZB (2018) para ≈175 ZB (2025) — quase 90× o de 2010. Gerar informação deixou de ser o problema. Passe o mouse nos pontos.
Apenas 32% dos dados disponíveis às empresas são efetivamente colocados para trabalhar. O resto vira dark data — armazenado, pago e esquecido.
Mesmo com dados de sobra, a cultura trava: nos dias atuais as declarações de “somos data-driven” recuaram, e a barreira é humana.
Decisões no susto; dados dispersos e sem dono.
Relatórios que olham para o passado (BI).
Modelos e scores antecipam o que tende a acontecer.
O sistema recomenda a próxima melhor ação.
Atributos ortogonais que revelam o que os bureaus não veem.
Cada nova base pública, cada safra, cada atributo ortogonal amplia a vantagem de quem já está lendo esse dado — e o custo de ficar de fora sobe junto. Os casos desta página são a prova de que a distância entre ter dado e decidir melhor tem tamanho, tem prazo e tem preço.
Comece com uma POCEm quatro semanas você vê o lift na sua própria base — sem trocar o modelo que já roda.
Seleção de atributos, blend com seu modelo atual, backtest, reporte. Sem dependência da sua TI.
