Conversamos sobre a Quod com Danilo Coelho, diretor de dados e analytics da datatech especializada em ciclo de crédito.
O que faz a Quod?
A Quod é uma datatech, ou seja, uma empresa que usa muita tecnologia e dados para criar soluções para que os seus clientes tomem as melhores decisões. Nós usamos a tecnologia para mastigarmos esses dados de forma a que eles fiquem digeríveis e sejam transformados em produtos que possam ser usados. Isso porque nós vivemos num mundo com cada vez mais dados, o que faz com que algumas pessoas tenham muitos dados e não consigam extrair valor ou não tenham acesso ou conhecimento dos dados que existem.
Nós fazemos isso para ciclo de crédito, ou seja, crédito, cobrança e antifraude, mas entendemos, como visão de futuro, que podemos aplicar esse know-how em vários outros segmentos, além do financeiro.
Como funcionam as suas soluções?
Além de sermos uma datatech, nós temos a essência de bureau. Nós combinamos informações de crédito e dados que não são, necessariamente, de crédito, como comportamento digital, geolocalização e dados públicos, para criarmos soluções customizadas.
Como uma solução de crédito pode se diferenciar num mercado com tantas soluções de crédito?
Aqui nós temos uma questão de abordagem. Como os players desse mercado têm dados e tecnologia, nós nos diferenciamos com a customização de soluções.
No Brasil, existem apenas cinco bureaus de crédito, Serasa Experian, Boa Vista, que agora é Equifax, TransUnion, SPC e Quod, sendo que apenas esses players têm acesso ao Cadastro Positivo. Com exceção da Quod, todas essas empresas são gigantescas, mas como a Quod é menor e mais jovem, isso nos traz agilidade, pois como nós temos uma estrutura menos pesada, nós conseguimos customizar soluções para um mercado que é menor, só que mais escalável.
Por exemplo, como a Serasa funciona como se fosse um banco incumbente, ela não tem muito interesse e flexibilidade em customizar suas soluções para players menores e mais ágeis, como uma fintech ou uma financeira regional de varejo. Isso porque como os players incumbentes possuem mais soluções pré-prontas, eles dizem “olha, eu tenho o meu score, que é esse daqui, se não quer, não quer, e se quiser o preço é esse”. Quando a empresa vê que a solução não se encaixa muito e pergunta sobre como ela pode ser adaptada, a resposta é que não há como adaptá-la, já que a dinâmica é mais incumbente.
A Quod não. Como ela é mais flexível, nós temos como flexibilizar tanto a solução quanto os modelos de negócio. Por exemplo, nós temos uma postura muito voltada para success fee, que é uma forma de desafiar o mercado, enquanto a política dos nossos concorrentes é o pagamento por consulta, ou seja, quanto mais se consulta, mais se paga. O success fee significa que as nossas soluções podem ser usadas de forma complementar às soluções da concorrência e que somente seremos pagos se tivermos sucesso. Esse é um modelo de negócio comparável ao que vemos no mundo financeiro entre fintechs versus bancos incumbentes.
O que faz um cliente escolher uma solução de crédito de uma empresa e não de outra?
Como acreditamos em complementaridade, nós não somos concorrentes diretos do Serasa, por exemplo. A maioria dos clientes que contratam a Quod já tem o Serasa, ou seja, eles não descontrataram a Serasa porque contrataram a Quod. O grande lance é como as informações, de diferentes fontes, são combinadas de forma a melhorar a decisão. Na Quod, nós conseguimos agregar valor aos clientes além do que eles já têm de Serasa e de dados internos.
Se um cliente toma uma decisão com a Quod, Serasa, B3 e SPC, a sua decisão será, incrementalmente, melhor. Como o cliente não precisa tirar a Serasa para colocar a Quod, nós ainda conseguimos penetrar muito nesse mercado.
Você pode nos dar um exemplo prático disso?
Existe um negócio famoso no mercado que é a negativação, onde a Serasa montou o seu nome. De certa forma, o mercado está viciado em dizer que “se um cliente está negativado, eu não vou dar crédito para ele”, só que no geral, as empresas têm um tempo para negativar um cliente.
Por exemplo, em um crédito imobiliário, um banco demora 90 dias para negativar um cliente inadimplente. Isso faz com que a negativação seja um dado importante, mas cada vez mais defasado. O ponto é que um cliente que já está atrasado, mas que ainda não foi negativado, pode conseguir crédito em outro lugar, pois seu nome ainda não está “sujo”.
Na Quod, nós temos como enxergar isso antes da negativação. Vou dar um exemplo ilustrativo. Imagine um cliente que está comprometendo 30% da sua renda com oito cartões de crédito, de oito fintechs diferentes, sendo que ele costuma atrasar o pagamento em 15 dias em cada fintech. Nós conseguimos indicar que esse cliente, por mais que ele não esteja negativado, está dando sinais de que está “perigando”. Assim, se a empresa for dar crédito, ela pode dar menos limite. Esse é um tipo de complementaridade que conseguimos agregar dentro de um dado da Serasa. Existem outros exemplos, mas esse é o mais emblemático.
Quais são as principais demandas desse mercado?
Aqui, eu vou segmentar os clientes. Existem clientes bem maduros e sofisticados, que já tem áreas de análise de dados, de crédito e de fraude. Para esses clientes, nós conseguimos fazer a diferença fazendo a complementaridade com o Serasa ou qualquer outro player. Isso tem relação com inovação. Quando eu te digo que somos mais ágeis, nós temos tecnologia, gente e apetite para calibrarmos o nosso machine learning mensalmente. Quando esse cliente compra da Serasa, ela só vai ajustar o modelo de seis em seis meses e olhe lá.
Agora, a maioria das empresas no Brasil está num nível abaixo disso. Por exemplo, existem muitas financeiras regionais de varejo, que são muito grandes, e que possuem um business de vender, por exemplo, sapatos e roupas. Se ela der um cartão co-branded para os seus clientes, ela consegue vender mais, pois consegue financiar as suas compras. Quando essa financeira começa a brincar com crédito, ela vê que a sua margem é muito maior que a margem do varejo, além de aumentar a venda do varejo.
O problema é que essas empresas não têm estrutura tecnológica e nem pessoas com know-how para fazer isso, pois no Brasil há uma escassez de profissionais que mexam com dados e crédito. Com isso, essa financeira toma um tropeção na sua agenda de crédito através de inadimplência e fraude. Quando a inadimplência come o resultado inteiro, ela vê que fazer isso não é trivial.
Para esse tipo de caso, nós temos uma proposta diferente com um produto chamado Credit as a Service, pois nós temos gente, tecnologia, dados e expertise para fazermos uma esteira de crédito. Esse é um produto onde damos uma solução de crédito pré-pronta. Nesse segmento de clientes que não tem como ter uma tecnologia ou até retenção de equipe que saiba fazer isso, a Quod traz essa responsabilidade para si e consegue ajudar os clientes, até numa linha de consultoria e passando know-how, o que os nossos concorrentes não fazem tanto.
Como a Quod está utilizando a Inteligência Artificial (IA) nas suas soluções?
Usar modelagem, seja IA, machine learning ou o nome que você queira dar, para fazer score de crédito é uma técnica conhecida e usada pelo mercado há muito tempo. O que está diferente agora, e nós estamos fazendo isso bem, é conseguir detectar mudanças de comportamento da população de forma mais tempestiva. Para exemplificar, eu vou usar três casos emblemáticos, sendo o primeiro a pandemia, que foi uma época onde o comportamento de crédito das pessoas mudou muito.
Na pandemia, o mercado esperava que a inadimplência fosse estourar, mas como o Governo Federal deu muitos subsídios, o que aconteceu foi o contrário. A inadimplência foi para baixo porque as pessoas usaram os subsídios recebidos para pagar suas dívidas, mas por mais que as dívidas tenham sido pagas, o risco de crédito ainda estava lá. Como muitas pessoas tiveram o seu nome limpo, isso causou uma cegueira na população e nos scores de crédito. Isso porque os scores de crédito que não estão ajustados e que veem as pessoas pagando, começam a melhorar as suas pontuações, só que quando a pandemia passou, as pessoas voltaram a ter problemas e a sua capacidade de pagamento comprometida.
O segundo exemplo é o Desenrola, onde a pessoa aderia ao programa e tinha o seu nome limpo, o que mexia no seu perfil de crédito. Por fim, vou dar o exemplo mais recente do desastre que aconteceu no Rio Grande do Sul, que foi uma ocorrência de natureza exógena. Esse exemplo é emblemático, mas, às vezes, acontece uma geada, em alguma região do país, que destroi plantações, e os scores de crédito tradicionais não costumam capturar esse nível de tempestividade do dado.
Com a IA, nós conseguimos ver o que está acontecendo em um pedaço da população, que apesar de estar com um bom score, tem um sinal de alerta. E o contrário também, como uma pessoa que tem um score médio, mas que possui sinalizações de curto prazo de que pode pagar mais. Isso acontece muito com pessoas jurídicas.
Considerando a conversa que tivemos, você gostaria de acrescentar algum ponto a essa entrevista?
Eu gostaria de salientar a questão das fraudes. Do ponto de vista técnico e de core, esse mundo é parecido com o que conversamos, mas ele é mais nervoso, já que o perfil do fraudador muda a todo instante e de forma drástica.
Diante desse problema, o regulador está fazendo, cada vez mais, força para aumentar o uso de dados no mercado. Nós temos o caso da Resolução Conjunta nº 6 de 25/5/2023, que obrigou a todas as instituições financeiras a compartilharem dados de fraude, sendo que a Quod foi escolhida por 90% do mercado para receber esses dados. Isso faz com que tenhamos uma visão de perfil de fraudador muito relevante.
A questão da tempestividade, que eu pus aqui com inteligência artificial, é fundamental para fraude, pois hoje nós podemos ter uma quadrilha agindo de tal jeito numa região do país, mas quando a porteira começa a ser fechada, ela começa a atacar em outra região com outra estratégia. Isso faz com que a Quod tenha ferramentas diferenciadas para que possa aprender esses comportamentos e ajudar o mercado a agir de forma mais rápida.
