Um novo modelo para expandir o acesso ao crédito em todo o mundo

O acesso ao crédito pode proporcionar um caminho para sair da pobreza - e, portanto, melhor saúde, educação e uma vida mais satisfatória. O problema é que ele não é suficiente. Nos países em desenvolvimento, mais de 130 milhões de empresas e 1,4 bilhão de pessoas não têm acesso a crédito. Mesmo quando ele está disponível, as regras podem ser onerosas e as taxas de juros, altas - de 25% a mais de 100% para instituições de microfinanças, com pesquisas sugerindo que as mulheres tendem a pagar taxas mais altas. O mercado informal pode ser ainda mais caro. Há razões para isso. Os consumidores pobres em economias com escassez de crédito não são fáceis de atender. Esses tomadores de empréstimos podem ser vulneráveis a choques, como desastres naturais ou doenças, e podem não ser capazes de fornecer documentação, como registros de salários, declarações bancárias ou históricos de crédito. Tudo isso torna difícil distinguir os tomadores de empréstimos de baixo risco dos de alto risco. O fato é simples: Como é caro e complicado fornecer crédito nesses mercados, isso não está sendo feito. O corolário é que se os custos pudessem ser reduzidos, o acesso melhoraria. Uma oportunidade está na subscrição. Houve esforços nesse sentido. Uma abordagem é adaptar a tecnologia e a automação para transformar a tradicional "subscrição orientada por especialistas". Em vez de uma investigação presencial dos ativos e passivos de cada possível tomador de empréstimo, a ideia é que ferramentas digitais, entrevistas em vídeo e testes psicométricos remotos possam fornecer informações suficientes, a um custo menor. Nas economias avançadas, essa abordagem é semelhante à usada por bancos privados quando os clientes têm situações financeiras personalizadas, por exemplo, no caso de indivíduos com alto patrimônio líquido. Nos mercados emergentes, algumas instituições de microfinanças usam essa técnica para empréstimos a pequenas e médias empresas. Outra abordagem é digitalizar os dados dos tomadores de empréstimos para expandir o alcance da "subscrição de modelos de inadimplência". Essa técnica usa grandes quantidades de dados para correlacionar as características do mutuário com inadimplências conhecidas de empréstimos e, em seguida, usa essas correlações para tomar decisões de crédito para cada pessoa. Tradicionalmente usada por credores de varejo em ambientes ricos em dados, como os Estados Unidos, as fintechs começaram a digitalizar dados de mutuários em mercados emergentes, incluindo o comportamento de compra de tempo de antena de proprietários de telefones celulares, para avaliar a regularidade da renda. Ambas as abordagens têm se deparado com limites para os possíveis tomadores de empréstimos mais pobres. A automação só pode substituir o conhecimento humano até certo ponto. Além disso, a coleta das informações necessárias para criar um modelo de inadimplência de alta qualidade pode ser cara - e o esforço ainda pode não atingir os tomadores de empréstimos mais pobres, cuja pegada digital geralmente é pequena. Mesmo quando os dados podem ser coletados, geralmente são suficientes apenas para subscrever empréstimos pequenos e de curto prazo, e não os produtos de crédito produtivos que permitem que as pessoas aumentem sua renda. O que é necessário, portanto, é uma maneira confiável e de baixo custo para que os credores avaliem a capacidade de pagamento dos indivíduos, mesmo quando há poucos dados para trabalhar. Acreditamos que podemos tê-la encontrado: a modelagem preditiva de fluxo de caixa (PCM), ou o uso de modelos estatísticos para prever a renda e as despesas de segmentos definidos da população. O princípio é que esse conhecimento pode dizer aos credores qual o tamanho do empréstimo mais adequado para cada segmento, além de informar as decisões sobre prazo e risco. Veja como isso poderia funcionar. Primeiro, os modeladores coletam os dados para entender a renda e os custos típicos de um segmento específico - criadores de gado no sul da Nigéria, por exemplo - por meio de entrevistas e pesquisas. Com os dados disponíveis, é possível estimar quanto dinheiro as pessoas desse segmento provavelmente poderão direcionar para o pagamento de um empréstimo. Esses cálculos ajudam muito a definir quanto crédito deve ser concedido e em que condições para cada segmento. Vamos considerar um exemplo hipotético de uma família de cinco pessoas no Quênia. A família possui meio hectare de terra (o tamanho médio de uma pequena propriedade no Quênia) e vive com menos de US$ 2,19 por dia. Os membros da família cultivam batatas, que são colhidas em julho e agosto, e milho, que é colhido em outubro e novembro. Eles também vendem ovos de algumas galinhas e fazem trabalhos temporários. Ao coletar e avaliar dados sobre o tamanho das propriedades, os preços agrícolas e os custos regulares - tudo, desde sementes até mensalidades escolares - é possível obter uma boa imagem da dinâmica do fluxo de caixa de um grupo de famílias semelhantes e, portanto, quanto crédito oferecer. Esse modelo pode mostrar que há 75% de probabilidade de que uma família que gera US$ 100 por ano em dinheiro discricionário possa pagar um empréstimo de US$ 50, mas apenas 2% de probabilidade para um empréstimo de US$ 200. Os credores podem, então, usar essas informações para conceder o montante certo de crédito de acordo com o perfil de risco desejado. O modelo também pode ser projetado para definir o preço em eventos pontuais, como um desastre natural ou uma doença. A compilação de dados por segmento populacional cria economias de escala, permitindo que os credores atendam aos tomadores de empréstimos que antes eram muito caros para serem subscritos individualmente. De fato, uma vez que o modelo é construído, os custos marginais de subscrição são quase zero, pois não é necessária nenhuma coleta de dados adicional. E, ao contrário dos bureaus de crédito, que mantêm seus modelos fechados, o PCM e os dados são acessíveis aos credores, o que lhes permite aprimorar continuamente o design e o direcionamento dos produtos. O conceito básico do uso de modelagem probabilística baseada em fluxo de caixa não é totalmente novo. Há muito tempo, as instituições financeiras usam a modelagem probabilística baseada em fluxo de caixa para carteiras de imóveis comerciais, onde as taxas de inadimplência são mais baixas e, portanto, os dados associados são escassos. Até mesmo algumas instituições de microfinanças experimentaram um precursor da ideia que propomos, por exemplo, usando um modelo determinístico de fluxo de caixa para estimar a renda e as despesas de produtores de leite. A diferença aqui está na sofisticação e na escala da abordagem. A sofisticação está em projetar estatisticamente a receita e as despesas, com base em informações limitadas. A escala vem da grande população sem banco e com poucos dados, para a qual essa abordagem oferece uma nova oportunidade em potencial. A criação desses modelos de fluxo de caixa provavelmente será complexa e cara, e cada mercado precisará de vários modelos. As necessidades de, por exemplo, microempresários em Calcutá são diferentes das de seus colegas rurais no restante de Bengala Ocidental. Além disso, as instituições de microfinanças menores podem não ter o talento técnico e a abrangência geográfica necessários para criar, manter e melhorar gradualmente os modelos de fluxo de caixa, ou o alcance geográfico para criar carteiras de empréstimos diversificadas. É nesse ponto que o capital filantrópico poderia entrar em cena, ajudando na coleta de dados e fornecendo suporte técnico. Na Índia, por exemplo, a Bill and Melinda Gates Foundation, onde um de nós (Michael) trabalha, testará esse tipo de modelagem estatística e trabalhará com os participantes do mercado para desenvolver projetos-piloto. Colocar o PCM em prática provavelmente não será simples. Diferentes mercados podem exigir testes adicionais para atender aos requisitos regulatórios e de risco. Os credores podem enfrentar desafios para integrar a PCM em seus sistemas existentes. Por fim, embora a PCM esclareça a capacidade dos tomadores de pagar os empréstimos, ela não diz nada sobre sua disposição para fazê-lo. É claro que a PCM não é um elixir mágico que resolverá todos os desafios relacionados à prestação de serviços financeiros. Mesmo assim, acreditamos que o PCM pode resolver um problema complexo - a subscrição para os consumidores mais pobres - e, dessa forma, expandir significativamente o acesso ao crédito, a um custo razoável, para aqueles que hoje estão excluídos. Observação: Os autores gostariam de agradecer a Lukas Freiheyt por suas contribuições para este artigo.

Um novo modelo para expandir o acesso ao crédito em todo o mundo

Resumo.

Partner Center