# Análise de risco com machine learning? > Machine learning pode tornar a sua análise de risco mais eficiente – e mais fácil de fazer! Quer ver na prática? URL: https://bixtecnologia.com.br/analise-de-risco-com-machine-learning/ Idioma: pt-BR Publicado em: 2022-07-29T11:30:00.000Z ## Uma análise de risco feita com machine learning 29 de julho de 2022 19 min de leitura ![análise de risco](https://images.bix-tech.com/uma_analise_de_risco_1024x819_c88f8a65e8.jpg) “Tubarão avistado hoje, entre na água por sua conta e risco.” **_[Machine learning](https://bixtecnologia.com.br/machine-learning/)_ pode tornar a sua análise de risco mais eficiente – e mais fácil de fazer!** A ideia não é superar o senso crítico de um analista humano, mas servir de instrumento para que ele mesmo supere sua performance. Isso pode mudar todo o negócio. **Analisar o risco de uma operação de crédito** é necessário para quase todas as empresas, seja seu _core business_ ou não. Por sorte, quanto mais repetitiva a tarefa, mais viável o uso de **aprendizado de máquina, ou** **_machine learning_**, para otimizar o processo. **A [inteligência artificial](https://bixtecnologia.com.br/inteligencia-artificial/) pode ser mais assertiva e garantir mais segurança** no seu trabalho, principalmente na sua tomada de decisão. Quer ver na prática? Nesse texto, vamos entender as capacidades técnicas dessa tecnologia e simular a implementação de um modelo de _machine learning_ que economiza, ao fim, mais de R$ 12 milhões para a empresa. ## Quem usa machine learning em análise de risco e para quê? A análise de crédito é uma das principais atividades de um **banco**, mas há outros tipos de negócio que também precisam avaliar o risco de suas operações, como **seguradoras** e **empresas de plano de saúde**. Nesses dois casos, é necessário adequar a parcela cobrada do cliente ao seu potencial de risco, para que não haja perdas no pagamento de apólices, ou no momento do usufruto do plano de saúde. Além disso, há **lojas de varejo** **que oferecem** **cartão de crédito próprio** para seus clientes. Ao prestar esse serviço, geralmente acompanhado de sistema de pontos e descontos exclusivos, é importante identificar o nível de responsabilidade financeira de cada um. Por isso, em todos os cenários citados acima, **é preciso que exista uma área de risco com profissionais qualificados** para entender os diferentes perfis de clientes e operações e fazer as adequações necessárias. ### Machine learning Em um mundo em que: - As informações disponíveis para análise aumentam exponencialmente; - Os ambientes de negócios se tornam mais competitivos; - Os clientes esperam (com razão) por um atendimento mais veloz, assertivo e de qualidade; Uma única área de risco não seria capaz de acompanhar a evolução dos processos sem o auxílio de uma **tecnologia avançada, que permita escalar suas análises**. É aí que entra a [Inteligência](https://bixtecnologia.com.br/aplicacoes-e-cases-de-machine-learning/) [Artificial com capacidade de aprendizado de máquina, ou _machine learning_](https://www.bixtecnologia.com.br/aplicacoes-e-cases-de-machine-learning/). Essa tecnologia permite que um programa seja capaz de estudar as operações anteriores para **prever, com cada vez mais exatidão, os resultados futuros**. Isso é: o computador aprende, através de métodos estatísticos, quais circunstâncias levam a cada evento. ### Análise de risco automatizada Na análise de risco, então, é possível **fornecer exemplos de operações perdidas ou fraudulentas para gerar um modelo matemático** que prevê o grau de risco de uma operação nunca feita antes. Modelos como esse costumam ser adotados em dois contextos: - **Auxiliar na tomada de decisão** dos profissionais que já realizam a análise de risco da empresa, classificando as operações mais arriscadas, além de informar quais variáveis podem explicar o porquê do risco ser maior ou menor; - **Automatizar a análise de risco**, integrando-se completamente a outros sistemas e processos da empresa. ## Como implementar machine learning em análise de risco? Então, vamos criar um modelo de _machine learning_ para análise de risco! Podemos trabalhar com uma base de dados do [Kaggle](https://www.kaggle.com/subhamjain/loan-prediction-based-on-customer-behavior), uma plataforma de aprendizado de _machine learning_, que contém **informações de empréstimos de uma empresa indiana.** ### 1\) Conhecendo a base de dados Estão disponíveis nessa base: - 252 mil amostras para treinamento **com respostas**; - 28 mil amostras para teste **sem respostas**; - **13 variáveis de entrada** como são apresentadas na tabela abaixo. ![análise de risco](https://images.bix-tech.com/analise_de_risco_2_1024x485_01c3a2a002.png) Ao carregar os dados, vamos cumprir as seguintes etapas: 1. Entender a **proporção** entre as operações com e sem risco; 2. Realizar uma **checagem de realidade** (do inglês _sanity check_) nos dados; 3. Realizar uma **limpeza básica** de dados; **Nota:** a partir deste ponto, serão omitidas etapas intermediárias no processo de tratamento dos dados para focar apenas no essencial. O notebook completo em Python pode ser consultado [neste link](https://github.com/hernaneBraga/Medium_Texts/blob/main/21-09-Loan_Default_Prediction/src/loan_prediction.ipynb). #### Proporção entre operações de risco e sem risco O gráfico abaixo demonstra a proporção entre as operações de risco (em que o cliente não honrou com os pagamentos) e as operações sem risco, em que os clientes pagaram corretamente o valor devido. Proporções das operações. A relação entre os dois em nosso conjunto de dados com **252 mil amostras** é de: - 12.3% de operações de risco; - 87.7% de operações comuns. Logo, encontramos um problema! **Nossos dados estão desbalanceados.** #### Sanity check no dataset Vamos responder três perguntas: 1. **Há diferenças entre os dados de entrada da base de treinamento e os da base de testes?** Não. 2. **Quais os tipos de dados nos dados de treinamento?** São amostras para treinamento com respostas e sem respostas e variáveis de entrada, conforme descrito no site. 3. **Qual o percentual de valores nulos?** 0%, não há nenhum valor nulo em nenhuma das colunas. As três perguntas são avaliadas e respondidas em detalhes no [notebook](https://github.com/hernaneBraga/Medium_Texts/blob/main/21-09-Loan_Default_Prediction/src/loan_prediction.ipynb). #### Limpeza básica de dados Como verificamos na etapa anterior que não há desfalques, podemos focar em entender **quais colunas que possuem dados de texto podem ser substituídas por números.** Para isso, vamos dar uma olhada no histograma das seguintes variáveis, que possivelmente têm poucas categorias: - **Married/Single**; - **Car_Ownership**; - **House ownership**. Histograma: Posse de carro Histograma: Casado/Solteiro. Histograma: Posse de casa. Ao analisar os gráficos acima verificamos que apenas a variável “**House_Ownership**” tem mais de uma categoria. Portanto, para limpar esses dados, vamos realizar duas operações descritas no código abaixo: 1. Converter a coluna “**Married/Single**” em “**Is_Single**”, onde o valor 1 corresponde a “solteiro” e 0 a “casado”; 2. Converter a coluna “**Car_Ownership**” em “**Has_Car**”, onde o valor 1 corresponde a “sim” e 0 a “não”. 3. Remover as colunas “**Car_Ownership**” e “**Married/Single**”. Com a nossa função de limpeza definida, podemos **prosseguir para a exploração da base de dados.** ## 2\) Fazendo uma análise exploratória Nesta etapa, vamos realizar dois procedimentos: 1. Análise de **correlações entre as variáveis modelo e a variável alvo** (risco); 2. Análise de dados baseada em **hipóteses**. ### Correlações entre as variáveis A princípio, buscamos entender se existe uma **correlação numérica** entre as variáveis de entrada do modelo e a variável que desejemos prever. Podemos visualizar nossos dados no gráfico abaixo, que mostra o mapa de calor da correlação entre as variáveis: Correlação entre variáveis. É possível concluir, então, que: - Existem **correlações positivas** entre a variável “experiência profissional” e “anos no emprego atual”, o que faz sentido, visto que a senioridade de um profissional é desenvolvida através dos anos de experiência; - **Não existem outras correlações relevantes** desta análise. **Nota:** com as variáveis categóricas, foi feita uma transformação nos dados em que, para cada categoria, foi atribuído um número sequencial de 0 até o número de categorias. #### Hipóteses Logo, vamos dividir as variáveis de nosso conjunto de dados baseado no **segmento de demografia**, em que faremos nossas **análises baseada em hipóteses.** **Nota:** o ideal a ser realizado nesta etapa é a exploração de dados por todos os diferentes segmentos de forma [mutuamente exclusiva e coletivamente exaustiva](https://www.youtube.com/watch?v=hKBt0R3v7Ec&pp=ugMICgJwdBABGAE%3D), como, por exemplo, analisar os aspectos demográficos, profissionais e de patrimônio. Neste texto, deixamos outras análises de fora. Se você ficou interessado no problema, você pode fazer uma cópia do _Jupyter notebook_, criar suas hipóteses e compartilhar conosco nos comentários! #### Demografia Nessa etapa, estamos interessados em entender a relação entre as variáveis de renda (“**_Income_**”), idade (“**_Age_**”) e estado (“**_State_**”). Vamos propor duas hipóteses: ##### Pessoas jovens que têm baixa renda fazem parte de um perfil de risco? Para responder essa pergunta**,** vamos analisar três gráficos que mostram a relação de renda média por idade para cada um dos grupos. Nesse primeiro gráfico, que mostra todas as idades, de 21 a 79 anos, podemos ver que: - Algumas idades de grupos de risco possuem uma **renda maior que a média geral** e renda maior que a das pessoas **na** **mesma faixa etária**; - **Não existe um crescimento linear** entre idade e renda. Renda média por idade. No segundo gráfico, com foco nos **adultos abaixo de 36 anos** podemos ver que: - **42%** dos jovens do grupo de risco **recebem mais que os demais** na mesma faixa, considerando as idades de 21, 22, 27, 28, 31 e 32 anos. É importante notar que, desses, 5 recebem acima da média geral; - Os demais **58% recebem abaixo** que seus pares na mesma idade; - A **relação de receita e risco não é linear com a idade**, podendo ser melhor explicada por outros fatores como: cidade, profissão e patrimônio. Renda média por idade: abaixo de 36 anos. Em seguida, nossa análise propõe perguntar: ###### Existe algum estado com uma proporção muito maior de operações de risco do que outros? Para responder essa pergunta, vamos analisar dois gráficos que demonstram o risco por estado. No primeiro gráfico, podemos ver a proporção de clientes de risco dentro de cada estado, em que: - 5 cinco estados possuem uma **taxa de 15% de inadimplência** enquanto a média é de 12%; - Podemos ver que os estados de Manipur e Sikkim se destacam por possuírem o maior e o menor percentual respectivamente. Talvez esta diferença possa indicar um **padrão de clientes diferente** em cada região ou um **número reduzido de amostras**. Proporção de operações de risco por estado. No segundo gráfico, podemos ver a relação de renda média do estado por operações de risco. Nele, é perceptível a **diferença de inadimplência por estado baseado na renda**. Podemos, então, dividir os estados em três grupos: 1. Estados cujo **perfil inadimplente são pessoas com maior renda**: estado de Manipur até Jharkhand, incluindo Puducherry e Himachal_Pradesh; 2. Estados cujo **perfil inadimplente são pessoas com menor renda:** como Uttarakhand, Punjab, Chattisgarth, entre outros; 3. Estados cuja **diferença de renda entre os grupos não é perceptível**: como West_Bangal, Tripura, entre outros. Renda média por estado e risco. **Recapitulando as hipóteses de demografia:** 1. Pessoas **jovens** que têm **baixa renda** fazem parte de um perfil de risco? **Não.** Há, inclusive, jovens que possuem uma renda maior que a média geral dos clientes e não estão em perfil de risco. Talvez uma segmentação por estado ou aspectos profissionais consiga responder melhor esta pergunta. 2. Existe algum **estado com uma proporção muito maior** de operações de risco do que outros? **Sim**, existe uma diferença no risco de operação por estado. Além disso, é possível dividir os estados por clientes inadimplentes que possuem maior e menor renda que os clientes comuns. ## 3\) Criando um modelo de machine learning para análise de risco Nesta seção, vamos criar o modelo preditivo de nosso problema. Para isso, vamos passar pelas seguintes etapas: - Definição da **relação entre o modelo e suas predições**; - Definição das **métricas de avaliação** para o modelo; - **Desenvolvimento e avaliação** do modelo preditivo. ### Relação entre modelo de análise e predições de risco Para o nosso caso, em que estamos lidando com um problema de classificação, temos: A partir do quadro acima podemos **priorizar as métricas** de acordo com as **necessidades do negócio.** Por exemplo, em operações com **alto valor de crédito**, é preferível focar em não deixar que ocorra uma inadimplência ao custo de negar operações que não sejam arriscadas. Ou seja, o **falso negativo é o pior cenário**. Em contrapartida, para uma empresa que tem **foco em nano-crédito,** pode ser mais prejudicial deixar de dar crédito e reduzir seu volume de transações, ao invés de detectar o risco. Nesse caso, um **falso positivo é o pior cenário**. ### Métricas de avaliação para o modelo Para esse problema, utilizaremos duas **métricas para avaliar o desempenho** dos modelos de _machine learning_ criados: - **ROC AUC**: área sob a curva ROC (quanto maior, melhor) - **PR AUC**: área sob a curva de Precision-Recall (quanto maior, melhor) Não vamos entrar em detalhes sobre o funcionamento e cálculo de cada uma dessas métricas, porém podemos destacar os seguintes pontos que motivam a nossa escolha: - Ambas as métricas avaliam o resultado do modelo **independentemente de um ponto de corte para a predição**. Ou seja, eu não preciso informar de antemão que o limiar para classificar uma operação como arriscada seja caso a probabilidade seja maior que 0.5 ou 0.75 ou 0.87; - É possível **comparar diretamente o resultado de um modelo com o outro** e escolher o melhor baseado no critério de prioridade do negócio. Além das duas métricas, também vamos ver a **matriz de confusão** de cada modelo, em que teremos a relação entre Verdadeiro Positivo, Verdadeiro Negativo, Falso Positivo e Falso Negativo. ### Desenvolvimento e avaliação do modelo preditivo Para o desenvolvimento do modelo, os dados foram divididos em três conjuntos: - **Treinamento — 70% dos dados** serão usados para **treinar o modelo de machine learning** a partir de exemplos anteriores de operações comuns e de inadimplência; - **Teste — 20% dos dados** serão usados para **avaliar o modelo treinado**. Neste conjunto de dados, poderemos mudar as estratégias de modelagem, além de testar diferentes algoritmos para entender qual o melhor resultado possível; - **Validação — 10% dos dados** serão usados para a **avaliação final**. Ou seja, durante nenhum momento do desenvolvimento do modelo teremos contato com estes dados, simulando um cenário “real”. Para nos certificarmos de que **não existe desproporção com relação ao número de operações inadimplentes** em cada um dos conjuntos de dados, avaliamos o percentual de operações de risco em cada um deles. #### Análise percentual Na imagem abaixo, percebemos que **não há diferença significativa**, com todos em torno de 12%. Proporção de operações de risco por conjunto de dados. Logo, após alguns testes e diferentes modelagens abordadas, chegamos aos seguintes resultados com os **dados de teste,** comparando três diferentes algoritmos que podem ser vistos nos gráficos abaixo. 1. **Random Forest** com ROC AUC de 0.94 e PR AUC de 0.59; 2. **Decision Tree** (Árvore de decisão) com ROC AUC de 0.84 e PR AUC de 0.4; 3. **SVM** com ROC AUC de 0.5 e PR AUC de 0.12. **O melhor resultado é proveniente do Random Forest** e na imagem da direita é possível ver a relação entre as métricas de _precision_ e _recall_ para diferentes limiares de predição. Comparação entre diferentes modelos avaliados usando curva ROC (acima) e curva de Precision Recall (abaixo). Agora, vamos avaliar o resultado do modelo escolhido (Random Forest) nos **dados de validação** e utilizando um **limiar de predição de 0.85**, ou seja: - Caso o modelo preveja que uma operação é de risco com uma probabilidade de 85% , então ela é classificada como risco; - Neste limiar, o valor de _precision_ é de aproximadamente 0.58 e o valor de recall é de aproximadamente 0.6. Essa imagem produzida por [Andreas Holzinger](https://www.researchgate.net/profile/Andreas-Holzinger-4) exemplifica muito bem a diferença entre as duas métricas no momento de uma predição. Relação entre predições, _precision_ e _recall_. Abaixo, podemos ver uma matriz de confusão para o nosso problema, utilizando os **dados de validação**, ou seja, simulando um ambiente real: Podemos ver, então, que: - **Classificamos corretamente 1.930 operações de inadimplência** e erramos 1.209; - **Classificamos corretamente 20.730 operações de crédito** e erramos 1.331. Apenas estes resultados **não conseguem tangibilizar** os ganhos reais de nossa solução, portanto, façamos um pequeno exercício com valores possíveis. ## 4\) Analisando os ganhos financeiros da solução de machine learning Na última seção, criamos o nosso modelo de predição e encontramos a matriz de confusão para os dados de validação. Agora, podemos **colocar os dados de predição em um contexto de negócio** que poderia ser real. Vamos imaginar, então, que a instituição financeira tenha contabilizado: - **Valor médio por operação de crédito:** valor que em média um cliente pede de crédito; - **Lucro médio por operação:** valor que a instituição recebe da operação de crédito acrescido de juros; - **Perda por inadimplência médio:** valor que a instituição perde contabilizando o montante emprestado acrescido de outras despesas, como a tentativa de recuperação de crédito. Neste exemplo, vamos trabalhar com os valores fictícios da tabela abaixo: Agora, podemos colocar os nossos dados de validação em perspectiva e ver que: - A instituição teve **R$ 53.3M** em perdas. - O lucro total no período analisado foi de **R$ 387.8M**, com 25.2k operações de crédito. Agora, vamos experimentar utilizar o nosso **modelo de predição de risco de crédito.** Para quantificar o resultado da nossa solução, vamos colocar em perspectiva os valores médios por operação em relação às predições realizadas e, em seguida, vamos calcular os ganhos e perdas totais. Podemos dividir os resultados do modelo em: ### Ganhos - Situações em que **não perdemos dinheiro** ao dar crédito para as operações que seriam inadimplentes (Operação de risco e modelo previu risco); - Situações em que **aprovamos crédito corretamente** e a instituição lucrará com a operação (Operação sem risco e modelo previu sem risco); ### Perdas - Situações em que **aprovamos crédito incorretamente e a operação foi inadimplente** (Operação era de risco e modelo previu como sem risco); - Situações em que **não aprovamos crédito para clientes que honrariam a dívida** e consequentemente a instituição deixou de lucrar com o valor da operação com lucro (Operação era sem risco e modelo previu com risco). Ao transcrever os resultados da matriz acima para um formato de tabela podemos ver que, ao final, a instituição teria um **resultado de R$ 400.2M**, sendo: - **R$ 32.8M com economias via redução de perdas** por inadimplência; - **Receita de R$ 416.6M** proveniente de lucros com a operação; - **Perdas de R$ 47.1M** devido a erros do modelo. Ao compararmos os dois cenários (com e sem modelo) vemos que a implementação de um modelo de _machine learning_ para avaliar o risco de operações de crédito traz uma **economia de R$ 12.3 milhões**: ## E aí, vai ficar de fora? Entendeu como funciona? Nós conseguimos confirmar, com essa simulação, que **análises de riscos com _machine learning_ podem trazer ganhos significativos** para diversos tipos de negócio. Isso abre muitas portas! [A ciência de dados pode ser aplicada a todos os setores da sua empresa](https://bixtecnologia.com.br/projetos-de-data-science-nas-empresas/), de maneira a automatizar os processos de análise. Assim, a sua organização pode se tornar cada vez mais orientada por dados, ou _data driven_. Se você já tem um procedimento de captação e tratamento de dados bem estruturado, pode ser a hora de turbinar sua rotina com tecnologia! **Aproveite todo o potencial dos seus dados.** [Agende uma demonstração conosco](https://www.bixtecnologia.com.br/contato/). ## Artigos relacionados ![Câmera de segurança integrada com inteligência artificial analisando a qualidade de produtos em uma esteira industrial.](https://bixtecnologia.com.br/img/Camera_industrial_escaneando_linhas_de_montagem_automaticas_651357eefc-960.webp) Ciência de Dados ### [Além dos textos: o avanço e o impacto da visão computacional nos negócios](https://bixtecnologia.com.br/visao-computacional-negocios/) 16 de março de 2026 6 min de leitura Cultura Data-Driven Ciência de Dados ### [Databricks Lakehouse: Principais Funcionalidades e Casos de Uso no Mundo Real (Além de Quando é a Escolha Certa)](https://bixtecnologia.com.br/databricks-lakehouse/) 12 de fevereiro de 2026 8 min de leitura ![Diagrama técnico mostrando diferentes agentes de dados conectados por um barramento de eventos central.](https://bixtecnologia.com.br/img/Como_construir_Agentes_de_Dados_que_se_comunicam_entre_si_arquitetura_e_padroes_4617102515-960.webp) Análise de Dados Ciência de Dados ### [Como construir Agentes de Dados que se comunicam entre si: arquitetura e padrões](https://bixtecnologia.com.br/agentes-de-dados-colaborativos/) 27 de janeiro de 2026 5 min de leitura Sem categoria Ciência de Dados ### [Extensões e Conectores Customizados: Unificando Qlik, Power BI e SAP em um Único Ecossistema Analítico](https://bixtecnologia.com.br/qlik-power-bi-sap-ecossistema-analitico/) 19 de janeiro de 2026 13 min de leitura Engenharia de Dados Ciência de Dados ### [Infraestrutura multi-cloud com Terraform e automação de CI/CD (Sem dores de cabeça)](https://bixtecnologia.com.br/infraestrutura-multi-cloud-terraform-cicd/) 16 de janeiro de 2026 9 min de leitura Dicas Sem categoria ### [Supervisão de Agentes LangGraph: Como Controlar, Registrar e Monitorar Agentes de IA em Tempo Real](https://bixtecnologia.com.br/supervisao-de-agentes-langgraph-como-controlar-registrar-e-monitorar-agentes-de-ia-em-tempo-real/) 13 de janeiro de 2026 11 min de leitura --- BIX Tecnologia · Contato: https://bixtecnologia.com.br/contato/ Índice do site para agentes: https://bixtecnologia.com.br/llms.txt