Toda operação de crédito depende de uma política. Mas quando essa política existe apenas na cabeça dos analistas, em planilhas desatualizadas ou em documentos de Word que ninguém lê, o risco não está apenas no cliente — está na própria organização. Este guia mostra como criar uma política de crédito estruturada, moderna e pronta para ser executada por um motor de decisão, traduzindo o apetite de risco da instituição em processos automatizados, rentáveis e rigorosamente alinhados ao compliance regulatório.
O que é política de crédito: Definição, Escopo e Mandato Regulatório
Uma política de crédito é o arcabouço normativo, estatístico e procedimental que rege como uma instituição — seja um grande banco de varejo, uma fintech emergente ou um FIDC — avalia, concede, precifica e gerencia o risco de crédito ao longo do ciclo de vida do cliente. Muito mais do que um manual de regras estáticas, ela é a materialização do trade-off fundamental do sistema financeiro: a maximização do retorno sobre o capital alocado contra a minimização da Expected Loss (Perda Esperada). A política deve equilibrar a agressividade comercial necessária para ganhar market share com a prudência exigida para preservar a solvência da operação.
No complexo ambiente regulatório brasileiro, a formalização de uma política de crédito não é apenas uma prática recomendável de governança corporativa; é um imperativo legal. O escopo de uma política contemporânea não se limita ao momento da originação (o "sim" ou "não" inicial). Ela abrange o gerenciamento de limites ao longo do tempo (account management), as estratégias de cross-sell baseadas em risco, os parâmetros de renegociação e os triggers de early-warning para cobrança. É um sistema nervoso que perpassa toda a jornada de credit decisioning da organização.
Historicamente, muitas instituições operavam com diretrizes vagas que permitiam alto grau de discricionariedade por parte de gerentes de conta e analistas seniores. No entanto, com a sofisticação dos modelos de fraude, a digitalização massiva dos canais de aquisição e a velocidade exigida pelo consumidor, o julgamento humano isolado tornou-se um gargalo custoso e perigoso. A transição para políticas baseadas em dados e executáveis por motores de decisão é irreversível. Instituições que realizam essa transição colhem benefícios expressivos; a automação do fluxo de decisão com regras bem parametrizadas pode reduzir os custos de originação e análise em até 50%[Fonte: McKinsey, 2023].
Os 6 Componentes de uma Política Moderna
Uma política de crédito de alta performance é invariavelmente modular. Essa arquitetura permite que times de Risco, Dados e Produto atualizem segmentos específicos sem desestabilizar a operação inteira. Os seis pilares fundamentais são:
1. Regras de Elegibilidade (Knock-out Rules)
As regras de elegibilidade representam a primeira camada de defesa da instituição. São critérios binários, inflexíveis e determinísticos que barram propostas indesejadas antes que consumam recursos computacionais avançados, chamadas caras a birôs de crédito ou tempo de analistas. Exemplos incluem: verificação de idade mínima, ausência de apontamentos restritivos no Serasa/SPC acima de determinado valor, situação regular do CNPJ/CPF na Receita Federal e exclusões sistêmicas (como pessoas bloqueadas por questões de PLD/KYC). A execução impecável dessas hard rules é vital para o funil de aprovação.
2. Modelos de Scoring (Scorecards)
Ultrapassada a elegibilidade, o proponente entra na fase de avaliação probabilística. Aqui operam os scorecards: modelos estatísticos que processam dezenas, centenas ou milhares de variáveis (histórico financeiro, dados alternativos, Open Finance) para calcular a Probabilidade de Inadimplência (PD). O scorecard condensa a complexidade em um único número que ranqueia o cliente. Um modelo preditivo de excelência exibe forte poder de separação entre bons e maus pagadores. Na indústria, avalia-se que um scorecard que alcance um Índice de Gini superior a 50% demonstra uma capacidade de discriminação estatística considerada de alto nível[Fonte: Credolab, 2022], oferecendo vantagens competitivas substanciais na precificação do risco.
3. Pontos de Corte (Cutoffs)
O cutoff é a linha de corte estabelecida sobre a distribuição do score. Ele divide os proponentes entre aqueles que possuem uma relação risco-retorno tolerável para a instituição e aqueles cuja inadimplência projetada superaria a margem do produto. O estabelecimento do ponto de corte deve ser dinâmico e intimamente ligado aos indicadores macroeconômicos. Em períodos de liquidez abundante, a política pode rebaixar o cutoff para aumentar volume; em tempos de contração monetária, o cutoff é elevado (tightening) para proteger o balanço contra safras tóxicas.
4. Limites e Alçadas de Exposição
Decidir aprovar é apenas metade do trabalho; definir o tamanho da exposição é onde o risco se materializa. A matriz de limites cruza o risco (Score) com a capacidade de pagamento (Renda, Faturamento, DTI - Debt-to-Income). Isso evita superendividamento. As alçadas, por sua vez, representam a governança sobre exceções: determinam sistemicamente quem tem autoridade para aprovar tickets superiores. Operações estruturadas costumam possuir regras estritas, determinando que valores até R$ 50 mil sejam aprovados por motor, até R$ 200 mil por gerente regional, e acima disso por comitê de crédito central.
5. Precificação Baseada em Risco (Risk-Based Pricing)
Clientes de perfis diferentes não devem pagar a mesma taxa de juros. A política de Risk-Based Pricing (RBP) calibra a taxa ofertada em proporção direta à perda esperada de cada cluster de risco. Bons clientes, com alta probabilidade de pagamento e que ancoram a estabilidade do portfólio, recebem as melhores taxas, desencorajando-os a buscar concorrentes. Clientes próximos ao cutoff pagam taxas mais elevadas (um prêmio de risco) que cobrem matematicamente a inadimplência projetada desse estrato. A sofisticação dessa prática, alimentada por modelos precisos, pode resultar em um aumento de receita entre 5% e 15%[Fonte: McKinsey, 2023].
6. Covenants e Exigência de Garantias
Especialmente crítico na concessão de crédito para Pessoa Jurídica (Corporate, Middle e PME), os covenants são cláusulas contratuais que obrigam o devedor a manter determinados indicadores financeiros de saúde (como níveis máximos de alavancagem ou liquidez corrente) sob pena de vencimento antecipado da dívida. A política determina em que faixa de risco ou para qual tipo de produto exigem-se colaterais — avalistas, garantias reais (imóveis, veículos), recebíveis ou fundos garantidores —, ferramentas essenciais para reduzir a Loss Given Default (LGD).
Risk Appetite Framework e a Formalização RAS (CMN 4.557)
Nenhuma política de crédito é elaborada no vácuo corporativo. Ela deve ser a tradução exata e operacionalizável do Apetite de Risco aprovado pelo Conselho de Administração. No ambiente regulatório brasileiro, o Banco Central consolidou essa exigência através da Resolução CMN nº 4.557, que obriga as instituições financeiras e demais entidades supervisionadas a implementar uma estrutura abrangente de gerenciamento de riscos e capital, cujo coração é a Declaração de Apetite por Riscos (RAS - Risk Appetite Statement)[Fonte: BACEN, 2017].
O RAS formaliza, de maneira quantitativa e qualitativa, os tipos e níveis de risco que a instituição está disposta a assumir em sua busca pela consecução dos objetivos estratégicos. Isso impede que áreas comerciais lancem produtos excessivamente arriscados em busca de bônus de curto prazo, colocando a viabilidade da empresa em xeque. A política de crédito é o instrumento de execução do RAS.
Se o RAS estipula que "a instituição não tolerará concentração de mais de 10% da sua carteira no setor agropecuário devido a riscos climáticos" e que "o nível máximo aceitável de Non-Performing Loans (NPL) acima de 90 dias não ultrapassará 8%", a política de crédito deve codificar regras restritivas e cutoffs conservadores para propostas rurais, limitando a aprovação global do segmento e calibrando o escore para rejeitar clientes cujos perfis elevem o NPL além do limite estipulado. As ferramentas de governança de decisão em uma plataforma moderna garantem que o motor obedeça cegamente a estes limites estruturais.
Passo a Passo: 8 Etapas para Construir uma Política de Crédito do Zero
A engenharia de uma política robusta requer método. Ela deve transitar da estratégia macro até a lógica executável de forma controlada e auditável. Abaixo, o ciclo de vida completo de desenvolvimento e implementação:
Passo 1: Alinhamento Estratégico (O "Por quê")
Tudo começa no nível do C-Level. Antes de compilar regras, a diretoria deve responder: Qual o papel do produto de crédito no ecossistema? É um produto core para gerar receita de juros, ou um produto auxiliar para fidelizar clientes no core business (ex: um marketplace financiando lojistas)? Quais são as metas de rentabilidade, o target de market share e o orçamento de perdas provisionadas?
Passo 2: Data Discovery e Definição de Variáveis
A política só é tão boa quanto os dados que a alimentam. Mapeie todas as fontes de dados internas (comportamento de compra, tempo de relacionamento, transacionalidade) e externas (bureaus de crédito, SCR do Banco Central, dados de Open Finance, biometria facial para antifraude). Avalie o custo transacional de cada hit na API externa versus o valor preditivo que o dado aporta.
Passo 3: Mapeamento de Elegibilidade e PLD/KYC
Estabeleça as hard rules. Traduza obrigações legais, de Prevenção à Lavagem de Dinheiro (PLD) e normativos do Bacen em filtros binários no início da esteira. Se um CNPJ tem CNAE impeditivo ou se um CPF consta em listas de sanções (OFAC, ONU), a política deve impor rejeição automática (knock-out).
Passo 4: Modelagem e Desenvolvimento de Scorecards
Empregando Data Science, crie modelos preditivos sobre bases históricas (se disponíveis) ou adote pontuações de bureaus com matrizes calibradas conservadoramente até acumular massa crítica de dados (cenário de cold start). O modelo deve prever a probabilidade de um cliente atrasar uma parcela em mais de 60 ou 90 dias dentro dos próximos 12 meses.
Passo 5: Estruturação das Matrizes e Tabelas de Decisão
Com as variáveis e o score em mãos, desenhe a lógica de intersecção. Crie tabelas de decisão que cruzem faixas de score com grupos de renda para determinar o limite máximo de exposição inicial (por exemplo: Score A + Renda > 10k = Limite de R$ 15.000). Esta lógica deve ser clara o suficiente para ser documentada visualmente e gerenciada por equipes de Risco.
Passo 6: Formalização e Configuração de Alçadas
Determine os parâmetros de exceção. Quais os cenários marginais que merecem avaliação manual? Institua a hierarquia de comitês e as regras de limites. Defina explicitamente como os operadores sistêmicos devem registrar justificativas ao conceder manual overrides, garantindo rastreabilidade perante auditorias.
Passo 7: Backtesting e Shadow Mode (A Prova de Fogo)
Uma política jamais vai ao ar sem testes rigorosos. Utilize o backtesting para simular a nova política contra o tráfego histórico: aplique as regras propostas aos clientes dos últimos 12 meses e verifique se a taxa de aprovação final e a receita compensam os potenciais maus pagadores inseridos. A seguir, coloque a política rodando silenciosamente na produção (shadow mode). Ela processará propostas reais, emitirá seus vereditos e calculará scores, mas a resposta ao cliente e a decisão de negócio continuarão sendo pautadas pela política legada. Isso valida a performance, a latência sistêmica e os volumes sem risco financeiro.
Passo 8: Deploy, Monitoramento Contínuo e Revisão
Após validar os KPIs no shadow mode, promova a política ao status ativo (Champion). A partir daí, o monitoramento dos KPIs de decisão de crédito deve ser ininterrupto. Monitore taxas de First Payment Default (FPD), o índice de estabilidade populacional (PSI - para garantir que os proponentes de hoje são semelhantes aos que treinaram o modelo) e as taxas globais de aprovação. O ciclo se reinicia invariavelmente ao longo do tempo.
O Impacto Regulatório: Provisionamento Segundo a Resolução 2.682
Uma dimensão crucial que deve balizar qualquer política de crédito no Brasil é o custo de carregamento do risco, materializado na Provisão para Devedores Duvidosos (PDD). A regulamentação principal que rege este provisionamento foi estabelecida pelo Conselho Monetário Nacional por meio da Resolução 2.682, que determina a classificação de todas as operações de crédito em nove faixas de risco (de AA a H), e impõe alíquotas obrigatórias de provisão que impactam o resultado (DRE) da instituição financeiramente, bem como seu capital de giro[Fonte: BACEN, 1999].
A política de crédito, desde o origination até as estratégias de account management, atua ativamente para impedir a rolagem (roll-rate) das dívidas para os níveis inferiores. A tabela de exigências mínimas evidencia o peso financeiro da má qualidade de crédito:
| Classificação de Risco (BACEN) | Dias de Atraso (Parâmetro Geral) | Percentual Mínimo de Provisão | Impacto na Política e Ações Direcionadas |
|---|---|---|---|
| Nível AA | Adimplência estrita | 0% | Base sólida e rentável; foco em retenção, aumento agressivo de limites e cross-sell para engajar. |
| Nível A | 1 a 14 dias | 0,5% | Perfil de atraso operacional ou esquecimento; uso de nudges amigáveis e avisos por SMS. |
| Nível B | 15 a 30 dias | 1% | Early-warning; política cessa novos financiamentos e inicia campanhas leves de cobrança. |
| Nível C | 31 a 60 dias | 3% | Fase crítica; limites congelados, possível redução de cartões, ações ativas de contact center. |
| Nível D | 61 a 90 dias | 10% | Degradação rápida de balanço; esforços intensos de renegociação antes de atingir os 90 dias. |
| Nível E | 91 a 120 dias | 30% | A operação consome capital severamente. Proposta de acordos com descontos, reestruturação profunda. |
| Nível F | 121 a 150 dias | 50% | Agências de cobrança externas e preparação para contencioso. |
| Nível G | 151 a 180 dias | 70% | Início de ações jurídicas diretas, busca e apreensão de veículos (caso aplicável). |
| Nível H | Acima de 180 dias | 100% | Perda total registrada (write-off). A carteira H consome 100% de provisão, aniquilando a rentabilidade do cohort. |
Ao incorporar inteligência de ponta nas aprovações originais e gatilhos de mitigação nas políticas de manutenção, as instituições podem reduzir drasticamente o percentual de clientes que fluem para os buckets mais graves. A implementação de políticas orientadas a dados tem demonstrado capacidade de gerar uma redução de perdas operacionais entre 20% e 30%[Fonte: McKinsey, 2023], provando que uma boa esteira de decisão se paga rapidamente.
Hierarquia Estrutural: Política vs. Estratégia vs. Táticas
Um erro de comunicação frequente em diretorias é confundir tática operacional com política estrutural. A escalabilidade do crédito depende de delimitar onde termina a jurisdição de um documento governamental de longo prazo e onde começa o ajuste diário operado por analistas de dados. Esta tabela esclarece a taxonomia adotada pelos maiores players financeiros:
| Nível Organizacional | Foco e Característica | Exemplo Materializado | Revisão Típica |
|---|---|---|---|
| Estratégia (C-Level) | Definição de Norte, alocação macro de capital, aderência ao RAS. Alta rigidez, mudanças raras. | "Focaremos em aumentar o market-share em Crédito Automotivo na região Sul, limitando o NPL a 4%." | Anual ou frente a choques econômicos. |
| Política (Comitê de Crédito) | Regras universais que executam a Estratégia. Estabelece "o que pode" e "o que não pode". Moderada rigidez. | "Não aceitaremos financiamentos de veículos com mais de 10 anos de uso. A parcela não pode exceder 30% da renda." | Semestral, Trimestral. |
| Tática (Data/Risk Teams) | Ajustes finos em thresholds, ponderadores, modelos preditivos e testes A/B regionais. Alta fluidez. | "Abaixaremos o cutoff em 20 pontos no scorecard para os modelos Hatch na safra de Black Friday e veremos a performance." | Contínua, Semanal a Mensal. |
A Complexidade da Segmentação: PF vs. PJ e a Influência do Produto
A homogeneização é inimiga da eficácia. Políticas eficientes isolam riscos mediante segmentação extremada. O equívoco de aplicar o mesmo rigor a um microempreendedor de bairro e a uma multinacional resulta invariavelmente em churn ou fraude.
A principal fronteira reside na dicotomia entre Pessoa Física (PF) e Pessoa Jurídica (PJ). A modelagem para PF depende fortemente de constância empregatícia, pontualidade no pagamento de utilities (água, luz, telefonia), histórico em bureau de crédito (Serasa Experian, SPC, Quod) e carga de endividamento sistêmico (SCR Bacen). Por outro lado, a política PJ introduz uma volumetria de dados muito mais abstrata e complexa: análise detalhada de demonstrações financeiras (balanço patrimonial e DRE), índices de liquidez (seca, corrente), capitalização, rotatividade de estoques e, vitalmente, a análise estrutural dos Beneficial Owners (sócios controladores e diretores). Você pode se aprofundar na estruturação dessa divergência em nosso material focado em decisão de crédito PJ vs PF.
A política também muda drasticamente dependendo do produto e das garantias vinculadas. Um crédito pessoal não consignado (clean) apresenta um risco sem mitigadores; em caso de default (P=1), a Loss Given Default aproxima-se frequentemente de 100%. Nesse cenário, as hard rules da política serão draconianas, com taxas punitivas para desvios padrão. Em contraste, um financiamento imobiliário lastreado por alienação fiduciária possui um LGD baixíssimo (o imóvel será retomado e leiloado). Logo, a política pode aceitar flexibilizações em score de crédito desde que o Loan-to-Value (LTV — o percentual do valor financiado sobre a avaliação da garantia) permaneça estrito, por exemplo, abaixo de 80%.
Backtesting e Monitoramento: Mantendo a Política Viva
As condições econômicas mudam velozmente; as inflações oscilam e a liquidez seca ou expande. Uma política implementada e nunca revisada sofre de "degradação preditiva" em poucos trimestres. A excelência em crédito exige o compromisso com iteração controlada.
A técnica mais prestigiada no mercado moderno é a execução de matrizes de champion-challenger. A ideia é elementar, porém de alto impacto técnico: mantêm-se 80% ou 90% do fluxo de aquisição e decisão sob as regras da política comprovada (Champion). Os 10% a 20% restantes são desviados, aleatoriamente ou por segmentação geográfica, para uma nova política testável (Challenger), que pode ter parâmetros mais agressivos de limite, alterações na tabela de pricing, ou um novo scorecard alternativo. As coortes são acompanhadas durante ciclos de maturação (ex: safras de 3, 6 e 9 meses). Quando a política Challenger atinge ROE superior com inadimplência dentro das bandas do RAS, ela ascende e converte-se na nova Champion global.
3 Erros Fatais (e Recorrentes) na Engenharia de Políticas
Operações perdem eficiência e dinheiro através de comportamentos sistêmicos falhos. Três vícios devem ser evitados a todo custo na modelagem e gestão diária da operação:
- A Tirania dos Cutoffs Imutáveis: Estabelecer que "só aprovamos com score acima de 650" em 2018 e manter a regra ativa em 2024 é letal. As distribuições populacionais mudam com as oscilações demográficas e econômicas. Os modelos envelhecem. O cutoff deve ser avaliado constantemente e reajustado com base em rentabilidade marginal projetada, e não fixado como um dogma corporativo cego.
- Medo Institucional da Experimentação Analítica: O temor por picos de inadimplência paralisa diretores de risco avessos a inovação. Esse receio impede que explorem grey areas lucrativas (populações thin-file, desbancarizados ou recém-saídos da negatividade). Sem aplicar testes A/B estruturados e limitados (orçamento controlado de risco para experimentação), a instituição estagna e asfixia seu próprio market share perante fintechs ágeis.
- Contágio via "Manual Overrides" (O Fator Humano Destrutivo): Muitas instituições permitem que a equipe comercial contorne recusas sistêmicas com "justificativas de relacionamento comercial". O excesso de exceções e alçadas manuais envenena as bases de dados e distorce radicalmente as predições. É sabido na indústria analítica que as safras subscritas através de manual override tendem a possuir NPL (Non-Performing Loans) que pode ser até 2x pior do que aquelas aprovadas dentro das balizas da régua do modelo automático. O uso de compliance automatizado deve atuar restringindo a capacidade de anulação e gravando indelevelmente em logs toda violação, o executor e a justificativa para posterior auditoria.
Como a Sinky Operacionaliza Políticas de Crédito na Prática
Traduzir a complexidade destas engenharias financeiras e lógicas estatísticas em sistemas funcionais é onde muitas operações esbarram na barreira da TI. Processos arrastam-se por meses, regras perdem time-to-market e a burocracia impera. A missão arquitetônica da plataforma Sinky é prover uma base operacional (Decision Engine) que centraliza as regras, empoderando times de negócio a lançarem, ajustarem e monitorarem lógicas complexas de forma independente, autônoma e segura.
A Sinky atua como o sistema nervoso central do crédito. Por meio de uma interface intuitiva, flexível e essencialmente no-code/low-code, analistas de risco podem implementar regras de elegibilidade booleanas (hard rules) em segundos, integrar-se a múltiplos provedores externos, orquestrar fluxos (API orchestration), importar tabelas de decisão dimensionais para matrizes limite/renda, hospedar scorecards e configurar cutoffs sem necessidade de aguardar longos ciclos de engenharia de software.
Adicionalmente, a infraestrutura da Sinky não só executa a decisão em milissegundos, mas entrega por design todo o acervo essencial para governança: ambientes para shadow mode invisível, fluxos nativos de champion/challenger, auditabilidade profunda de cada nó do modelo para reportes regulatórios (registrando "exatamente porque o cliente X obteve a decisão Y naquele dia e hora") e controle de versionamento automático. O resultado? Uma organização de crédito que abandona as amarras estruturais, garantindo velocidade, rastreabilidade plena, aderência cega ao apetite de risco corporativo, escalabilidade absurda de volume, conformidade com legislações de proteção e, em última instância, uma eficiência que impulsiona o ROE e mitiga drasticamente a corrosão por perda esperada.
Perguntas Frequentes sobre Políticas de Crédito (FAQ)
Qual a principal diferença entre uma Política de Crédito e um Scorecard Estatístico?
Esta é uma confusão basilar comum no mercado. A Política de Crédito é o estatuto abrangente, o sistema de regras macro governamental e de negócio, que determina "quem", "como", "quando" e "em que limites e condições" alguém é elegível ao crédito, envolvendo conformidade com compliance, apetite de risco da diretoria, PLD e limites de exposição. O Scorecard é um componente algorítmico, uma ferramenta estritamente estatística aninhada "dentro" dessa esteira, desenhada com a missão técnica única de avaliar uma população de proponentes pré-filtrados e cuspir uma métrica probabilística pura (Score/PD) de default.
Qual a taxa aceitável para concessões efetuadas por "Manual Override" (Alçadas Manuais)?
Bancos e grandes operadores de crédito consolidados estipulam que o volume das decisões sistêmicas negadas que sofrem override manual por gerentes, diretores de contas ou analistas seniores não deve ultrapassar a margem prudencial de 5% a, no máximo, 10% das origens de um portfólio maduro e robustamente calibrado. Um volume sustentado de exceções contornando as políticas na casa de 15% ou mais não é indicativo de boa flexibilidade comercial; pelo contrário, é o sintoma irrefutável de que o motor sistêmico, o produto ou o cutoff estabelecido estão defasados com a demanda mercadológica real da base de consumo da empresa, expondo o banco a risco idiossincrático, não precificado e possivelmente não auditado de acordo com seu próprio RAS.
Como podemos validar a segurança e estabilidade de uma política de crédito antes do lançamento oficial em produção?
As melhores práticas analíticas do setor determinam abordagens sobrepostas. Primeiro executa-se um Backtesting Histórico exaustivo, aplicando offline as novas lógicas regulamentares à base de propostas reais fechadas das safras de originação dos últimos 12 meses. O objetivo empírico é descobrir: "se essas regras tivessem regido o banco naquele ciclo passado, quantos clientes ruins barraríamos e quantos bons teríamos excluído?" Em paralelo e ato contínuo, a política nova deve rodar simultaneamente nos motores operacionais em formato de Shadow Mode, recebendo requisições instantâneas diárias e avaliando vereditos contra a política atual rodando em paralelo, mas mantendo decisões fantasmas, gerando logs e KPIs vitais (sem autorizar a exposição efetiva da instituição a risco não provado), permitindo o descarte e o ajuste fino de bugs antes de assumir posição financeira no mercado.
É legalmente obrigatório que Instituições de Pagamento ou Fintechs formalizem suas Políticas de Crédito com tanta densidade procedimental e técnica?
Absolutamente sim, e as réguas regulatórias apertam-se a cada ciclo na jurisdição nacional. O BACEN estipula via Resolução CMN n° 4.557 exigências compulsórias estritas relativas à necessidade de formalização escrita, monitoramento tempestivo e gestão da exposição continuada da instituição (RAS) que se estendem transversalmente pelo sistema financeiro a entidades elegíveis sob certas modalidades e porte, garantindo mitigação de risco sistêmico, solvência da operação local e transparência. Mesmo estruturas não regidas por essa especificidade no rigor máximo demandam matrizes provisórias consistentes, sob o escrutínio perene de auditorias independentes, auditorias de Due Diligence bancária para Fundings (cessão de receivables e constituição de securitizadoras e FIDCs) que cobram, inexoravelmente, visibilidade atestada da credit quality e da policy adherence do originador.
