Por décadas, o scorecard foi sinônimo de credit scoring. Simples, interpretável, estável. Mas nos últimos anos, modelos de machine learning — gradient boosting, random forests, redes neurais — começaram a mostrar ganhos significativos em capacidade preditiva. A pergunta inevitável: vale a pena migrar?
A resposta não é binária. Neste artigo, vamos comparar as duas abordagens em profundidade: capacidade preditiva, interpretabilidade, requisitos operacionais, aceitação regulatória e custos de implementação.
Scorecard: a abordagem clássica
Um scorecard de crédito é um modelo baseado em regressão logística que transforma características do solicitante em pontos. A soma dos pontos produz um score — quanto maior, menor o risco.
Processo de construção:
- Seleção de variáveis — escolher as features mais preditivas (Information Value > 0.02)
- Binning — discretizar variáveis contínuas em faixas (WoE — Weight of Evidence)
- Regressão logística — estimar coeficientes para cada faixa
- Escalonamento — converter coeficientes em pontos inteiros (formato points-to-double-the-odds)
- Validação — testar em holdout, calcular Gini, KS, PSI
Vantagens:
- Interpretabilidade total — cada ponto tem significado claro
- Estabilidade — performance degrada lentamente (meses/anos)
- Aceitação regulatória — auditores e reguladores conhecem e confiam
- Baixa manutenção — não requer retreino frequente
- Simplicidade operacional — pode ser implementado até em planilha
Limitações:
- Capacidade preditiva limitada — regressão logística assume relações lineares
- Número limitado de variáveis — tipicamente 8-15 features
- Não captura interações — "renda alta + score baixo" não é tratado diferente de cada fator isolado
- Lento para desenvolver — 2-4 meses para construir e validar
Machine Learning: a abordagem moderna
Modelos de ML para credit scoring usam algoritmos mais complexos — XGBoost, LightGBM, CatBoost — que capturam relações não-lineares e interações entre variáveis automaticamente.
Vantagens:
- Capacidade preditiva superior — tipicamente +5-15 pontos de Gini vs scorecard
- Mais variáveis — pode usar 50-200+ features efetivamente
- Captura interações — "renda alta + score baixo" é tratado como combinação
- Desenvolvimento mais rápido — ferramentas AutoML reduzem tempo de iteração
- Dados alternativos — pode incorporar dados transacionais, Open Finance, comportamentais
Limitações:
- Menor interpretabilidade — requer SHAP/LIME para explicar decisões
- Instabilidade potencial — pode sofrer concept drift mais rapidamente
- Requer pipeline de MLOps — retreino, monitoramento, deployment contínuo
- Risco de overfitting — modelos complexos podem memorizar ruído
- Desconfiança regulatória — alguns auditores ainda resistem a "caixa preta"
Comparativo quantitativo
Gini: Scorecard → 0.40–0.55 | ML → 0.50–0.70
Features: Scorecard → 8–15 | ML → 50–200+
Tempo de desenvolvimento: Scorecard → 2–4 meses | ML → 2–6 semanas
Retreino: Scorecard → Anual | ML → Trimestral/Mensal
Explicabilidade: Scorecard → Nativa | ML → Post-hoc (SHAP)
Aceitação regulatória: Scorecard → Alta | ML → Crescente (com documentação adequada)
Quando cada um faz sentido
Fique com Scorecard quando:
- A operação é regulada e auditores exigem interpretabilidade total
- O volume de dados históricos é < 10.000 contratos com outcome
- A equipe não tem expertise em ML/MLOps
- A estabilidade é mais importante que o ganho marginal de Gini
Migre para ML quando:
- Há dados históricos abundantes (> 50.000 contratos com outcome)
- Dados alternativos estão disponíveis (Open Finance, transacionais)
- A operação tem infraestrutura de MLOps
- O ganho de Gini se traduz em impacto econômico relevante
- A equipe pode documentar explicabilidade (SHAP) para reguladores
Abordagem híbrida: Scorecard + ML
A abordagem mais robusta usa ambos:
- Scorecard como baseline — estável, interpretável, aceito por reguladores
- ML como challenger — roda em paralelo via Champion/Challenger
- Medir ganho incremental — se ML melhora Gini em +10pp com default menor, promover
- Manter scorecard como fallback — se ML degradar, reverter instantaneamente
No Decision Stack™
O Decision Stack™ é agnóstico ao tipo de modelo. Scorecards e modelos ML são tratados como componentes intercambiáveis no pipeline de decisão — ambos com versionamento, backtesting e observabilidade nativos.
Como a Sinky suporta ambos
O Sinky Studio aceita tanto scorecards (upload de tabela de pontos) quanto modelos ML (via API ou upload de artefato). Ambos são integrados ao pipeline de decisão, compartilham o mesmo sistema de versionamento e governança, e podem ser testados via Champion/Challenger antes de ir para produção.
Perguntas frequentes
O que é um scorecard de crédito?
Um modelo baseado em regressão logística que atribui pontos a características do solicitante para calcular um score de risco. Simples, interpretável e aceito por reguladores.
ML é melhor que scorecard?
Em Gini, tipicamente +5-15 pontos. Mas 'melhor' depende do contexto: scorecards são mais simples de validar e manter. A melhor escolha depende da maturidade da operação.
Posso usar ambos juntos?
Sim. Scorecard como baseline estável, ML como challenger. Champion/Challenger mede o ganho real em produção.
