Uso de Machine Learning para a Gestão de Risco de Inadimplência no Microcrédito Prospera/FUNGER/DF
Risco de Crédito. Microcrédito. Machine Learning. Inadimplência. Políticas Públicas. Cidadania Financeira.
O trabalho tem como objetivo analisar o potencial de aplicação de algoritmos de machine learning na gestão de risco de inadimplência no âmbito do Programa de Microcrédito Produtivo Orientado Prospera/FUNGER/DF, buscando contribuir para o aprimoramento da eficiência operacional da política pública sem comprometer seu caráter social e inclusivo. A pesquisa adota uma abordagem quantitativa, de natureza aplicada e caráter exploratório-descritivo, combinada com análise empírica de dados administrativos, visando identificar padrões e relações entre variáveis socioeconômicas e o comportamento de pagamento dos tomadores de crédito. Os dados são extraídos da base operacional do Programa Prospera/FUNGER/DF, contemplando informações sobre concessão de crédito, perfil dos beneficiários e histórico de adimplência e inadimplência, permitindo a construção de um conjunto de dados estruturado para treinamento e validação de modelos preditivos. Os métodos e procedimentos fundamentam-se na aplicação e comparação de algoritmos de machine learning, tais como regressão logística, random forest e outros modelos de classificação, aliados a técnicas de avaliação de desempenho, como acurácia, sensibilidade e curva ROC, com o objetivo de estimar a probabilidade de inadimplência. Adicionalmente, os resultados são analisados à luz do conceito de cidadania financeira e da literatura sobre microfinanças, de modo a discutir os limites e as possibilidades da incorporação de ferramentas analíticas avançadas na gestão de políticas públicas voltadas à inclusão produtiva.