Em anúncio compartilhado com exclusividade com o PYMNTS, a Affirm, fintech de crédito no ponto de venda dos Estados Unidos (EUA), informou ter colocado em produção nos checkouts do país um modelo de análise de crédito construído sobre a arquitetura transformer, a mesma família de inteligência artificial que sustenta os grandes modelos de linguagem. Em vez de depender apenas das medidas resumidas que um score de crédito condensa, o sistema lê a ordem e o momento dos eventos no histórico de cada consumidor e, com isso, passou a aprovar pedidos que a régua anterior da empresa recusaria, incluindo compradores com histórico curto e sem pontuação FICO.
No modelo de compre agora, pague depois, cada compra parcelada exige uma decisão de crédito em tempo real. O desafio de quem opera esse tipo de crédito no varejo é justamente avaliar quem tem pouco lastro registrado nos bureaus. Um score comprime o histórico em um único número, o que funciona quando existe um longo registro para resumir. Para quem tem ficha rala, sobra pouca informação, e a saída mais segura sempre foi negar. A leitura defendida pela Affirm é que a nova arquitetura enxerga padrões dentro e entre as contas de um mesmo consumidor, e como eles mudam ao longo do tempo, sem precisar desenhar antes uma métrica para cada padrão.
A Affirm no 4º trimestre fiscal
| Indicador | Resultado |
|---|---|
| Transações no trimestre | 53 milhões (+41% na base anual) |
| Volume bruto de mercadoria (GMV) | US$ 14,1 bilhões (+36%) |
| Valor médio do pedido | queda de 4% |
| Consumidores ativos | 27,8 milhões (+21%) |
| Transações por consumidor ativo (12 meses) | 7,0 (+20%) |
Números do quarto trimestre fiscal da Affirm. Fonte: PYMNTS
Aprovar mais sem afrouxar o risco
O modelo foi treinado com 14 anos de dados de empréstimo em nível de transação. No primeiro uso, a empresa direcionou a nova régua para liberar pedidos elegíveis que o sistema em vigor teria barrado. Segundo a própria Affirm, essas aprovações adicionais renderam 3,4% mais compras concluídas quando comparadas a um grupo de controle, com nível de risco tido como equivalente, e os empréstimos tiveram desempenho melhor do que uma expansão semelhante feita com os modelos anteriores. É um resultado autodeclarado de teste, ainda restrito ao recorte que a companhia mediu.
“Enxergar um histórico de crédito com mais clareza significa que podemos, de forma responsável, dizer sim a mais pessoas”, afirmou Libor Michalek, presidente da Affirm, no comunicado (em tradução livre). A empresa faz questão de dizer que a meta não é aprovar tudo, e sim acertar a decisão de cada compra, sem taxas de atraso ou tarifas ocultas. Para manter o transformer rápido o suficiente para rodar no caixa, a fintech desenvolveu um algoritmo próprio que preserva o mesmo nível de explicabilidade dos seus modelos tradicionais de aprendizado de máquina.
