Qualidade dos dados na análise de crédito PJ: controles

O ERP informa um faturamento, a consulta externa mostra outro e o cadastro comercial traz um terceiro número. O analista escolhe o valor que parece mais recente, mas ninguém registra se os três representam a mesma empresa, o mesmo período ou a mesma medida. A decisão sai, porém sua base fica difícil de explicar.

A qualidade dos dados na análise de crédito PJ começa justamente nessa comparação. Para distribuidores, indústrias e operações B2B de médio porte, integrar fontes exige definir quais informações estão aptas a alimentar cada regra e o que fazer quando elas divergem. Um campo preenchido pode estar incorreto; uma consulta realizada hoje pode trazer dados de meses atrás.

O roteiro a seguir propõe controles para o momento em que a informação já chegou à esteira. O objetivo é distinguir diferenças explicáveis de problemas que precisam de correção antes de influenciar limite, prazo ou encaminhamento.

1. Defina o significado de cada campo antes de comparar fontes

Dois valores só podem ser tratados como conflitantes depois de alinhar conceito, entidade e período. Receita anual consolidada de um grupo não é equivalente ao faturamento mensal de uma filial. Compras realizadas com sua distribuidora também não representam toda a receita do cliente.

Crie um dicionário para os campos que alteram decisões. Para cada um, registre definição, unidade, entidade abrangida, período de referência, fonte e transformações permitidas. Se houver conversão de valores anuais em médias mensais, identifique o resultado como cálculo derivado. Dividir por doze não produz o faturamento observado de um mês específico.

Preserve o valor recebido e o valor normalizado em registros distintos. Assim, uma correção no tratamento do dado pode ser investigada sem apagar a evidência original. A seleção das informações relevantes vem antes desse desenho, como explica o artigo sobre quais dados realmente importam na análise de crédito PJ.

2. Transforme qualidade em verificações observáveis

O Government Data Quality Framework, do governo britânico, organiza a qualidade em dimensões como completude, unicidade, consistência, atualidade, validade e exatidão. A referência ajuda a separar perguntas que costumam ser misturadas: ter todos os campos não demonstra que eles correspondem à realidade.

Para aplicar essa distinção à esteira, descreva o teste e a consequência operacional de cada falha. A tabela abaixo é uma proposta de aplicação ao crédito B2B, não uma regra de concessão prescrita pela fonte.

Uma regra de formato não comprova exatidão. Um número pode passar em todas as verificações estruturais e ainda exigir confirmação documental. Defina quais campos precisam dessa confirmação e em quais situações, considerando o uso e a materialidade da decisão.

3. Estabeleça precedência por informação, com evidência

Escolher sempre o maior valor favorece a concessão sem resolver a divergência. Escolher sempre o menor pode restringir clientes por um problema de cadastro. A alternativa é estabelecer uma regra de precedência para cada informação, com critérios de origem, escopo e data.

Para valores de compras realizadas com sua empresa, o sistema transacional responsável pode ser a referência. Para informações declaradas pelo cliente, defina a documentação que permite validá-las. Uma fonte não precisa ser a referência de todos os campos. Documente também quem pode revisar essa escolha e como a mudança entra em vigor.

Quando as evidências não permitem escolher, preserve a divergência como estado explícito. A solicitação pode ficar pendente de documento ou seguir para análise especializada. O motivo apresentado ao comercial deve indicar o que falta e quem deve agir, sem tratar uma inconsistência de informação como uma recusa definitiva de crédito.

Registre separadamente a data da consulta e a data de referência do conteúdo. Receber hoje uma resposta referente ao ano anterior não torna o dado atual para qualquer finalidade. A janela aceitável precisa ser definida por campo e aplicação, com revisão quando mudar o contexto da operação.

4. Teste a regra com um caso de divergência realista

Considere um exemplo hipotético. Uma revenda pede ampliação de limite e declara receita de R$ 12 milhões no último ano fechado. Uma fonte externa apresenta R$ 900 mil mensais, enquanto o ERP da distribuidora registra R$ 180 mil mensais de vendas para essa revenda.

Os R$ 180 mil representam compras naquele fornecedor e devem permanecer em um campo próprio. Já a declaração anual corresponde a uma média aritmética de R$ 1 milhão por mês. Antes de comparar essa média com os R$ 900 mil, a equipe precisa verificar se a fonte externa informa média do mesmo ano, receita de um mês ou uma estimativa com outra abrangência.

Suponha que a conferência confirme a mesma entidade, o mesmo conceito e o mesmo período. A diferença será de R$ 100 mil mensais, equivalente a 10% da média declarada de R$ 1 milhão. Se a política hipotética encaminhar diferenças superiores a 8% para validação, o caso ficará pendente. Esses percentuais ilustram a lógica e não constituem um parâmetro recomendado para outras carteiras.

O teste deve registrar o denominador usado no cálculo. Também precisa cobrir valor zero, campo ausente e fontes com períodos diferentes. Nesses casos, calcular uma diferença percentual automaticamente pode produzir um resultado sem significado. Corrigir os dados apenas habilita a avaliação: a decisão ainda depende das demais regras de crédito.

5. Atribua responsáveis e preserve a decisão original

Cada pendência precisa de um responsável pela resolução. Cadastro pode tratar a vinculação da empresa; integração pode corrigir uma transformação; crédito pode decidir qual evidência atende à política. Encaminhar tudo ao comitê cria uma fila que mistura manutenção de dados com julgamento de risco.

Defina o que encerra a pendência: documento conferido, correção na origem ou justificativa aceita por uma alçada autorizada. Depois disso, execute novamente as regras afetadas e vincule a nova avaliação à anterior. Evite substituir silenciosamente os dados de uma decisão já tomada.

A política de crédito auditável deve permitir reconstruir quais informações estavam disponíveis, qual versão da regra foi aplicada e quem autorizou uma intervenção. A extensão dos registros e seu acesso devem acompanhar as políticas internas de segurança e retenção.

Teste mudanças de validação antes de ativá-las. Uma tolerância mais rígida pode aumentar a fila mesmo sem alteração no perfil dos clientes. Compare o volume encaminhado e examine amostras dos casos afetados, conforme o processo de simulação de política de crédito B2B.

6. Meça a causa do retrabalho e comece pelos campos críticos

Acompanhe a proporção de solicitações com pendências de dados, os campos mais recorrentes, o tempo até correção e a origem do problema. Use denominadores explícitos: solicitações com ao menos uma pendência divididas pelo total de solicitações avaliadas, por exemplo. Uma solicitação com três falhas deve contar uma vez nesse indicador.

Em paralelo, conte as ocorrências por campo para localizar a causa. Separe falha de preenchimento, incompatibilidade de período, erro de transformação e divergência ainda sem solução. Essa visão permite corrigir a coleta ou a integração em vez de exigir que o analista repita o mesmo ajuste em cada pedido.

Comece por poucos campos que alteram decisões relevantes. Defina significado, fonte, critério de validação, responsável e evidência de resolução. A qualidade dos dados na análise de crédito PJ se torna governável quando a equipe consegue explicar por que uma informação foi usada e reproduzir esse tratamento em casos equivalentes.

Se sua operação precisa conectar essas verificações à política de crédito, vale conhecer a GYRA+. A combinação de integração de dados, motor de regras configurável e workflow permite discutir uma esteira com autonomia e rastreabilidade. Leve à demonstração uma divergência recorrente entre suas fontes e avalie os requisitos de integração, validação e encaminhamento para o seu processo.