O diretor financeiro de uma empresa de SaaS B2B me ligou há dois meses com um problema que estava custando R$ 120.000 por mês: inadimplência.
A empresa tinha 480 clientes ativos. Todo mês, 35-45 clientes atrasavam pagamento. Desses, 12-15 acabavam cancelando sem pagar. O time de cobrança gastava 80% do tempo correndo atrás de clientes que já estavam inadimplentes — quando já era tarde demais para muitos casos.
O problema não era falta de esforço. Era timing: eles agiam quando o problema já havia acontecido, não quando estava prestes a acontecer.
Implementamos um modelo preditivo de inadimplência. Em 60 dias, a taxa de recuperação subiu de 58% para 81%, e o valor médio de inadimplência caiu 64%. O segredo não foi cobrar mais agressivamente — foi identificar risco antes do vencimento e agir preventivamente.
Este artigo mostra como construir análise preditiva de inadimplência que realmente funciona.
O problema da cobrança reativa
A maioria das empresas opera cobrança de forma reativa:
- Fatura vence
- Cliente não paga
- Sistema envia lembrete automático (D+3)
- Se ainda não pagou, cobrança telefônica (D+7)
- Se continua sem pagar, escalação (D+15)
- Se não resolve, corte/negativação (D+30)
O problema dessa abordagem: você age quando já há problema. Nesse ponto:
- Cliente pode já estar com restrição financeira grave (difícil receber)
- Relacionamento está desgastado (cliente evita contato)
- Chance de recuperação é muito menor
- Custo de cobrança é alto
A alternativa: Identificar clientes com alta probabilidade de atrasar ANTES do vencimento e agir preventivamente.
Como funciona análise preditiva de inadimplência
Um modelo preditivo analisa dezenas de variáveis para calcular a probabilidade de cada cliente atrasar pagamento. O output é um score de risco (0-100%) para cada fatura.
Variáveis que o modelo analisa
1. Histórico de pagamento:
- Cliente já atrasou antes? Quantas vezes?
- Atrasos foram pontuais ou recorrentes?
- Cliente pagou após cobrança ou apenas após corte/negativação?
2. Padrão de uso do produto/serviço:
- Cliente está usando menos que antes? (sinal de desengajamento)
- Cliente abriu tickets de suporte reclamando de problemas?
- Cliente cancelou features/módulos? (sinal de aperto financeiro)
3. Dados financeiros do cliente:
- Porte da empresa (pequenas empresas têm maior taxa de inadimplência)
- Setor (alguns setores têm mais instabilidade)
- Tempo de mercado (empresas novas são mais arriscadas)
4. Comportamento transacional:
- Cliente paga sempre no vencimento ou sempre adianta?
- Cliente negocia parcelamento/desconto com frequência?
- Cliente questionou fatura recentemente?
5. Sinais externos:
- Cliente está com nome negativado?
- Houve mudança de sócio/endereço recentemente? (sinal de instabilidade)
- Setor do cliente está em crise?
Como o modelo calcula o score
Exemplo simplificado:
Cliente A:
- Histórico: 2 atrasos nos últimos 12 meses (+30 pontos de risco)
- Uso: caiu 40% no último trimestre (+25 pontos)
- Porte: micro empresa (+15 pontos)
- Comportamento: negocia desconto em 80% das faturas (+20 pontos)
Score de risco: 90/100 (ALTO RISCO)Cliente B:
- Histórico: nunca atrasou (0 pontos)
- Uso: estável (+0 pontos)
- Porte: média empresa (+5 pontos)
- Comportamento: paga sempre 5 dias antes do vencimento (-10 pontos)
Score de risco: 5/100 (BAIXO RISCO)Ações baseadas no score
| Score | Categoria | Ação |
|---|---|---|
| 0-20% | Risco Baixo | Sem ação específica |
| 21-40% | Risco Moderado | Monitorar, lembrete amigável 3 dias antes do vencimento |
| 41-70% | Risco Alto | Contato proativo 7 dias antes, oferecer facilidades de pagamento |
| 71-100% | Risco Crítico | Reunião preventiva, negociação antecipada, considerar antecipação de cobrança |
Caso real: empresa de SaaS com 480 clientes
Situação antes do modelo preditivo
Métricas de inadimplência:
- Taxa de inadimplência: 8,5% (40-45 clientes/mês)
- Valor médio inadimplente: R$ 126.000/mês
- Taxa de recuperação: 58%
- Perda mensal por inadimplência: R$ 52.000
- Custo de cobrança: 3 pessoas full-time (R$ 36.000/mês)
Processo:
- Cobrança começava após vencimento
- 100% das ações eram reativas
- Time focava em “apagar incêndios”
Implementação do modelo preditivo
Fase 1: Treinamento do modelo (30 dias)
- Coletaram dados de 24 meses de histórico
- 1.200 faturas pagas vs. 180 faturas inadimplentes
- Modelo identificou 23 variáveis com poder preditivo significativo
Fase 2: Validação (30 dias)
- Modelo rodou em paralelo sem acionar ações
- Acurácia validada: 84% (identificou corretamente 84% dos casos de inadimplência)
- Falso positivo: 12% (clientes marcados como risco que pagaram normalmente)
Fase 3: Go-live com ações preventivas (60 dias)
Ações implementadas:
Para clientes de alto risco (score mais de 60%):
- Email personalizado 10 dias antes do vencimento: “Vimos que sua fatura vence dia X. Tudo certo por aí? Se houver qualquer dificuldade, podemos conversar sobre opções de pagamento.”
- Ligação do CS 7 dias antes do vencimento
- Oferta de parcelamento em 2x sem juros
Para clientes de risco crítico (score mais de 80%):
- Reunião agendada 15 dias antes do vencimento
- Análise de uso: cliente está satisfeito com produto?
- Negociação proativa: desconto para pagamento antecipado, parcelamento, renegociação de contrato
Resultados após 6 meses
Métricas de inadimplência:
- Taxa de inadimplência: 3,2% (15-18 clientes/mês) — redução de 62%
- Valor médio inadimplente: R$ 45.000/mês — redução de 64%
- Taxa de recuperação: 81% — aumento de 40%
- Perda mensal por inadimplência: R$ 8.500 — redução de 84%
- Custo de cobrança: 1 pessoa full-time + sistema (R$ 13.500/mês) — redução de 62%
Ganhos mensais:
- Redução de perda: R$ 43.500
- Redução de custo de cobrança: R$ 22.500
- Total: R$ 66.000/mês
Investimento:
- Desenvolvimento do modelo: R$ 55.000
- Sistema de ações automatizadas: R$ 28.000
- Custo operacional: R$ 1.500/mês
- Total inicial: R$ 83.000
Payback: 1,26 meses
Por que funcionou
A chave não foi só prever inadimplência — foi agir de forma diferente com base na previsão:
- Abordagem não-agressiva — contato foi proativo e colaborativo, não cobrança dura
- Ofertas de solução — facilitaram para cliente pagar (parcelamento, desconto para antecipação)
- Identificação de problemas de produto — em 30% dos casos de alto risco, descobriram que cliente estava insatisfeito com produto. Resolveram o problema, cliente pagou.
Indicadores de risco que mais importam
Com base em projetos que implementamos, estes são os indicadores com maior poder preditivo:
Top 5 indicadores de risco de inadimplência
1. Histórico de atrasos (peso: 35%)
- Cliente que atrasou 1x tem 3x mais chance de atrasar novamente
- Cliente que atrasou 3+ vezes tem 8x mais chance
2. Queda no uso/engajamento (peso: 25%)
- Cliente que reduziu uso em 40%+ tem 6x mais chance de atrasar
- Cliente que não faz login há 30+ dias tem 4x mais chance
3. Porte e setor da empresa (peso: 15%)
- Micro empresas têm 4x mais inadimplência que médias empresas
- Setores em crise (ex: varejo em 2020) têm 5x mais inadimplência
4. Comportamento negocial (peso: 15%)
- Cliente que sempre negocia desconto tem 3x mais chance de atrasar
- Cliente que questiona fatura frequentemente tem 2,5x mais chance
5. Dados externos de crédito (peso: 10%)
- Cliente com restrição no SPC/Serasa tem 12x mais chance de atrasar
- Cliente com processo de recuperação judicial tem 20x mais chance
Implementação prática: passo a passo
Passo 1: Colete e estruture dados históricos
Você precisa de pelo menos 12 meses de histórico com:
- Faturas emitidas (data, valor, vencimento, status)
- Clientes (ID, porte, setor, tempo de relacionamento)
- Histórico de pagamento (data efetiva de pagamento, atrasos)
- Dados de uso do produto/serviço (login, transações, features usadas)
- Interações de cobrança (quando foi acionado, resposta)
Formato ideal: Base de dados com 1 linha por fatura, colunas com todas as variáveis.
Passo 2: Treine o modelo preditivo
Com os dados históricos, treine modelo de machine learning:
Modelos recomendados:
- Random Forest (boa acurácia, interpreta features importantes)
- XGBoost (alta performance, lida bem com desbalanceamento)
- Regressão Logística (simples, fácil de explicar)
Métricas de avaliação:
- Precision: dos clientes marcados como risco, quantos realmente atrasaram?
- Recall: dos clientes que atrasaram, quantos foram identificados?
- F1-Score: balanceamento entre precision e recall
Aceite precision de 70%+ e recall de 75%+ como bom resultado inicial.
Passo 3: Defina ações por categoria de risco
Para cada faixa de score, defina:
- Quando acionar (quantos dias antes do vencimento?)
- Quem aciona (automático, CS, financeiro, comercial?)
- Que mensagem enviar (email template, script de ligação)
- Quais facilidades oferecer (parcelamento, desconto, renegociação)
Exemplo de playbook:
| Score | Dias antes | Ação | Responsável | Oferta |
|---|---|---|---|---|
| 70-100% | 15 dias | Reunião + email | CS + Comercial | Parcelamento 3x, desconto 5% pagamento antecipado |
| 40-69% | 10 dias | Ligação + email | CS | Parcelamento 2x |
| 20-39% | 5 dias | Email amigável | Automático | Lembrete sem oferta |
| 0-19% | 3 dias | Email padrão | Automático | Nenhuma |
Passo 4: Implemente sistema de ações automatizadas
Integre o modelo com seus sistemas:
- CRM/ERP → Dados de clientes e faturas
- Modelo preditivo → Calcula score
- Sistema de comunicação → Envia emails/SMS/WhatsApp
- Sistema de tarefas → Cria tasks para CS/Financeiro
Stack tecnológica recomendada:
- Python para modelo (scikit-learn ou XGBoost)
- API REST para servir predições
- Zapier ou n8n para orquestrar ações
- SendGrid/Twilio para comunicação
Passo 5: Monitore e ajuste continuamente
Após go-live, acompanhe semanalmente:
- Acurácia do modelo (está prevendo corretamente?)
- Taxa de resposta às ações preventivas
- Taxa de conversão (clientes de risco que pagaram após ação preventiva)
- Falsos positivos (clientes marcados como risco que pagaram normalmente)
Ajuste o modelo trimestralmente com novos dados. O comportamento de inadimplência muda com economia, sazonalidade, mudanças no seu produto.
Investimento e ROI esperado
| Porte da operação | Investimento inicial | Custo mensal | ROI esperado 12 meses |
|---|---|---|---|
| Pequeno (menos de 100 clientes) | R$ 30.000 - R$ 50.000 | R$ 800 - R$ 1.500 | 150% - 300% |
| Médio (100-500 clientes) | R$ 50.000 - R$ 90.000 | R$ 1.500 - R$ 3.000 | 250% - 500% |
| Grande (500+ clientes) | R$ 90.000 - R$ 150.000 | R$ 3.000 - R$ 5.000 | 400% - 800% |
Observação: ROI depende fortemente de:
- Taxa de inadimplência atual (quanto maior, maior o ganho potencial)
- Ticket médio (quanto maior, mais vale a pena investir)
- Margem de recuperação atual (se já recupera 90%, ganho marginal é pequeno)
Checklist: você precisa de análise preditiva de inadimplência?
- Você tem mais de 50 clientes com pagamento recorrente
- Taxa de inadimplência está acima de 3%
- Valor mensal de inadimplência está acima de R$ 20.000
- Seu time de cobrança age majoritariamente após vencimento (reativo)
- Você tem dados históricos de pelo menos 12 meses de pagamentos
- Você perde clientes por inadimplência (não apenas atraso, mas cancelamento sem pagar)
- Você gostaria de reduzir custo de cobrança mantendo ou melhorando taxa de recuperação
Se você respondeu sim a 4 ou mais itens, análise preditiva de inadimplência tem ROI claro no seu cenário.
Conclusão: cobrança preventiva vs. reativa
A diferença entre empresas com baixa inadimplência e empresas com alta inadimplência não é agressividade na cobrança — é antecipação.
Agir antes do problema acontecer:
- Mantém relacionamento saudável com cliente
- Aumenta taxa de recuperação (cliente ainda tem recursos para pagar)
- Reduz custo de cobrança (menos retrabalho, menos negativação, menos jurídico)
IA torna isso viável em escala. Impossível um humano analisar manualmente dezenas de variáveis para centenas de clientes toda semana. Impossível identificar padrões sutis que predizem inadimplência. Possível para um modelo treinado.
Se você quer mapear a oportunidade de análise preditiva de inadimplência no seu modelo de negócio, agende uma conversa. Em 30 minutos, conseguimos estimar o ROI potencial e identificar os indicadores mais críticos para o seu caso.
Cobrança reativa é apagar incêndio. Cobrança preditiva é instalar sprinklers antes do fogo começar. Ambos resolvem o problema — um é muito mais barato e eficaz.