Esse cliente é bom pagador? Como montar um score de crédito interno com os seus próprios dados

Open Mind IA · 3 de agosto de 2026 · 10 min de leitura

Toda empresa que vende a prazo faz, todo dia, uma aposta silenciosa: entrega o produto ou o serviço agora e confia que o dinheiro vai entrar depois. Na maior parte das vezes, essa aposta é feita no improviso — um gerente comercial que "conhece o cliente há anos", uma consulta rápida a um bureau de crédito, um limite herdado de uma planilha que ninguém sabe quem criou. Enquanto o mercado está aquecido, o improviso passa despercebido. Quando o caixa aperta, ele aparece de uma vez só, na forma de contas a receber que envelhecem e de vendas que viraram prejuízo.

O incômodo é conhecido: a diretoria descobre que um cliente estourou o limite depois que o pedido já foi faturado; o comercial reclama que a análise de crédito trava vendas boas; o financeiro reclama que o comercial libera qualquer coisa. Os dois lados têm razão parcial, porque estão discutindo sem uma base comum. Falta um critério objetivo — algo que diga, em números, quem merece mais prazo, quem merece menos e quem já deveria estar comprando à vista.

A boa notícia é que esse critério não precisa ser comprado. A informação mais valiosa sobre o comportamento de pagamento dos seus clientes já está dentro da sua empresa, espalhada entre o ERP, o contas a receber e o histórico de pedidos. Organizar esses dados em um score de crédito interno é um dos projetos de Business Intelligence com retorno mais direto que existe — e é sobre isso que este artigo trata.

O que é um score de crédito interno

Score de crédito é, na essência, uma nota que resume o risco de um cliente não pagar em dia. Os bureaus de crédito do mercado calculam essa nota olhando o comportamento da empresa com terceiros: protestos, dívidas registradas, restrições, histórico com outros fornecedores. É uma informação útil, especialmente para clientes novos, de quem você não sabe nada. Mas ela tem um limite grande: descreve como o cliente se comporta no mercado em geral, não como ele se comporta com você.

O score interno inverte a lógica. Em vez de perguntar ao mercado, ele pergunta ao seu próprio histórico: esse cliente costuma pagar no vencimento ou sempre atrasa alguns dias? Quando atrasa, atrasa quanto? Ele compra com regularidade ou some por meses? A relação vem crescendo ou encolhendo? Ele exige desconto e prazo longo em toda negociação, ou aceita as condições padrão? Cada uma dessas perguntas é respondida por dados que você já tem — títulos com data de vencimento e data de baixa, pedidos com data e valor, condições comerciais praticadas.

Nenhum dos dois substitui o outro. O score externo é bom para o desconhecido; o interno é imbatível para quem já é cliente. Empresas maduras usam os dois lado a lado, e é exatamente essa combinação que um painel de análise de crédito bem construído entrega numa tela só.

Os dados que você já tem e não está usando

Antes de falar em modelo, vale um inventário do que está disponível. O contas a receber guarda, para cada título, a data de emissão, a data de vencimento, a data de pagamento e o valor. Dessas quatro colunas nasce o indicador mais importante de todos: o atraso médio em dias, calculado como a diferença entre pagamento e vencimento. É um número simples que quase ninguém acompanha por cliente de forma sistemática, e que separa com clareza o pagador disciplinado do pagador problemático.

O módulo de pedidos ou notas fiscais guarda o histórico de compras: frequência, valor, sazonalidade, mix de produtos. Daí saem a recência (há quanto tempo o cliente não compra), a frequência (com que regularidade compra) e o valor acumulado — a lógica clássica de segmentação RFV, que no contexto de crédito serve para medir o quanto vale a pena preservar a relação. Um cliente que compra todo mês há cinco anos e atrasa três dias é um problema muito menor do que um cliente esporádico que atrasa trinta.

Há ainda a camada comercial: descontos concedidos, prazos negociados, devoluções, ocorrências de cobrança. Esses dados normalmente vivem fora dos relatórios financeiros, mas são sinais fortes. Um cliente que só compra quando há campanha e sempre pede prazo estendido tem um perfil de risco diferente daquele que aceita a tabela e paga antecipado por desconto.

Como transformar histórico em nota

A tentação, aqui, é partir direto para algoritmos sofisticados. Não é necessário — e, no começo, costuma atrapalhar. Um score interno útil pode ser montado com um modelo de pontuação ponderada, transparente o bastante para que o comercial e o financeiro entendam e confiem no resultado.

Escolha de três a cinco critérios

Comece pequeno. Atraso médio em dias nos últimos doze meses, percentual de títulos pagos com atraso acima de um limite que faça sentido para o seu negócio, tempo de relacionamento e volume comprado no período já formam um conjunto sólido. Cada critério recebe uma faixa de pontos: atraso médio até dois dias vale a pontuação máxima, entre três e dez vale uma pontuação intermediária, acima disso vale pouco ou nada. O mesmo raciocínio se aplica aos demais.

Defina pesos que reflitam a sua realidade

Nem todo critério pesa igual. Numa distribuidora com margem apertada, o comportamento de pagamento pesa mais do que o volume. Numa indústria com poucos clientes grandes, o tempo de relacionamento e a dependência mútua entram na conta. Os pesos são uma decisão de negócio, não técnica — e devem ser discutidos entre financeiro, comercial e direção antes de virar fórmula.

Traduza a nota em faixas de ação

Uma nota de 0 a 100 não serve para nada se ninguém sabe o que fazer com ela. O passo que transforma o score em ferramenta de gestão é agrupar os clientes em faixas com regras claras: faixa A pode ter limite ampliado e prazo estendido sem aprovação adicional; faixa B mantém as condições atuais; faixa C exige aprovação da diretoria; faixa D compra à vista ou com garantia. A partir daí, a discussão deixa de ser sobre opinião e passa a ser sobre critério.

Do relatório estático ao painel vivo

Um score calculado uma vez em uma planilha tem prazo de validade curto. O comportamento dos clientes muda: quem pagava em dia começa a atrasar, quem estava restrito se recupera. Se a nota não acompanha esse movimento, ela vira mais um documento desatualizado que ninguém consulta.

É por isso que o lugar natural do score interno é um painel conectado à base — em Power BI, por exemplo — que recalcula as notas a cada atualização de dados. O painel deve responder, em poucos cliques, a perguntas operacionais: quais clientes mudaram de faixa no último mês? Quem está com saldo devedor acima do limite aprovado neste momento? Qual o valor total exposto na faixa de maior risco? Quanto do meu contas a receber está concentrado em cinco clientes?

Essa última pergunta merece destaque. Risco de crédito não é só probabilidade de calote — é a combinação entre probabilidade e concentração. Uma carteira com trezentos clientes de nota média é bem mais segura do que uma carteira em que dois clientes de nota alta representam metade do faturamento. O painel precisa mostrar as duas dimensões juntas, e é aqui que a leitura em curva ABC se encontra com a leitura de risco.

Onde o score interno gera dinheiro (e não só evita perda)

A conversa sobre crédito costuma ser defensiva: reduzir inadimplência, evitar calote, apertar o cinto. É metade da história. Um score bem construído libera vendas tanto quanto trava.

Na prática, boa parte dos clientes de uma carteira tem histórico excelente e opera com limites definidos anos atrás, quando compravam muito menos. Esses clientes vivem esbarrando em bloqueios, gerando pedidos travados, ligações para a diretoria e atrito com o vendedor. Quando o score expõe objetivamente que eles nunca atrasaram um título, ampliar o limite deixa de ser um risco assumido no escuro e passa a ser uma decisão fundamentada. O resultado imediato é venda que deixa de ser perdida por burocracia.

Há também o ganho na negociação. Saber que um cliente paga rigorosamente em dia permite oferecer condições melhores a ele com segurança — e cobrar mais caro, em prazo ou em preço, de quem impõe custo financeiro à operação. Prazo é dinheiro: cada dia de atraso médio multiplicado pelo saldo da carteira é capital de giro que a sua empresa está financiando de graça. Tornar esse custo visível por cliente muda a forma como o time comercial negocia.

Os erros mais comuns na hora de implantar

O primeiro erro é fazer o score complexo demais. Um modelo com quinze variáveis e pesos calibrados estatisticamente pode ser mais preciso no papel, mas se o gerente comercial não entende por que um cliente caiu de faixa, ele simplesmente não confia — e volta a decidir por instinto. Transparência vale mais que precisão marginal nos primeiros ciclos.

O segundo erro é ignorar a qualidade dos dados de origem. Se o contas a receber tem baixas lançadas com data errada, se pagamentos parciais não são tratados de forma consistente, ou se o cadastro de clientes tem a mesma empresa duplicada em três códigos, o score sai distorcido. Antes de modelar, é preciso olhar a base com honestidade — o que, na prática, é um diagnóstico de dados, e costuma revelar problemas que já estavam contaminando outros relatórios da empresa.

O terceiro erro é entregar o painel e não mudar o processo. Score que não está amarrado a uma regra de aprovação é enfeite. A implantação só se completa quando a política de crédito escrita passa a referenciar as faixas do score, e quando a aprovação de pedidos fora da faixa vira um fluxo definido — idealmente automatizado, com o alerta chegando a quem decide no canal que a pessoa realmente usa, sem depender de alguém abrir o sistema para descobrir que há algo pendente.

Como começar em quatro passos

1. Levante o atraso médio por cliente nos últimos doze meses. Esse único indicador, extraído do contas a receber, já reorganiza a percepção da diretoria sobre a carteira. É comum descobrir que clientes considerados "ótimos" atrasam sistematicamente, e que clientes pequenos e discretos são os mais pontuais. Faça isso antes de qualquer discussão sobre modelo.

2. Valide a base de dados. Confira duplicidades de cadastro, títulos sem baixa, pagamentos parciais e datas inconsistentes. Corrija o que for corrigível na origem e documente o que não for. Um score construído sobre base suja perde credibilidade na primeira reunião em que alguém apontar um caso errado.

3. Monte a primeira versão do score com poucos critérios e discuta os pesos com quem decide. Financeiro, comercial e direção precisam concordar com a lógica antes de ela virar regra. Rode em paralelo com o processo atual por um ou dois meses e compare: onde o score teria decidido diferente, e quem estava certo?

4. Publique o painel e amarre-o à política de crédito. Defina as faixas, as alçadas de aprovação e a rotina de revisão. Estabeleça quem olha o painel, com que frequência e o que faz com a informação. Score sem dono e sem rotina morre em três meses, como qualquer outro relatório.

Conclusão

Vender a prazo sem critério é conceder crédito sem ser banco — com a diferença de que o banco cobra juros pelo risco e a sua empresa, não. O score de crédito interno não elimina o risco; ele o torna visível, comparável e negociável. E o mais importante: ele é construído com dados que a sua empresa já paga para armazenar todo mês e não está usando.

Na Open Mind IA, esse tipo de projeto costuma começar por um diagnóstico dos dados — entender o que existe no ERP, no contas a receber e no cadastro de clientes, e o que dá para extrair daí com confiança. A partir dessa base, construímos o painel de análise de crédito em Power BI, com as faixas de risco, a exposição da carteira e o acompanhamento de limites em tempo real, e conectamos os alertas ao fluxo de aprovação com automação de processos, para que a informação chegue a quem decide sem depender de ninguém lembrar de olhar. Nossos cases mostram como essa combinação de BI e automação tem funcionado em empresas de distribuição, indústria e agronegócio.

Se a sua empresa vende a prazo e ainda decide limite no olho, o primeiro passo é mais simples do que parece — e a resposta já está nos seus dados.