Empresas não quebram por falta de lucro — quebram por falta de visibilidade sobre o que vai acontecer. Em crédito, a falta de visibilidade sobre a capacidade de pagamento do tomador é a principal causa de inadimplência não precificada. A renda presumida da DataHub cobre 100 milhões de CPFs com estimativa de renda construída a partir de 600 fontes, transformando assimetria de informação em vantagem decisória para fintechs e credores.
O que é renda presumida e como é construída
Renda presumida é uma estimativa de capacidade de renda calculada a partir de sinais indiretos — vínculos empregatícios, movimentação financeira, patrimônio, localização e comportamento de consumo — quando a renda declarada não está disponível ou não é verificável de forma imediata. A DataHub constrói essa estimativa para mais de 100 milhões de CPFs a partir de sinais cruzados em mais de 600 fontes, com histórico trabalhista de 7 anos disponível para mais de 70 milhões de CPFs.
A diferença em relação ao Cadastro Positivo e ao Open Finance é de cobertura e completude: enquanto o Open Finance cobre quem tem conta bancária com dados compartilhados, a renda presumida da DataHub alcança CPFs que operam fora ou à margem do sistema financeiro formal — o público que as fintechs de crédito mais precisam avaliar e que os bureaus tradicionais têm mais dificuldade de classificar.
Por que 100 milhões de CPFs mudam o mercado endereçável
O Banco Central estima que 34 milhões de brasileiros são desbancarizados ou subbancarizados (PNAD Finanças, 2024). Parte significativa desse grupo tem renda, patrimônio e histórico de consumo — mas sem score de crédito estável o suficiente para aprovação automática em modelos convencionais. A renda presumida oferece a esses CPFs uma variável-proxy que viabiliza a concessão onde o modelo padrão recusaria por ausência de dado.
Para credores, o impacto é duplo: redução de recusa indevida (menos aprovações perdidas por falta de dado) e melhora da precificação de risco (taxas calibradas pela estimativa de renda, não pelo pior caso assumido por omissão). Em carteiras de crédito digital, a redução de recusa indevida de 15% a 30% por uso de dado alternativo é documentada em estudos do Banco Central (Notas Técnicas BCB, 2024).
Fintechs e a economia da previsibilidade
O modelo de negócio de uma fintech de crédito depende de três variáveis: custo de captação, taxa de concessão e inadimplência. A única dessas variáveis diretamente controlável pela operação é a inadimplência — e ela é função direta da qualidade do dado usado na decisão. Fintechs que operam com dado de renda mais completo precificam melhor, aprovam mais e perdem menos.
| Variável de decisão | Sem renda presumida | Com renda presumida (100M CPFs) |
|---|---|---|
| Cobertura de CPFs scoráveis | Depende de score bureau + Open Finance | Estende para CPFs sem histórico formal de crédito |
| Recusa indevida estimada | Alta em CPFs fora do sistema formal | Reduzida com proxy de capacidade de pagamento |
| Precificação de taxa | Taxa máxima por conservadorismo | Taxa calibrada ao risco real estimado |
| Atualização do dado | Ciclo lento (bureaus tradicionais) | +40 milhões de CPFs atualizados mensalmente pela DataHub |
A economia da previsibilidade não é apenas reduzir perdas: é aumentar volume sem aumentar risco na mesma proporção. Esse é o mecanismo que permite escalar carteiras sem escalar provisão.
Atualização mensal: o dado vivo na decisão
A DataHub atualiza mais de 40 milhões de CPFs por mês no universo de 275 milhões. Para renda presumida, a atualização mensal significa que uma demissão recente ou um novo vínculo CLT aparecem no próximo ciclo decisório — antes que o atraso se transforme em inadimplência. Essa cadência é o que diferencia dado de renda como sinal preditivo de dado como registro histórico estático.
O histórico trabalhista de 7 anos, disponível para mais de 70 milhões de CPFs, complementa a renda presumida com perspectiva temporal: não apenas qual é a renda estimada hoje, mas qual foi a trajetória de estabilidade de emprego e renda nos últimos 84 meses. Para concessão de crédito com prazo mais longo, esse histórico é frequentemente mais preditivo de inadimplência do que a renda corrente isolada.
Limitações e boas práticas de uso
Renda presumida é estimativa, não dado declarado e auditado. Deve ser usada como variável de enriquecimento em modelos de crédito — não como dado único nem como substituto de verificação de renda em operações acima de determinado valor ou com exigência regulatória de comprovação documental. A base legal para tratamento é o legítimo interesse ou o cumprimento de obrigação contratual (art. 7º da LGPD), com finalidade definida e minimização de dados.
A DataHub recomenda que clientes documentem no RAT a finalidade de uso, o período de retenção e o processo de revisão de modelo, especialmente quando a renda presumida alimenta decisões automatizadas com efeito jurídico ou financeiro relevante sobre o titular — hipótese que aciona o art. 20 da LGPD (revisão de decisão automatizada).
Leia também no DataHub
Fontes
- Open Finance Brasil: relatório de adoção (BACEN, 2024) (2024)
- Notas Técnicas BCB: dado alternativo e inclusão financeira no crédito digital (2024)
- PNAD Contínua — Finanças: perfil de bancarização no Brasil (IBGE, 2024) (2024)
- LGPD — Lei Geral de Proteção de Dados Pessoais (Lei 13.709/2018, arts. 7º e 20) (2018)
- Cadastro Positivo no Brasil: impactos sobre o crédito (BACEN/FEBRABAN, 2023) (2023)
- Dado alternativo e scoring de crédito: revisão de literatura (FGV, 2023) (2023)