Educação nunca sai de moda. Pelo contrário, a busca pelo saber tem se apresentado como uma variável crescente. Essa realidade deve ser sempre celebrada e incentivada, mas é preciso atenção e disciplina no que tange à gestão de recursos e à aplicação de capital para investimento, pois, em paralelo à curva de crescimento das matrículas, temos identificado similar ascensão da inadimplência nas IES particulares.

Sabemos que a inadimplência no nosso setor é maior do que a verificada em outras áreas, e ela tem aumentado a cada ano. Trata-se de uma preocupação recorrente para todos nós que trabalhamos na educação superior, especialmente quando a instituição não investe em tecnologia e métodos comprovados para interromper ciclos negativos, como é o caso da inadimplência. Neste contexto, os algoritmos e a correta aplicação do aprendizado de máquina (machine learning) têm se apresentado como uma solução eficaz e de rápidos resultados.

Trata-se de um investimento profícuo, visto que uma maior taxa de inadimplência resulta no aumento de custo operacional que, por sua vez, termina sendo repassado aos alunos sob forma de aumento de mensalidade, fazendo com que alguns adimplentes tornem-se inadimplentes por não conseguirem arcar com o aumento. Percebem como, assim, cria-se um ciclo vicioso? Precisamos combater esse ciclo e voltar a festejar e incentivar o outro ciclo, positivo, da variável regular crescente do número de matrículas e de pessoas efetivamente sendo qualificadas na educação superior.

Contudo, gestores devem correr de soluções milagrosas e imediatistas que, tantas vezes, se apresentam sem quaisquer credenciais. Recentemente, chamou minha atenção a repercussão positiva que o livro Machine Learning e a inadimplência no ensino superior privado, de autoria de Giovanna Niskier Saadia, tem tido entre algumas IES que tenho tido contato. Mestre em Administração de Empresas pela PUC-Rio e com mais de 10 anos de experiência no setor financeiro privado, a autora elaborou uma extensa pesquisa e posterior aplicação a partir de modelos de credit scoring com machine learning com foco nas instituições de ensino.

Um dos principais modelos quantitativos de análise de risco de crédito, o credit scoring é bastante difundido em instituições financeiras, mas é pouquíssimo utilizado na educação privada. É um conjunto de modelos de decisão e técnicas estatísticas que ajudam os emprestadores de crédito a discriminar entre os bons e maus pagadores, a identificar o quanto de crédito conceder e a estabelecer qual estratégia operacional irá aumentar a rentabilidade.

De acordo com a autora, as poucas IES que realizam avaliação do risco de crédito limitam-se a consultas no Serviço de Proteção ao Crédito (SPC) e ao Serasa Experian, sem que, no entanto, haja uma real intenção de limitar o acesso aos serviços da empresa, ou diferenciar os alunos de acordo com seu potencial risco de se tornar inadimplente.

O uso de técnicas de análise de dados, em especial os algoritmos de machine learning, se apresenta como uma solução eficiente e inovadora na previsão do risco de inadimplência nas instituições educacionais, permitindo a identificação prévia daqueles alunos em maior risco de atraso nos pagamentos. Com isso, os gestores podem focar em soluções personalizadas para cada aluno, realizando ações preventivas que evitem tanto a inadimplência quanto uma evasão futura dos estudantes.

Neste momento de crescente profissionalização nas IES, é dever de mantenedores e gestores a aplicação de técnicas e métodos consagrados para melhorar o desempenho financeiro das suas instituições.