A decisão de aprovação ou não de uma proposta de crédito resulta basicamente em duas opções: ou o crédito é aprovado, ou o crédito é reprovado. Para a aprovação deste crédito as empresas utilizam usualmente o modelo de regressão logística com a estimação dos parâmetros baseada no Estimador de Máxima Verossimilhança, uma técnica considerada da Inferência Clássica, o que limita a usabilidade deste estimador. Uma das abordagens desafiantes muito discutida em pesquisas acadêmicas é a Inferência Bayesiana, em que os parâmetros dos modelos são interpretados como variáveis aleatórias com distribuições definidas a priori. Sendo assim, a proposta desta pesquisa foi a utilização de técnicas provenientes da Inferência Bayesiana para avaliar possíveis ganhos que essa abordagem poderia trazer frente à metodologia Clássica. As análises foram desenvolvidas a partir de uma base de dados com cerca de cem mil registros contendo informações da performance de crédito de uma instituição financeira e variáveis preditoras com informações de débitos,consultas, informações geográficas e cadastrais em todo o mercado de crédito. Em posse destas informações, foram testadas abordagens Bayesianas para a estimativa dos parâmetros do modelo, avaliando os resultados em termos de KS e AUC. Avaliouse também o ganho que as transformações Power Link na função e ligação logito poderiam trazer. Foram testados mais de 60 modelos Bayesianos diferentes, com resultados de KS e AUC bastante próximos aos resultados utilizando Inferência Clássica( melhor resultado de KS foi 26.8% e o melhor resultado de AUC foi de 33.0%). Sendo assim, ao final da pesquisa foi possível encontrar modelos Bayesianos com poder discriminante (KS e AUC) próximas ao modelo Clássico, porém com a grande vantagem de obter parâmetros agora com distribuições de probabilidade conhecidas.

The decision of a credit proposal results basically in two options: the credit is approved or the credit is rejected. For this credit approval, companies usually use the logistic regression model with the parameters estimation based on the Maximum Likelihood Estimator, a classical inference technique, that limits the usability of this estimator. One of the challenging approaches much discussed in academic research is Bayesian Inference, which the parameters of the models are interpreted as random variables with distributions previously defined. Therefore, the purpose of this research was use techniques from Bayesian Inference to evaluate possible gains that this approach could bring against the Classical methodology. The analyzes were developed from a database with about one hundred thousand records containing information on the credit performance of a financial institution and predictor variables with information on debts, queries, geographic and registration information throughout the credit market. With this information, Bayesian approaches were tested to estimate the model parameters, evaluating the results in terms of KS and AUC. It was also evaluated the gain that the transformations Power Link in the link function logito could bring. More than 60 different Bayesian models were tested, with KS and AUC results very close to the results using Classical Inference (best KS result was 26.8% and the best AUC result was 33.0%). Thus, at the end of the research it was possible to find Bayesian models with discriminating power (KS and AUC) close to the Classic model, but with the great advantage of obtaining parameters now with known probability distributions.