Personalizar sem discriminar: o novo desafio dos dados

Artigo escrito em coautoria com Tamires Aparecida.

Você já se perguntou por que certas ofertas ou limites de crédito parecem sob medida, enquanto outras nunca chegam até você? Essa é a face mais visível da personalização de consumo e crédito, hoje no centro das estratégias de crescimento de diversos mercados. Feita com critério, essa personalização reduz o desperdício, melhora a experiência do cliente e sustenta decisões mais rápidas. Aparentemente, só benefícios, não?

No entanto, sem controles adequados, a personalização pode gerar exclusões silenciosas: ofertas que não chegam a determinados grupos, preços que variam de forma abusiva e recusas automáticas de propostas ou limites de crédito desproporcionais. Esse fenômeno é conhecido como redlining digital: a reprodução, por algoritmos, de desigualdades que já existem no mundo real, com efeitos diretos na vida financeira das pessoas.

Essa discriminação digital, no entanto, não está restrita ao campo da ética. O uso de dados pessoais para discriminação ilícita ou abusiva pode ser considerado uma violação da LGPD, submetendo a empresa a pesadas sanções e outras consequências negativas.

A palavra de ordem, por isso, é equilíbrio.

Mas afinal, por que esse termo?

Historicamente, “redlining” descrevia a prática de traçar barreiras/linhas para negar serviços a certas áreas, e no ambiente digital, essas “linhas” são traçadas por dados e modelos de decisão.

Como os algoritmos são criados por pessoas e aprendem com históricos que refletem o contexto social, esses algoritmos tendem a não ser neutros. Ou seja, bases desbalanceadas, uso de variáveis fora de contexto (proxies) e ausência de testes em públicos diversos aumentam o risco de discriminação algorítmica.

Na prática, um mecanismo de precificação dinâmica, um score de risco, um motor de oferta pré-aprovada ou uma segmentação “lookalike” podem, mesmo sem intenção, acabar classificando consumidores em “caixinhas” que restringem acesso a crédito, produtos e serviços, se não houver cautela na sua implementação.

Mas o que a proteção de dados tem a ver com isso?

Bem… tudo.

Como bem sabemos, a LGPD fornece os trilhos para equilibrar eficiência e proteção. O princípio da não discriminação previsto na LGPD, por exemplo, veda tratamentos com fins discriminatórios ilícitos ou abusivos. A lei também garante ao titular (dono dos dados, ou seja, eu, você, seu consumidor) o direito de revisão de decisões baseadas unicamente em tratamento automatizado que afetem os seus interesses, com razoável transparência sobre critérios e procedimentos.

Em termos de negócio, trata-se de saber por que cada dado é coletado, onde é usado, por quanto tempo, como o cliente controla a personalização e como a empresa explica decisões relevantes quando questionada.

O motivo de tudo isso? É que uma das chaves para transformar conformidade em confiança é transparência sobre critérios e procedimentos que levaram a determinada decisão. Sempre que uma decisão automatizada negar acesso a serviços e produtos ou de outra forma limitar os direitos do titular de dados, o cliente deve conseguir entender, em linguagem simples, quais fatores pesaram mais e como solicitar revisão daquela decisão.

Explicações genéricas (“política interna”, “modelo estatístico”) geralmente não bastam: é preciso comunicar critérios relevantes, indicar caminhos de correção de dados desatualizados e estabelecer prazos objetivos de resposta. Essa transparência reduz fricção, qualifica o relacionamento e diminui contestações regulatórias e reputacionais.

Personalização responsável como alternativa

Já que chegamos até aqui, é importante destacar que, a personalização responsável não significa dizer “não” à inovação; significa escolher como inovar da forma certa.

Em personalização de crédito e ofertas, geralmente é suficiente coletar apenas aqueles dados que de fato conseguem indicar a capacidade financeira, a intenção de compra e a aderência entre o produto e aquele consumidor. Limitar a coleta de dados ajuda também a eliminar “ruído” na análise de dados, que pode ser tão prejudicial quanto a falta de dados.

Nessa linha, também é recomendável não reutilizar informações fora de contexto, como preferências pessoais não relacionadas ao produto, opiniões, dados históricos, entre outros. O tratamento de dados sensíveis, em especial, só deve ocorrer quando houver base legal clara. Vale lembrar: a base legal da “proteção ao crédito” não é aplicável a dados de saúde, opinião política, filiação sindical, entre outros dados sensíveis.

Em última instância, dados desnecessários ou excessivos não são apenas um risco de violação à LGPD, mas representam sim um gasto desnecessário e um risco aumentado (especialmente em caso de vazamento de dados).

Por onde começar?

Assim, faz sentido reduzir a dependência de sinais opacos de terceiros, revisar contratos com parceiros que alimentam seus modelos e documentar por que cada categoria de dado é necessária, por quanto tempo será retida e com quem será compartilhada. Essa disciplina jurídica e técnica melhora a qualidade dos modelos e sustenta a narrativa de proteção ao titular.

Organizações que abandonam a lógica do “quanto mais dado, melhor” e focam no estritamente necessário tendem a ganhar precisão e confiança do cliente. Aliados a isso, o uso de tecnologias que aprimoram a privacidade, como pseudonimização, anonimização de dados (quando cabível), políticas claras sobre o uso de dados e demais iniciativas, ajudam a conciliar performance estratégica, conformidade e reputação.

E o resultado da personalização responsável?

Medir e corrigir é tão importante quanto desenhar políticas. Esse processo contínuo fortalece a governança, consolida a posição da marca e viabiliza a escala da personalização com segurança.

É exatamente aqui onde a eficiência comercial e a responsabilidade se encontram.

Em um cenário de maior atenção pública – no qual consumidores percebem preços que mudam sem explicação e anúncios que os “perseguem”, e no qual a ANPD já dispõe de instrumentos sancionatórios relevantes – o verdadeiro diferencial competitivo vem da confiança em estratégias não discriminatórias.

Marcas que tratam privacidade e equidade como parte da experiência, e não apenas como obrigação legal, acabam por colher lealdade, eficiência e reputação.

No fim, inovar com dados não é sobre saber mais… é sobre usar melhor.

---

Texto originalmente publicado no portal Legislação & Mercados (Capital Aberto) (Link).