Risk Score Judicial em 2026: Metodologia + Pesos + Exemplos

O score de crédito tradicional (Serasa, Boa Vista, Quod, SPC) mede uma dimensão: histórico de pagamentos. Mas a inadimplência futura é multifatorial — passivos trabalhistas ocultos, execuções fiscais em aberto, padrão de litigância elevado podem ser preditores tão fortes quanto atrasos pontuais. Esses sinais ficam fora do bureau e dentro dos tribunais.

Este post descreve uma metodologia prática pra calcular score de risco judicial a partir de dados processuais públicos. Foca em fintechs, bureaus e times de crédito que querem complementar o score tradicional sem reinventar a roda. Inclui pesos sugeridos, exemplos numéricos com CPF e CNPJ reais (de teste), e código de referência.

A premissa: você já tem acesso aos dados processuais via API (próprios scrapers ou via Vigilant). O que falta é a fórmula que transforma processos em um número de 0 a 1000.

Por que score de crédito tradicional é insuficiente

O score de bureau é calculado a partir de um conjunto fechado de inputs: dívidas inscritas, protestos, consultas, atrasos em concessores parceiros. Esses inputs vêm da base de pagamentos formais — o que fica fora de pagamentos formais não entra.

Três blind spots concretos:

1. Passivo trabalhista oculto. Uma reclamação trabalhista de R$ 200 mil contra uma empresa não aparece no bureau até virar dívida inscrita pós-trânsito em julgado — o que pode levar 5+ anos. A empresa fica com score 800 enquanto carrega o passivo.
2. Execução fiscal estadual ou municipal. Dívidas de ICMS, IPTU, ISS são executadas pelo TJ, não pela Receita Federal. Não entram no bureau federal. Em algumas operações de crédito, descobrir uma execução fiscal de R$ 500 mil seria deal-breaker — mas o bureau diz “não há restrições”.
3. Padrão de litigância. Cliente que abre 3 ações de cobrança no mesmo trimestre tem perfil financeiro estressado mesmo sem inadimplência reportada. Esse sinal está disponível no histórico processual mas não no bureau.

A consulta processual via API resolve os três blind spots — desde que os dados sejam transformados num sinal numérico utilizável. Score judicial é essa transformação.

Os 5 fatores do score

Existem dezenas de variáveis que poderiam entrar no cálculo. Por simplicidade e auditabilidade, recomendo um modelo de 5 fatores ponderados, cada um normalizado de 0 a 1:

Fator 1: Volume processual (peso sugerido: 25%)

Quantidade absoluta de processos em que o titular é parte. Não é o fator mais importante isolado, mas é a base — sem volume, os outros fatores são zero.

Heurística:

• 0 processos → fator = 0,0 (sem risco neste eixo)
• 1-2 processos → fator = 0,2
• 3-5 processos → fator = 0,4
• 6-15 processos → fator = 0,6
• 16-50 processos → fator = 0,8
• 50+ processos → fator = 1,0

Pra PJ, ajustar por porte: volume bruto deve ser dividido por número de funcionários (ou faturamento) pra normalizar. Empresa com 1000 funcionários tendo 30 ações trabalhistas é normal. Empresa com 10 funcionários tendo 30 ações é gravíssimo.

Fator 2: Severidade do tipo (peso sugerido: 30%)

Nem todo processo pesa igual. Inventário e alvará são neutros pra risco de crédito; execução fiscal e recuperação judicial são red flags severos. Tabela de severidade sugerida:

Tipo de processo (campo classe)	Severidade
Recuperação judicial / Falência	1,0 (crítico)
Execução fiscal	0,9
Execução de título extrajudicial	0,8
Cobrança / Monitória	0,7
Trabalhista (réu)	0,7
Penal / Crime tributário	0,9
Ação de improbidade administrativa	0,9
Cível ordinário (réu)	0,5
Cível ordinário (autor)	0,1
Família	0,1
Inventário, alvará	0,0

O score por severidade é a média ponderada das severidades dos processos do titular. Excluir os zeros (família, inventário) do denominador evita diluir o sinal.

Fator 3: Recência (peso sugerido: 20%)

Processo distribuído este ano pesa mais do que processo arquivado em 2018. Decay exponencial com half-life de 24-36 meses funciona bem:

peso_temporal(processo) = exp(-meses_desde_distribuicao / 30)

Onde 30 é o tempo característico (meio-vida ≈ 21 meses). Um processo de 1 ano tem peso 0,67. De 5 anos, 0,13. De 10 anos, 0,02. O fator 3 é a média dos pesos temporais.

Fator 4: Condenação efetiva (peso sugerido: 15%)

Processo apenas distribuído ≠ processo com sentença condenatória. O Vigilant retorna o campo situacao que permite distinguir:

• Em andamento (sem desfecho): peso 0,3
• Sentenciado favoravelmente (pra o titular réu): peso 0,1
• Sentenciado desfavoravelmente: peso 1,0
• Acordo homologado: peso 0,5
• Arquivado por desistência: peso 0,2

O fator 4 é a média ponderada por severidade dos pesos de condenação. Esse fator é o mais demorado de calcular — exige análise das movimentacoes pra detectar sentença, e nem todos os processos têm desfecho claro. Em muitas implementações iniciais, esse fator é simplificado pra “tem ou não tem trânsito em julgado contra”.

Fator 5: Padrão comportamental (peso sugerido: 10%)

Sinais qualitativos sobre comportamento processual:

• Recorrência de mesmo tipo: 5 ações trabalhistas em 3 anos sugere problema de gestão de pessoal.
• Litigância contra o mesmo polo: cliente que processa o mesmo banco 4 vezes tem perfil de litigante recorrente.
• Uso de juizados especiais com frequência: > 3 ações em JEC nos últimos 24 meses é red flag (cliente usa o judiciário como substituto de cobrança).
• Mudança brusca de volume: triplicar o número de processos em 6 meses sinaliza estresse financeiro agudo.

Esses sinais são qualitativos. Pra modelo simples, atribuir 0 ou 1 binário (tem padrão ou não). Pra modelo avançado, normalizar pela proporção do portfólio.

Fórmula do score final

score_judicial = 1000 - (
    0,25 × fator_volume +
    0,30 × fator_severidade +
    0,20 × fator_recencia +
    0,15 × fator_condenacao +
    0,10 × fator_padrao
) × 1000

Resultado entre 0 e 1000, onde 1000 = sem risco judicial detectado, 0 = risco máximo.

A inversão (1000 - X × 1000) é por convenção — score de crédito tradicional já segue essa orientação (“quanto maior, melhor”), e manter coerência facilita a integração no motor de decisão.

Exemplos numéricos

Caso 1: Pessoa Física com baixo risco

CPF de teste: 529.982.247-25 (inválido, exemplo apenas).

Histórico processual fictício:

• 1 ação cível como autor (cobrança de inquilino) — 2024
• 1 inventário como herdeiro — 2023
• 0 ações como réu

Cálculo:

• Volume: 2 processos → 0,2
• Severidade: cível autor (0,1) + inventário (0,0) → 0,05 média
• Recência: ambos < 24 meses → ~0,7 média (peso temporal)
• Condenação: nenhum desfecho ruim → 0,1
• Padrão: nenhum sinal qualitativo → 0,0

Score = 1000 − (0,25 × 0,2 + 0,30 × 0,05 + 0,20 × 0,7 + 0,15 × 0,1 + 0,10 × 0,0) × 1000 = 1000 − (0,05 + 0,015 + 0,14 + 0,015 + 0,0) × 1000 = 1000 − 220 = 780 (risco baixo)

Caso 2: Pessoa Jurídica com risco elevado

CNPJ fictício: empresa de construção civil, 50 funcionários.

Histórico processual:

• 12 ações trabalhistas como ré (8 em andamento, 4 com sentença condenatória)
• 3 execuções fiscais municipais (ISS) em andamento
• 1 ação cível ordinária como ré (cobrança de fornecedor) em andamento
• 1 recuperação judicial arquivada em 2020 (3 anos atrás)

Cálculo:

• Volume: 17 processos → 0,8 (mas dividido por porte: 17/50 = 0,34 funcionários por processo, dentro do esperado pra setor) → 0,5 ajustado
• Severidade: trabalhista réu (0,7 × 12) + execução fiscal (0,9 × 3) + cível réu (0,5 × 1) + recuperação (1,0 × 1) → média 0,71
• Recência: 16 processos recentes (< 24 meses) + 1 processo de 4 anos → 0,80 média
• Condenação: 4 trabalhistas condenadas + 1 recuperação arquivada → 0,52 média ponderada
• Padrão: recorrência trabalhista + recuperação anterior → 1,0

Score = 1000 − (0,25 × 0,5 + 0,30 × 0,71 + 0,20 × 0,80 + 0,15 × 0,52 + 0,10 × 1,0) × 1000 = 1000 − (0,125 + 0,213 + 0,16 + 0,078 + 0,10) × 1000 = 1000 − 676 = 324 (risco alto)

Em qualquer modelo de motor de decisão, 324 entraria como sinal forte de hesitação. Combinado com score de bureau, o analista humano (ou modelo) decide.

Código de referência (Python)

import math
from datetime import datetime
from typing import List, Dict

CLASSE_SEVERIDADE = {
    "Recuperação Judicial": 1.0,
    "Falência": 1.0,
    "Execução Fiscal": 0.9,
    "Execução de Título Extrajudicial": 0.8,
    "Cobrança": 0.7,
    "Monitória": 0.7,
    "Reclamação Trabalhista": 0.7,
    "Ação Penal": 0.9,
    "Improbidade Administrativa": 0.9,
    "Procedimento Comum Cível": 0.5,
    "Inventário": 0.0,
    "Alvará": 0.0,
}

def fator_volume(num_processos: int) -> float:
    if num_processos == 0: return 0.0
    if num_processos <= 2: return 0.2
    if num_processos <= 5: return 0.4
    if num_processos <= 15: return 0.6
    if num_processos <= 50: return 0.8
    return 1.0

def fator_severidade(processos: List[Dict]) -> float:
    pesos = [
        CLASSE_SEVERIDADE.get(p["classe"], 0.5)
        for p in processos
        if CLASSE_SEVERIDADE.get(p["classe"], 0.5) > 0
    ]
    return sum(pesos) / len(pesos) if pesos else 0.0

def peso_temporal(data_distribuicao: str) -> float:
    dt = datetime.strptime(data_distribuicao, "%Y-%m-%d")
    meses = (datetime.now() - dt).days / 30
    return math.exp(-meses / 30)

def fator_recencia(processos: List[Dict]) -> float:
    if not processos: return 0.0
    pesos = [peso_temporal(p["distribuido_em"]) for p in processos]
    return sum(pesos) / len(pesos)

def calcular_score(processos: List[Dict]) -> int:
    f1 = fator_volume(len(processos))
    f2 = fator_severidade(processos)
    f3 = fator_recencia(processos)
    f4 = 0.3  # placeholder — precisa parsear movimentacoes
    f5 = 0.0  # placeholder — análise comportamental

    risco_normalizado = (
        0.25 * f1 + 0.30 * f2 + 0.20 * f3 + 0.15 * f4 + 0.10 * f5
    )
    return int(1000 * (1 - risco_normalizado))

# Uso:
processos = vigilant_api.consultar_cpf("529.982.247-25", courts=["TJSP", "TJRJ", "TJMG"])
score = calcular_score(processos["data"]["courts"][0]["processes"])

Versão de produção tem: parsing real de movimentacoes pra detectar sentença, normalização por porte da empresa (PJ), decay temporal calibrado por out-of-sample validation, e o quinto fator (padrão) extraído por análise temporal de séries.

Estado regulatório

A LGPD (Lei 13.709/2018, art. 7º, §4º) dispensa consentimento pra dados “tornados manifestamente públicos pelo titular”. Processos judiciais publicados nos portais públicos dos tribunais (ESAJ, PJE, etc.) se enquadram nessa hipótese — não exigem consentimento explícito do titular pra serem consultados em fluxo de KYC.

A Resolução CNJ 121/2010 estabelece que dados processuais não-sigilosos são públicos e devem ser disponibilizados de forma acessível. Isso fundamenta legalmente a consulta automatizada — desde que seja pra propósito legítimo (KYC, due diligence, auditoria) e que segredo de justiça seja respeitado (o sistema oficial naturalmente filtra processos sigilosos).

A Circular BACEN 3.978/2020 (KYC) exige verificação proporcional ao risco do cliente. Em operações de crédito de valor relevante, depender exclusivamente do score de bureau pode ser insuficiente em auditoria — score judicial é um complemento defensável regulatoriamente.

A ANPD reforçou em guia orientativo de 2023 que dados em portais públicos oficiais podem ser tratados sem consentimento se o propósito for legítimo (compliance regulatório, KYC, exercício regular de direitos). Mantenha audit log da consulta — o Vigilant gera automaticamente.

Implementação no pipeline de KYC

Três caminhos comuns:

1. Inline (síncrono no checkout) — quando crédito vai ser concedido em segundos, o motor consulta a API, calcula score, decide. Adequado pra crédito instantâneo de baixo ticket. Latência ~60 segundos por CPF — limite hard.
2. Pré-calculado (assíncrono com cache 24h) — score é calculado num cron diário pra todos os clientes ativos, salvo no perfil. Decisão usa o cache. Latência sub-segundo. Adequado pra crédito de médio ticket.
3. Monitoramento contínuo (event-driven) — cliente é cadastrado em watchlist do Vigilant, que dispara webhook quando novos processos surgem. O score é recalculado no momento da mudança. Adequado pra carteira sob gestão (empréstimos parcelados, convênios B2B).

A escolha depende do SLA da decisão e do tamanho do portfólio. Pra fintechs com 50k+ clientes ativos, opção 3 é a mais econômica — você não consulta clientes que não tiveram mudança.

Próximos passos

• Pra construir o pipeline completo, leia também KYC além do score: por que dados judiciais são o próximo bureau — cobre o framing regulatório de KYC bancário.
• Pra integrar a API Vigilant no motor, veja o post técnico API de consulta judicial.
• Pra cobertura por tribunal, consulte /tribunais/.
• Validar CPFs no input (antes da consulta) usando nosso validador.
• Cruzar dados de empresa via consulta CNPJ Receita Federal.

A metodologia descrita é um ponto de partida. Calibração com dados reais do seu portfólio (label de inadimplência ou churn nos próximos 12 meses) é o que transforma um modelo heurístico num modelo preditivo. Os pesos sugeridos servem pra primeira versão — substitua por coeficientes aprendidos via regressão logística ou XGBoost assim que tiver volume.