Modelos de Credit Scoring s?o utilizados por institui??es financeiras com o objetivo de predizer a inadimpl?ncia de seus clientes e auxiliar na tomada de decis?o sobre a concess?o de cr?dito. Como h? um grande volume de transa??es de cr?dito sendo gerado diariamente e um potencial aumento dessas informa??es com o advento do open finance, existe o desafio de conseguir monitorar essas informa??es de forma r?pida para que se possa atuar em caso de perda de desempenho desses modelos. Diversos trabalhos encontrados na literatura visam aperfei?oar as t?cnicas utilizadas na etapa de constru??o do modelo. No entanto, n?o encontramos trabalhos relacionados ao acompanhamento destes modelos. Considerando este contexto, o principal objetivo desta pesquisa foi criar uma abordagem de Visual Analytics para auxiliar na gest?o de modelos de cr?dito. Para isto, inicialmente, realizamos uma revis?o sistem?tica da literatura sobre o tema e conduzimos entrevistas semiestruturadas com 13 profissionais que possuem experi?ncia na ?rea. Considerando as necessidades levantadas com este estudo, criamos um prot?tipo chamado VACS (Visual Analytics para o Acompanhamento de Modelos de Credit Scoring). As principais contribui??es deste trabalho s?o: (a) Os resultados obtidos com a revis?o sistem?tica da literatura que mostram que h? uma lacuna sobre o tema e que permitiram identificar insights sobre o uso de Visual Analytics e an?lise de cen?rios no acompanhamento destes modelos.(b) O levantamento de requisitos realizado por meio das entrevistas com especialistas, que permitiu o registro de como os modelos s?o acompanhados dentro das institui??es financeiras, algo que n?o ? divulgado devido ao sigilo do dados e que pode ajudar na padroniza??o dos monitoramentos; (c) O VACS, que foi avaliado por quatro especialistas de dom?nio que o classificaram como uma ferramenta muito completa e f?cil de usar; (d) As sugest?es coletadas na etapa de feedbacks, que contribuir?o no aprimoramento do VACS e em trabalhos futuros. Financial institutions use credit Scoring models to predict the default of their customers and assist in decision-making about the granting of credit. As there is a large volume of credit transactions being generated daily and a potential increase in this information with the advent of Open Finance, there is the challenge of being able to monitor this information quickly so we can act in case of loss of performance of these models. Several works found in the literature aim to improve the techniques used in the model construction stage. However, we did not find studies related to monitoring these models. Considering this context, the main objective of this research was to create a Visual Analytics approach to assist in the management of credit models. For this, initially, we carried out a systematic review of the literature on the subject and conducted semi-structured interviews with 13 professionals who have experience in the area. Considering the needs raised with this study, we created a prototype called VACS (Visual Analytics for Tracking Credit Scoring Models). The main contributions of this work are: (a) The results obtained from the systematic review of the literature shows that there is a gap on the subject and allowed us to identify insights into the use of visual analytics and scenario analysis in monitoring those models; (b) The survey of requirements carried out through interviews with specialists, which allowed the recording of how the models are monitored within financial institutions, something that is not disclosed and that can help in the standardization; (c) VACS, which was evaluated by four domain experts who rated it as a very complete and easy-to-use tool; (d) The suggestions collected in the feedback stage, which will contribute to the improvement of VACS and future work.