O futuro da análise Financeira com Advanced Analytics

A forma de realizar análise financeira está mudando. Nas últimas duas décadas, as empresas de um modo geral passaram por um intenso processo de informatização iniciado pelo campo da contabilidade, com o uso de sistemas de gestão, como ERPs e CRMs.

Hoje já produzem muito mais dados do que antigamente e este patrimônio precisa ser analisado tanto do ponto de vista de finanças e investimentos, como também de Data Analytics e Advanced Analytics.

Neste artigo vamos fazer um breve comparativo das principais mudanças que estão ocorrendo na forma de trabalho dos analistas financeiros com vistas ao seu futuro em relação à área de Advanced Analytics.

Principais motivadores das mudanças na forma de fazer análise financeira

A conectividade dos últimos anos vem gerando novos modelos de negócio que nunca antes poderiam ser imaginados, podendo atender públicos variados 24 horas por dia e com uma escalabilidade sem precedentes na história, como o Uber por exemplo.

Além disso, o volume de dados tem crescido em tamanho e complexidade, criando um potencial de insights e transformações em negócios que pode tirar a certeza de análises puramente financeiras, feitas apenas pelos métodos já convencionais.

Análise financeira tradicional e técnicas de Advanced Analytics

Veja a seguir exemplos das formas de uso de Data Analytics e Advanced Analytics na prática do mundo das finanças:

• Automatizar e otimizar análises financeiras com Data Analytics:
• criação de datasets com atualização automática com dados macroeconômicos (taxa básica de juros, inflação, PIB, entre outros);
• coleta de dados de demonstrações financeiras de forma automatizada, seja de companhias abertas via API de bases de dados já existentes, ou seja de companhias fechadas, via extração de tabelas de arquivos PDF’s, por exemplo;
• criação de relatórios descritivos automatizados sobre as principais mudanças no cenário macroeconômico.
• Realizar predições com Advanced Analytics – machine learning, inteligência artificial, entre outros:
• modelos adaptáveis às mudanças na realidade econômica e financeira, capazes de fazer recomendações e indicar direções para a tomada de decisão.

Se o analista financeiro utiliza planilhas eletrônicas, como o Excel, para fazer suas análises, ele pode então otimizar os processos de extração e limpeza dos dados com técnicas de Data Analytics e no final obter um output de uma planilha de Excel para que possa trabalhar e executar as análises financeiras que já está acostumado a fazer.

Porém, o grande diferencial competitivo está nas mãos dos analistas que conseguirem utilizar Advanced Analytics para transformar a forma pela qual executam suas análises financeiras propriamente ditas.

Métodos econométricos

A área de finanças também sofre grande influência do uso de métodos econométricos para realizar previsões. Porém, o uso de modelos econométricos convencionais normalmente refere-se a modelos que são estáticos.

Diversos testes de robustez geralmente são feitos para validar tais modelos, mas o problema é que boa parte não é adaptável a mudanças na realidade econômica e financeira, situação típica devido ao dinamismo dos mercados financeiros.

Essa versatilidade e capacidade de adaptação a mudanças são características de modelos que utilizam técnicas de machine learning e inteligência artificial em uma coerente implementação da cultura de data analytics entre analistas financeiros.

Cultura de dados de Data Analytics

A cultura de Data Analytics apresenta uma forma diferente de aquisição do conhecimento de análise em relação ao modelo tradicional. A obtenção de conhecimento de Analytics é mais descentralizada pelo efeito da internet e do compartilhamento de códigos de programação em forma de pacotes (influência da ciências da computação e técnicas de versionamento).

Ou seja, ao invés do analista gastar meses ou até anos criando todos os cálculos de modo isolado em uma planilha de Excel para se chegar a uma conclusão, com a cultura de Data Analytics é possível importar conjuntos completos de códigos que realizam análises complexas sobre os dados em minutos, acelerando muito o processo.

Para se ter uma ideia do crescimento deste tipo de abordagem na resolução de problemas, apresentamos abaixo o volume de pacotes adicionados ao principal repositório de pacotes da linguagem R (CRAN – https://cran.r-project.org/ ).

As possibilidades se tornam tão amplas nesta nova modalidade que, em alguns segundos, é possível instalar e executar comandos para geração automática de Memes de internet, como este abaixo, bastando apenas 4 linhas de comando.

Para mais informações sobre este pequeno pacote, veja este artigo. 

A mesma facilidade de processo se estende aos pacotes financeiros, tais como:

TTR, tidyquant, PerformanceAnalytics, PortfolioAnalytics, quantmod, Quandl, entre outros.

Anteriormente já escrevemos sobre a necessidade da incorporação do R, dadas as limitações tradicionais do Excel – Saindo do Limitado Excel para R ou melhor Python? 

Comparativo entre os métodos tradicionais de análise financeira, Data Analytics e Advanced Analytics

Normalmente os métodos tradicionais de análises financeiras contemplam avaliações estáveis bem conceituadas, sem a necessidade de apresentação ou discussão dos métodos utilizados.

Já nos métodos de Analytics as comunidades compartilham códigos e ferramentas, e não apenas conceitos. Veja na tabela a seguir uma comparação entre as duas abordagens.

	Análise financeira	Data Analytics	Advanced Analytics
Facilidade de Replicação e velocidade das análises	Baixa, uma vez que cada planilha de dados é autocontida e as alterações não são compartilhadas.	Intermediária, utilizando boas práticas de criação de scripts e trabalho colaborativo. Planilhas em formato Dataset.	Alta, utilizando sistemas estruturados para operar de forma distribuída multiplataforma de forma escalar.
Utilização de Inteligência Artificial	Baixa	Média	Alta
Análise preditiva	Análise de tendência com forte utilização de séries temporais, muita utilização de métodos de regressão. Em geral são modelos robustos, porém estáticos.	Predições com ponderações estatísticas de todas as variáveis analisadas com uma grande gama de algoritmos genéricos disponíveis para análise.	Aperfeiçoamento contínuo da precisão, velocidade e assertividade dos modelos preditivos com ponderações em todas as variáveis descobertos pelos próprios algoritmos.
Foco das análises	Dados internos da saúde financeira da organização, comparação com organizações similares. Análises macroeconômicas feitas com base em premissas teóricas, não em dados.	Dados internos, dados atrelados a aspectos  macroeconômicos, análises de textos (como atas e notas explicativas), investigação de relações também com dados não financeiros.	Dados internos e externos em vários níveis de granularidade
Principais Ferramentas de análise	Excel e sistemas transacionais como:   ERPs CRMs SCMs Softwares de estatística e econometria,como: SPSS, Eviews, Stata.	Notebooks de programação R, Python ou outra linguagem específica, Ferramentas de higienização de dados, suites de algoritmos mineração de dados.   Editores de texto puro (exemplo: Sublime) . Git – Versionamento de código e artefatos criativos.	Plataformas de machine learning e inteligência artificial, que contemplam o uso de diversos algoritmos. Uso de plataformas de computação distribuída, como Spark e Hadoop.
Licenças	Ferramentas de código fechado	Ferramentas de código aberto	Mescla de ferramentas de código aberto com código fechado
Principais atividades do analista	Análise de demonstrações financeiras e indicadores. Desenvolvimento de relatórios econômicos / financeiros.	Definição das estruturas de análises financeiras, confecção de Datasets, fluxo de informação dos indicadores que compõem os datasets. Não limitando-se a indicadores financeiros.	Implantação dos modelos em grande escala de forma integrada aos sistemas transacionais.

Considerações finais e recomendações

O impacto mais profundo da mudança do perfil da análise financeira com os paradigmas de  Analytics ocorre na natureza do trabalho dos analistas financeiros, que se torna orientada à orquestração de pacotes e fluxo de dados através de scripts, com uma menor dependência técnica dos setores de TI e Desenvolvimento.

Para quem atua na área de análises financeiras e pretende se adaptar às novas tendências do mercado, cada vez mais baseadas em dados, recomendamos:

• Estudar pacotes básicos das linguagens de programação (principalmente R e Python),
• saber utilizar métodos de versionamento de códigos (como Git ou Github),
• participar de comunidades de boas práticas de Data Science em sua região, ou até mesmo em comunidades online.

Autores