Análise de dados · Risco em recebíveis
Radar
Pixelado
O Radar Pixelado organiza dados de recebíveis e aplica regras de alerta para destacar situações que merecem análise. A solução reúne o tratamento de dados em Python com painéis no Power BI para acompanhar indicadores, investigar alertas e explorar a concentração de risco.
- Tipo
- Projeto acadêmico · Ciência de Dados / FIAP
- Situação
- Solução final entregue
- Escopo
- Tratamento de dados e quatro painéis no Power BI
- boletos na base transacional
- 7.118
- volume nominal monitorado
- R$ 165,85 mi
- boletos únicos com alerta (28,20%)
- 2.007
- experiências no Power BI
- 4
Sobre esta páginaProjeto acadêmico desenvolvido com bases fornecidas em um desafio da FIAP. As capturas do Power BI mantêm a identidade visual original; identificadores de pagadores, beneficiários e boletos foram pixelados, e nenhum dado da base é publicado.
Contexto
O mercado de recebíveis e FIDCs exige análises rápidas, consistentes e padronizadas para apoiar decisões de risco, precificação e acompanhamento da carteira.
Bases fragmentadas, indicadores pouco padronizados e dependência de análises manuais dificultam a visão consolidada e reduzem a velocidade de resposta.
Para quem
- Analistas de risco
- Gestores de FIDC
- Estruturadores
- Comitês de crédito
- Investidores qualificados
Desafio
Sem uma camada analítica integrada, fica difícil identificar atrasos, falhas de baixa, deterioração de liquidez e concentração de risco por pagador. A análise da carteira se torna menos ágil, menos rastreável e mais dependente de verificações manuais.
Solução
A solução trata e modela as bases, consolida indicadores operacionais e financeiros, aplica regras de alerta e publica tudo em um dashboard interativo no Power BI, com navegação entre visão executiva, alertas, mapa de concentração de risco e detalhamento dos boletos.
Entregas
- Base final tratada
- Indicadores consolidados
- Regras de alerta aplicadas
- Dashboard final no Power BI
- Filtros interativos
Dados e preparação
A preparação foi feita em Python com Pandas, em etapas documentadas no notebook do projeto, e a base tratada alimentou a modelagem e as medidas do Power BI.
- 7.118
- boletos na base transacional
- 4.612
- registros na base auxiliar
Leitura e diagnóstico
Leitura das duas bases, inspeção de colunas, tipos e valores ausentes.
Datas e atraso
Conversão de emissão, vencimento e pagamento para data; atraso em dias = pagamento − vencimento.
Flags operacionais
Pago (há data de pagamento), com baixa (há valor de baixa) e atrasado (atraso maior que zero).
Qualidade dos dados
Sem pagamento e sem baixa; pagamento sem valor de baixa; valor de baixa maior que o nominal.
Integração entre bases
A base auxiliar é cruzada duas vezes, com prefixos distintos: uma pelo pagador e outra pelo beneficiário, trazendo liquidez, materialidade, atraso médio histórico, UF e CNAE.
Base final e publicação
Exportação da base tratada e dos resumos de KPIs e alertas, consumidos pela modelagem, pelas medidas e pelos filtros do Power BI.
Regras operacionais de alerta
Cada regra marca o boleto com uma flag. Um mesmo boleto pode disparar mais de uma regra, por isso ocorrências de alerta e boletos com alerta são números diferentes.
| Alerta | Regra | Ocorrências |
|---|---|---|
| Liquidez baixa | Índice de liquidez de 1 mês do pagador inferior a 0,50 (critério de referência adotado no projeto). | 1.223 |
| Pagamento sem baixa | Há data de pagamento, mas não há valor de baixa registrado. | 750 |
| Baixa maior que nominal | Valor de baixa superior ao valor nominal do boleto. | 616 |
| Atraso alto | Atraso superior a 30 dias entre vencimento e pagamento. | 389 |
As ocorrências não são somadas como boletos: um boleto pode disparar mais de uma regra. Para o Radar Pixelado, o score de risco de cada boleto é a soma das quatro flags; a matriz usa a média desse score por pagador e data de vencimento.
Indicadores
Indicadores calculados sobre a base consolidada e exibidos na Visão Executiva.
- Boletos analisados
- 7.118
- Registros da base transacional.
- Volume monitorado
- R$ 165.853.488,09
- Soma do valor nominal.
- Pagos
- 99,02%
- Boletos com data de pagamento.
- Com baixa
- 88,48%
- Boletos com valor de baixa.
- Atraso entre pagos
- 29,61%
- Entre os boletos pagos, fração paga após o vencimento.
- Atraso médio
- 16,03 dias
- Média de dias de atraso entre os boletos atrasados.
As quatro telas do Power BI
Visão Executiva
Pergunta que a tela responde
Como está a carteira, em um olhar?
Seis KPIs no topo, volume monitorado por dia de vencimento, os dez pagadores de maior exposição, boletos por nível de risco e o resumo dos quatro alertas. Filtros por mês de vencimento, UF do pagador, tipo de baixa, tipo de espécie e nível de risco.
- KPIs de carteira
- Exposição por pagador
- Distribuição por nível de risco
Anonimização Identificadores do ranking de pagadores pixelados.
Resultados documentados
Três grandezas diferentes, que não se somam entre si:
7.118
Registros da base
Boletos analisados na base transacional.
≈ 3 mil
Ocorrências de alerta
Disparos das quatro regras (1.223 · 750 · 616 · 389). Um boleto pode ter várias ocorrências; o painel exibe o total arredondado.
2.007
Boletos únicos com alerta
28,20% da carteira; 290 boletos classificados como risco crítico.
Boletos por nível de risco (como exibido no painel)
- Baixo5,1 mil
- Moderado1,3 mil
- Alto0,4 mil
- Crítico290
Radar Pixelado, em conceito
Reprodução conceitual · Dados sintéticos
Como o Radar Pixelado lê a carteira
Mesma lógica do notebook do projeto: score do boleto = soma das quatro flags de alerta; cada célula mostra a média por pagador e dia de vencimento. Clique em um pagador para ver o resumo; use a legenda para filtrar faixas.
- Boletos
- 231
- Ocorrências de alerta
- 172
- Boletos com alerta
- 114
- % com alerta
- 49,35%
Carteira sintética completa
| Pagador | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2,00 | 2,67 | 2,33 | 2,50 | 2,33 | 1,50 | 2,33 | 2,67 | |||||||||||||||||
| 2,00 | 2,00 | 1,33 | 2,00 | 0,50 | 1,00 | 1,33 | 1,00 | 1,67 | ||||||||||||||||
| 2,50 | 1,00 | 1,00 | 2,00 | 1,00 | 1,33 | 2,00 | 1,00 | |||||||||||||||||
| 2,00 | 1,00 | 1,67 | 0,33 | 1,00 | 0,00 | 0,00 | 1,00 | 0,00 | 0,00 | 0,00 | 1,00 | |||||||||||||
| 1,00 | 0,50 | 0,00 | 0,00 | 0,33 | 0,00 | 0,67 | 0,00 | 1,33 | 0,00 | 0,67 | 1,00 | 0,00 | ||||||||||||
| 0,67 | 1,00 | 1,00 | 0,33 | 0,33 | 0,00 | 0,50 | 0,00 | 0,50 | ||||||||||||||||
| 0,67 | 0,33 | 0,00 | 0,00 | 1,00 | 1,00 | 0,00 | 0,00 | 0,50 | 0,50 | |||||||||||||||
| 0,67 | 1,00 | 0,00 | 1,00 | 0,33 | 1,00 | 0,33 | 0,00 | 0,00 | 0,00 | 0,00 | 0,00 | |||||||||||||
| 0,00 | 0,50 | 0,50 | 0,00 | 0,00 | 0,00 | 0,00 | 0,50 | 0,50 | 0,00 | 0,67 | ||||||||||||||
| 0,00 | 1,00 | 0,00 | 0,00 | 0,00 | 0,00 | 0,33 | 1,00 | |||||||||||||||||
| 1,00 | 0,00 | 1,00 | 0,00 | 0,00 | 0,33 | 0,50 | 1,00 | |||||||||||||||||
| 0,33 | 0,00 | 0,00 | 0,00 | 0,00 | 0,33 | 0,00 | 0,00 |
- Liquidez baixa63
- Pagamento sem baixa41
- Baixa maior que nominal36
- Atraso alto32
Não é o dashboard original. Pagadores, boletos e alertas são gerados artificialmente no navegador; as faixas de cor são ilustrativas, aproximadas da legenda do painel, e não os limiares oficiais.
Arquitetura: entregue × proposta
A apresentação separa o que foi construído na Sprint 4 da arquitetura técnica proposta para evolução. Esta página mantém essa separação.
Implementado na solução final
- Tratamento e integração das bases em Python com Pandas
- Flags operacionais, de qualidade e de alerta
- KPIs operacionais e de risco
- Protótipo do heatmap em Matplotlib
- Base tratada exportada para o Power BI
- Modelagem, medidas, filtros e quatro páginas no Power BI
- Dados e processamento
- Visualização
Arquitetura proposta (não implementada)
Captura
SFTP ou API segura; arquivos de boletos, cadastros e baixas.
Processamento
Data lake em Parquet/S3, limpeza em Python, Spark; camadas batch e speed; ETL, KPIs e qualidade de dados.
Serving
Camadas de KPIs, tabela de alertas e API de consulta.
Consumo
Dashboard executivo, Radar Pixelado, central de alertas e exportação.
Proposta de evolução com serviços como Amazon S3 e AWS Glue. Não faz parte do que foi entregue.
Leituras e próximos passos
O que os resultados mostram
- Ocorrências e boletos únicos contam histórias diferentes: cerca de 3 mil disparos de alerta se concentram em 2.007 boletos.
- Liquidez baixa é o alerta mais frequente, à frente de pagamento sem baixa.
- A qualidade dos dados é parte do risco: pagamento sem baixa e baixa acima do nominal aparecem como alertas, não só como limpeza.
Evoluções previstas no projeto
- Publicação em ambiente compartilhado
- Automação do pipeline em nuvem
- Evolução da camada preditiva
- Expansão das regras de risco