INSIGHTS

Modelagem estatística como ferramenta de otimização de resultados e gestão de riscos

Elmo Moraes
By:
insight featured image
Mitigar riscos, reduzir custos, prever fraudes, otimizar alocação de capital e evitar perdas. Esses são objetivos que empresas de todos os portes há tempos buscam atingir e, para isto, encontram importante aliado na modelagem estatística, pilar essencial de áreas da ciência que atualmente estão em evidência, como Data Science e Data Analytics.
Destaques

No contexto em que empresas estão sob a onipresença das oportunidades geradas pelos dados e que sua correta utilização se tornou sinônimo de vantagem competitiva em ambientes de incertezas, o emprego de técnicas como a de Regressão, Árvores de Decisão e, mais recentemente, de Redes Neurais tem ajudado na busca de respostas que melhor fundamentam as decisões.

thiago-brehmer-285x285.png“Vemos uma demanda crescente no mercado relacionada à utilização inteligente de dados para gerar informações valiosas. Essa utilização não é mais uma questão de escolha, mas de obrigação para as empresas que querem sobreviver”, avalia , sócio líder de Serviços Financeiros da Grant Thornton Brasil. 

Modelagem nos mercados financeiro e securitário

Em se tratando da aplicação nos mercados financeiro e securitário normas como a IFRS 9 e a IFRS 17 vão além do requisito contábil e demandam técnicas de modelagem associadas à gestão do risco.  A IFRS9 (CPC48) e mais recentemente a CMN nº 4966/2021, sobre instrumentos financeiros, abordam a mensuração das perdas de crédito esperadas. Já a IFRS17, que trata dos contratos de seguros, possibilita uma gama ainda maior de aplicação de modelos estatísticos em diversos desafios envolvendo principalmente pricing, desde a modelagem de fluxos de sinistros e curvas de juros até a mensuração do risco ajustado.

Elmo-285x285.pngElmo Moraes, líder de Serviços Atuariais e Modelagem de Riscos da Grant Thornton Brasil, destaca que a IFRS17 abre uma ótima oportunidade para que os atuários (e qualquer outro profissional com perfil quantitativo), coloquem em prática todo o seu repertório de conhecimento estatístico e probabilístico.

“A evolução digital possibilitou aprimorar as implementações e a capacidade de processamento das técnicas e garantir maior previsibilidade. Na modelagem, cada vez mais variáveis são consideradas sem maiores preocupações quanto ao impacto na performance da máquina. Modelos parcimoniosos já não são mais a “prioridade” para os “modeleiros”. A ordem do dia é estressar ao máximo os hiperparâmetros do(s) modelo(s) em busca de melhores resultados”.

Em uma situação de modelagem de risco de crédito, por exemplo, a informação da “hora em que o cliente faz a simulação do crédito” acompanha variáveis tradicionais como salário, gênero, idade, região geográfica, quantidade de produtos, entre outros, a fim de avaliar de forma mais precisa as chances de um determinado risco acontecer. “Com uma coleção de variáveis (às vezes e dependendo da disponibilidade dos dados, pode chegar a mais de 100) analisamos a relação entre elas e o problema de interesse, a fim de reconhecer padrões que certamente auxiliarão no monitoramento dos riscos e, consequentemente, na redução de custos e/ou de prováveis perdas”, acrescenta Elmo.

Além do risco de crédito é possível modelar outras fontes de riscos como, por exemplo, os de mercado e operacional. A precificação de todos os riscos assumidos pela empresa oferece a oportunidade de melhoria de processos e, quando avaliados de forma integrada, gera base para o desenvolvimento do futuro modelo próprio de solvência/capital. “O modelo próprio é o ápice da medição e fecha um ciclo no trabalho de implementação da gestão de riscos”, confirma o especialista. Outras possiblidades bastante aplicadas são os modelos para prevenção de fraudes, como no caso das seguradoras para ocorrência das fraudes no aviso de sinistros, e nos modelos de cobrança (collection score), utilizado pelos bancos na estratégia de priorização e de descontos.

Opções adaptadas a cada necessidade

Compreender as necessidades específicas do seu negócio é essencial para extrair bons resultados de uma análise de dados e esse deve ser um processo contínuo. Inclui, além do desenvolvimento do modelo propriamente dito, a implementação da infraestrutura para suportar o modelo na produção, bem como, contar com o monitoramento, ajustes e atualização do modelo, que necessita de reavaliações periódicas conforme mudam os processos, normas, ou no surgimento de novas variáveis.

Brehmer cita mudanças que acontecem ao longo do tempo na economia, como o aumento inflacionário, que pode alterar comportamentos, impactando os indicadores. “É um processo vivo, dinâmico e exige avaliar se o modelo continua válido diante das novas circunstâncias que surgem no mercado”, conclui.

Como a Grant Thornton pode auxiliar a sua empresa?

Contamos com equipe dedicada aos temas de Data Science e Modelagem Estatística, e oferecemos uma vasta gama de serviços especializados para auxiliar na solução de problemas de medição de riscos e predição, agregando valor aos negócios e suportando da melhor forma as tomadas de decisões estratégicas e operacionais das empresas.

Conheça nossas abordagens completas em Modelagem de Riscos