1 Introdução

A análise das condições das operações de financiamento contratadas é importante para entender o comportamento dos clientes em relação aos produtos oferecidos e o mercado financeiro. Este estudo se concentra em dados detalhados sobre as condições dessas operações, incluindo o porte do cliente e o tipo de produto contratado, especificamente para operações não automáticas que são análises para liberação de um emprestimo por meio de uma interação humana que avalia e assume o risco de não pagamento.

Esse tema é interessante, porque permite identificar padrões e tendências no mercado de financiamentos, entender como diferentes condições de crédito afetam os clientes e os credores, e como as instituições financeiras gerenciam os riscos associados às operações. Para investidores, analistas financeiros, gestores de risco e formuladores de políticas, essa análise oferece insights valiosos que podem informar decisões estratégicas e regulatórias.

Nesse projeto, irei utilizar um conjunto de dados que inclui informações detalhadas sobre operações de financiamento contratadas desde 2002. Esse conjunto de dados fornece informações sobre as condições de financiamento, porte do cliente, tipo de produto contratado e detalhes específicos das operações indiretas, onde o risco de crédito é assumido pela instituição financeira. A metodologia empregada será uma análise exploratória de dados, combinada com técnicas estatísticas e de modelagem para identificar padrões e comportamentos no conjunto de dados.

Esse tipo de abordagem permitirá não apenas descrever o comportamento dos dados, mas também identificar as variáveis mais influentes nas condições de financiamento e no comportamento dos clientes. A técnica adotada nos ajudará a entender como diferentes fatores, como porte do cliente e produto contratado, influenciam os riscos assumidos pelo BNDS.

A análise é útil para potenciais clientes como BNDS, investidores e formuladores de políticas de decisão.

• BNDS: a análise ajudará a entender melhor os perfis de risco associados a diferentes tipos de clientes e produtos, permitindo uma melhor gestão de riscos e personalização das condições de financiamento. Além disso, poderá identificar segmentos de clientes que possuem caracteristicas e comportamentos semelhantes para oferecer um produto mais assertivo.
• Investidores: os insights derivados dos padrões de financiamento e comportamento do cliente podem informar decisões sobre investimentos em produtos financeiros ou setores específicos.
• Time de políticas: a análise pode oferecer uma visão sobre como as regras e limites estabelecidos pelo BNDES estão sendo aplicados na prática e seu impacto no mercado de crédito. Isso ajuda a avaliar o perfil de risco dos clientes e desenvolver modelos de scoring e prevê futuras inadimplências cruzando com outros conjuntos de dados.

Ao identificar padrões e tendências, nossa análise ajudará esses stakeholders a tomar decisões mais informadas, gerenciar riscos de forma mais eficaz e identificar oportunidades para otimizar operações financeiras e políticas de crédito.

2 Pacotes Requeridos

Durante o projeto iremos utilizar as bibliotecas abaixo:

library(knitr)
library(dplyr)
library(digest)
library(DT)
library(ggplot2)
library(rmdformats)

• knitr

A biblioteca knitr é usada para gerar relatórios dinâmicos facilitando a exibição de código R e seus resultados em vários formatos como HTML, PDF e Word.

• dplyr

A biblioteca dplyr pertence ao tidyverse e é utilizada para fazer manipulações de dados de forma mais fácil auxliando o desenvolvimento de uma análise de dados.

• digest

A biblioteca digest cria hashes criptografados

• DT

A biblioteca DT é utilizada para criar tabelas de forma dinâmica e visualmente amigaveis em uma página HTML.

• ggplot2

A biblioteca ggplot2 é utilizada para a criação dos gráficos e permite personalização.

• rmdformats

A biblioteca é utilizada para criar o tema/visual do projeto.

3 Preparação dos dados

# Armazenamos colunas nulas na variável col_null
check_col <- function(col) {
  any(col == '----------' | is.na(col))
}

col_null <- sapply(tb_operacao, check_col)
col_null <- names(col_null[col_null])

knitr::kable(col_null, col.names = "Colunas com dados nulos")

# Limpeza em strings que indica ausência de dados
tb_operacao_prep <- tb_operacao
tb_operacao_prep[col_null] <- lapply(tb_operacao_prep[col_null], function(col) {
  col[col == '----------'] <- NA
  return(col)
})

kable(head(tb_operacao_prep[, col_null], n = 5))

# Removemos os caracteres especiais do cnpj
cnpj_original <- tb_operacao_prep$cnpj
remove_format <- function(cnpj) {
  gsub("[^0-9]", "", cnpj)
}

# O dado é transformado para um hash criptografado
cnpjs_limpos <- sapply(cnpj_original, remove_format)
hash_cnpjs <- sapply(cnpjs_limpos, digest, algo = "sha256")
tb_operacao_prep$cnpj <- hash_cnpjs
names(tb_operacao_prep)[names(tb_operacao_prep) == "cnpj"] <- "id_cnpj"

# Visualização de 05 linhas
kable(head(tb_operacao_prep[, c("cliente", "id_cnpj")], n = 5))

# Removemos os caracteres especiais do cnpj
cnpj_original <- tb_operacao_prep$cnpj_da_instituicao_financeira_credenciada
remove_format <- function(cnpj) {
  gsub("[^0-9]", "", cnpj)
}

# O dado é transformado para um hash criptografado
cnpjs_limpos <- sapply(cnpj_original, remove_format)
hash_cnpjs <- sapply(cnpjs_limpos, digest, algo = "sha256")
tb_operacao_prep$cnpj_da_instituicao_financeira_credenciada <- hash_cnpjs
names(tb_operacao_prep)[names(tb_operacao_prep) == "cnpj_da_instituicao_financeira_credenciada"] <- "id_instituicao_financeira_credenciada"

# Visualização de 05 linhas
kable(head(tb_operacao_prep[, c("instituicao_financeira_credenciada", "id_instituicao_financeira_credenciada")], n = 5))

tb_operacao_prep_subset <- head(tb_operacao_prep, 50)
datatable(tb_operacao_prep_subset, options = list(pageLength = 10, autoWidth = TRUE))

4 Análise Exploratória dos Dados

A análise exploratória desse projeto será respondidas através de uma pergunta inicial.

# Criação da variável que representa as regiões brasileiras
tb_operacao_prep <- tb_operacao_prep %>%
  mutate(regiao_br = case_when(
    uf %in% c("SP", "RJ", "MG", "ES") ~ "Sudeste",
    uf %in% c("PR", "RS", "SC") ~ "Sul",
    uf %in% c("BA", "SE", "AL", "PE", "PB", "RN", "CE", "PI", "MA") ~ "Nordeste",
    uf %in% c("DF", "GO", "MT", "MS") ~ "Centro-Oeste",
    uf %in% c("AM", "PA", "AC", "RO", "RR", "AP", "TO") ~ "Norte",
    TRUE ~ "Desconhecido"
  ))

tb_operacao_prep <- tb_operacao_prep %>% select(1:4, regiao_br, everything())

# Pelo corte da posição 1 e 4, conseguimos retornar o ano em que a contratação foi realizada
tb_operacao_prep <- tb_operacao_prep %>% mutate(ano_contratacao = substr(data_da_contratacao, 1, 4))

tb_operacao_prep <- tb_operacao_prep %>%
  select(1:9, ano_contratacao, everything())

# Filtro pelas regiões declaradas e a soma do valor dos contratos
df_agg <- tb_operacao_prep %>% filter(regiao_br != "Desconhecido") %>%
  group_by(ano_contratacao, regiao_br) %>% summarise(soma_valor_contratado = sum(valor_contratado_reais, na.rm = TRUE))

# Valor contratado em bilhões
df_agg <- df_agg %>%
  mutate(soma_valor_contratado_bilhoes = soma_valor_contratado / 1e9)

#Criação do gráfico
ggplot(df_agg, aes(x = ano_contratacao, y = soma_valor_contratado_bilhoes, fill = regiao_br)) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(
    title = "Somatório Anual do Valor dos Contratos por Região (em Bilhões)",
    x = "Ano de Contratação",
    y = "Valor Contratado (Bilhões de R$)",
    fill = "Região"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  theme(legend.position = "bottom")

# Filtro pelo ano de 2023
df_filtro <- tb_operacao_prep %>%
  filter(ano_contratacao == 2023)

# Agregação pelo setor do BNDES e pelo prazo de amortização dos contratos
df_agg <- df_filtro %>%
  group_by(setor_bndes, prazo_amortizacao_meses) %>%
  summarise(media_juros = mean(juros, na.rm = TRUE))

#Criação do gráfico
ggplot(df_agg, aes(x = prazo_amortizacao_meses, y = media_juros, color = setor_bndes)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2) +
  labs(
    title = "Juros por Setor BNDES e Prazo de Amortização em 2023",
    x = "Prazo de Amortização (Meses)",
    y = "Média de Juros (%)",
    color = "Setor BNDES"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Filtro pelo setor de infraestrutura, pelo ano de 2023 e pelo intervalo do prazo de amortização
df_filtro <- tb_operacao_prep %>% 
  filter(ano_contratacao == 2023, setor_bndes == "INFRAESTRUTURA", prazo_amortizacao_meses >= 100 & prazo_amortizacao_meses <= 150)

# Agregação e calculo de volumetria por subsetor do BNDES
volumetria_subsetor <- df_filtro %>%
  group_by(subsetor_bndes) %>%
  summarise(volumetria = n())

# Criação do gráfico
ggplot(volumetria_subsetor, aes(x = reorder(subsetor_bndes, volumetria), y = volumetria)) +
  geom_bar(stat = "identity", fill = "lightpink") +
  geom_text(aes(label = volumetria), vjust = -0.3, size = 4) +
  labs(title = "Volumetria por Subsetor em Infraestrutura (2023)",
       x = "Subsetor",
       y = "Número de Contratos") +
  theme_minimal() +
  coord_flip() 

# Calculo da média dos juros por sub-setor BNDES
df_subsector <- df_filtro %>%
  group_by(subsetor_bndes) %>%
  summarise(media_juros = mean(juros, na.rm = TRUE))

# Criação do gráfico
ggplot(df_subsector, aes(x = reorder(subsetor_bndes, media_juros), y = media_juros)) +
  geom_col(fill = "lightpink", width = 0.3, stat = "identity") +
  coord_flip() +
  labs(
    title = "Média dos Juros por Subsetor BNDES (Setor INFRAESTRUTURA) em 2023",
    x = "Subsetor BNDES",
    y = "Média de Juros (%)"
  ) +
  theme_minimal()

# Filtro e agregação em relação ao porte da empresa
df_porte <- df_filtro %>%
  group_by(porte_do_cliente) %>%
  summarise(media_juros = mean(juros, na.rm = TRUE))

# Criação do gráfico
ggplot(df_porte, aes(x = reorder(porte_do_cliente, media_juros), y = media_juros)) +
  geom_col(fill = "lightpink", width = 0.3, stat = "identity") +
  coord_flip() +
  labs(
    title = "Média dos Juros por Porte do Cliente (Setor - INFRAESTRUTURA) em 2023",
    x = "Porte do Cliente",
    y = "Média de Juros (%)"
  ) +
  theme_minimal()

# Filtro para obter os dados entre 2019 e 2024
tb_operacao_filtered <- tb_operacao_prep %>%
  filter(ano_contratacao >= 2019 & ano_contratacao <= 2024)

# Calculo da média de carência entre as empresas que apoiam e não apoia a inovação
media_carencia <- tb_operacao_filtered %>%
  group_by(inovacao, ano_contratacao) %>%
  summarise(media_carencia = mean(prazo_carencia_meses, na.rm = TRUE)) %>%
  ungroup()

# Criação do gráfico
ggplot(media_carencia, aes(x = ano_contratacao, y = media_carencia, color = inovacao, group = inovacao)) +
  geom_line(size = 1.2) + geom_point(size = 3) +      
  labs(title = "Média do Prazo de Carência para Contratos com Inovação",
       x = "Ano",
       y = "Média do Prazo de Carência (meses)",
       color = "Inovação") +
  theme_minimal() +
  theme(legend.position = "bottom")

5 Conclusões

Através das análises feitas nesse projeto, podemos perceber como eventos da econômia podem impactar a liberação de crédito para empresas e como isso varia entre os setores que estão classificadas. Momentos como impeachment e pandemia da covid, ficam evidênciados no gráfico e geralmente os juros se elevam, por causa do risco desses momentos críticos da economia.

Esse trabalho é importante, pois observar o comportamento para definir politicas de emprestimo de crédito, no caso para contratos análisados via intervenção humanda, para empresas impacta a economia em alguns aspectos como:

• Diminuição do risco de inadimplência, pois uma liberação de crédito mais precisa, ajuda as empresas à manterem sua estabilidade economica
• Direcionamento dos recursos para setores que auxiliam e insvestem em inovação para o crescimento economico do país
• Concessão de crédito bem aplicadas ajuda as empresas se manterem além de evitar falência e consequentimente demissões em massa.

A análise infelizmente não pode ser tão profunda por limitações dada ao tema do projeto. No cenário real, nas instituições financeiras, são feitos vários estudos para definir as politicas de credito para pessoas júridicas em conjunto com bases de dados pagas, bases do bacen, serasa e diversas outras bases para conseguir ser o mais assertivo possivel e minimizar os riscos. Além disso, esse conjunto de bases, possuem informações sensíveis que não podem ser divulgadas em um relatório online, devem ser controladas e governadas em um ambiente seguro.