Este artigo detalha a arquitetura técnica da solução, os diferenciais em relação às alternativas disponíveis no mercado e o impacto mensurável que a incorporação de dados de mercado ao fluxo de crédito gera na qualidade dos modelos de rating internos.

1. O Problema que Estamos Resolvendo

1.1 O Gap entre Dados de Mercado e Decisão de Crédito

Durante décadas, o processo de análise de crédito corporativo no Brasil funcionou com uma separação estrutural entre duas fontes de informação essenciais:

• Os dados financeiros do tomador: balanços, DRE, demonstrações de fluxo de caixa fornecidos pela própria empresa analisada.

• Os dados de mercado e setoriais: benchmarks do setor, distribuição de indicadores entre pares, tendências macroeconômicas aplicadas ao segmento.

Essa separação gerou um problema sistêmico: analistas de crédito tomam decisões com a primeira fonte, mas raramente conseguem incorporar estruturalmente a segunda. O motivo é operacional: os dados de mercado existem, mas vivem em plataformas externas (planilhas exportadas da Economatica, relatórios da Lafis, extrações manuais do CVM/Bacen), e cruzá-los com o fluxo automatizado de crédito exige trabalho manual que escala mal.

Um analista pode saber que o EBITDA de uma empresa é R$ 80 milhões, mas não saber instantaneamente se isso a coloca no P25, P50 ou P75 do seu setor, informação que muda radicalmente a leitura de risco.

1.2 A Lição da Agrometrika

Em 2010, a SIACorp lançou a Agrometrika com uma tese equivalente aplicada ao crédito rural: o sistema de automação deveria chegar pré-carregado com dados de safras, culturas, histórico de produção e indicadores de mercado agrícola. A proposta era eliminar o gap entre o dado setorial e a decisão.

O mercado validou amplamente a tese. Em 2025, a Agrometrika foi adquirida pela Aliare, empresa do BTG Pactual, consolidando o modelo como referência no segmento agro.

O Preditta Lenses aplica exatamente a mesma lógica ao universo de empresas de capital aberto, com escala, complexidade e impacto potencial significativamente maiores.

2. A Arquitetura Técnica do Preditta Lenses

2.1 O Data Lake CVM

O núcleo da solução é um data lake construído sobre as bases públicas da Comissão de Valores Mobiliários (CVM), com três camadas de processamento:

Camada 1 — Ingestão Automatizada
O Preditta Lenses efetua o download agendado de DFP (Demonstrações Financeiras Padronizadas), ITR (Informações Trimestrais), FRE (Formulário de Referência) e dados cadastrais. Os arquivos chegam em formato ZIP/CSV e são processados e armazenados com histórico completo, cobrindo todas as companhias abertas desde o início dos registros digitais na CVM.

Camada 2 — Normalização Contábil (Modelo Canônico)
Esta é a camada mais crítica e diferenciadora. As demonstrações financeiras publicadas na CVM seguem estruturas heterogêneas: rubricas com nomes diferentes entre empresas, tratamentos distintos para IFRS 16 (arrendamentos/leasing), variações de granularidade entre setores.

O modelo canônico do Preditta resolve esse problema com:

• Mapeamento de rubricas para um plano de contas padrão unificado.

• Regras de reclassificação para IFRS, leasing operacional e outros ajustes mandatórios.

• Granularidade harmonizada que permite comparações diretas entre empresas de setores distintos.

Sem essa camada, comparar o EBITDA de uma varejista com o de uma empresa de construção civil seria tecnicamente impreciso, uma vez que os denominadores não são equivalentes. Com o modelo canônico, os indicadores calculados são genuinamente comparáveis.

Camada 3 — Enriquecimento com Fontes Externas
O data lake é enriquecido automaticamente com:

• Banco Central: indicadores macroeconômicos (Selic, IPCA, câmbio, spreads).

• IBGE e associações setoriais: dados de produção industrial, índices setoriais, PMI.

• B3: spreads de crédito, risco-país, dados de mercado de capitais.

• Scraping estruturado: dados alternativos de ESG, notícias relevantes para cada setor.

2.2 Motor de Clusterização Setorial (Peer Groups)

A definição de peer groups é um dos problemas mais difíceis em análise de crédito setorial. Usar apenas o setor declarado pela empresa na CVM é insuficiente. Uma empresa de construção civil pode ter perfil financeiro mais próximo de uma fabricante de insumos do que de outras construtoras.

O Preditta Lenses resolve isso com um motor de clusterização tri-algorítmico:

• K-Means: clusterização por centróides em espaço multivariado.

• Cluster Hierárquico: dendrograma que permite inspeção visual da similaridade.

• DBSCAN: algoritmo baseado em densidade, essencial para setores com poucas empresas ou distribuição irregular.

As variáveis de entrada para clusterização incluem: estrutura financeira, margens operacionais, ciclo operacional (PMR, PMP, giro de estoques), porte (por quartil de receita) e geolocalização.

O resultado são peer groups validados por especialista, com percentis P25/P50/P75 calculados por cluster, não pelo setor genérico. Isso permite ao analista saber com precisão onde seu cliente se posiciona na distribuição real de empresas similares.

2.3 Integração com o Bacen SCR

O módulo Bacen SCR integra os dados do Sistema de Informações de Crédito do Banco Central, o registro nacional de todas as operações de crédito reguladas no Brasil (PF e PJ), com atualização mensal.

Funcionalidades disponíveis:

• Visão de mercado: carteira ativa total do sistema (R$ 7,4 tri em mai/2026), inadimplência agregada (4,58%), evolução histórica desde 2012.

• Análise por modalidade: segmentação de inadimplência por tipo de crédito (capital de giro, financiamento, consignado, imobiliário).

• Análise regional: mapa de exposição e inadimplência por estado.

• Perfil de vencimento: distribuição temporal da carteira, com índices de curto prazo.

• Explorador SCR: cruzamento dimensional por modalidade, UF, faixa de valor, tipo de cliente e setor.

O analista pode ver não apenas a saúde financeira do tomador, mas o contexto sistêmico de crédito do setor em que ele opera, incluindo se a inadimplência do setor está crescendo, em que modalidades, e em que regiões.

2.4 O Motor de Rating

O módulo de rating do Preditta Lenses implementa uma metodologia de score em 5 etapas:

• Documentos: upload e análise de demonstrações financeiras da empresa analisada.

• Mapeamento: normalização para o modelo canônico.

• Vetores: cálculo de variáveis por categoria (liquidez, rentabilidade, endividamento, capital de giro, fluxo de caixa, investimentos).

• Benchmark: posicionamento relativo de cada indicador no peer group (percentil do cluster).

• Rating: agregação ponderada em score e mapeamento para escala AAA–E.

A escala de rating é configurável pela organização usuária: os pesos de cada indicador, os limites de cada faixa e os parâmetros de peer group podem ser ajustados para refletir a política de crédito própria da instituição.

3. Como o Preditta Lenses Robustece os Modelos de Rating Internos

Modelos de rating internos, sejam eles baseados em regressão logística, árvores de decisão, ou modelos scorecard, têm um problema estrutural comum: são calibrados predominantemente com dados do próprio portfólio, sem incorporar sistematicamente a distribuição do universo de empresas do setor.

O resultado é que o modelo pode ser bem calibrado para o perfil histórico de clientes da instituição, mas cego para dinâmicas setoriais que apenas emergem quando se observa o universo mais amplo de empresas.

3.1 Enriquecimento de Variáveis

A integração do Preditta Lenses ao CreditFlow adiciona automaticamente à ficha de cada cliente:

• Score de posicionamento setorial: percentil do cliente em cada indicador financeiro dentro do seu peer group.

• Tendência setorial: se o setor está com indicadores melhorando ou deteriorando nos últimos 4 trimestres.

• Alertas de divergência: quando os indicadores do cliente divergem significativamente da tendência do setor (seja para melhor ou pior).

• Variáveis macroeconômicas: sensibilidade histórica do setor a juros, câmbio e inflação.

Essas variáveis, quando incorporadas ao modelo de rating interno, aumentam o poder discriminatório sem exigir coleta de dados adicionais pela equipe de crédito.

4. Posicionamento Competitivo

4.1 Economatica e Lafis: Plataformas de Dados, Não de Crédito

As plataformas Economática e Lafis são referências consolidadas em dados de empresas de capital aberto. Ambas oferecem bases históricas de demonstrações financeiras, indicadores calculados e ferramentas de análise. São soluções robustas para analistas de investimento, pesquisa acadêmica e análise fundamentalista.

O que essas plataformas não fazem e não se propõem a fazer, é integrar esses dados ao fluxo operacional de decisão de crédito. Um analista usando Economatica ou Lafis ainda precisa:

• Exportar dados para planilha.

• Cruzar manualmente com a análise do tomador no sistema de crédito.

• Atualizar esse processo a cada nova análise.

• Manter a coerência metodológica entre as análises.

4.2 Diferenciais Estruturais do Preditta Lenses

4.3 A Vantagem do Ecossistema

O Preditta Lenses não é um produto isolado, é um add-on ao CreditFlow, plataforma de automação de crédito com base instalada consolidada. Isso significa que a adoção não exige substituição de sistema: o dado de mercado entra no fluxo existente, com impacto imediato e sem disrupção operacional.

5. Por que Agir Agora

5.1 O Ciclo de Crédito Exige Dados Setoriais Mais do que Nunca

O ambiente macroeconômico de 2025-2026, com juros estruturalmente mais altos, pressão sobre margens em múltiplos setores e volatilidade cambial, torna a análise setorial mais crítica, não menos. Empresas que parecem saudáveis no seu balanço individual podem estar se deteriorando em relação ao setor; empresas que parecem frágeis podem estar se saindo melhor que seus pares.

Sem benchmarks setoriais automáticos, o analista está avaliando um número sem contexto.

5.2 O Custo da Inação é Assimétrico

Instituições que incorporarem dados setoriais ao fluxo de crédito agora terão uma vantagem composta:

• Modelos mais calibrados com variáveis de posicionamento setorial desde o início.

• Histórico de decisões contextualizadas que serve de base para retreinamento de modelos.

• Capacidade de early warning baseada em deterioração setorial antes que ela apareça no balanço do cliente.

5.3 A Janela de Diferenciação

O Preditta Lenses está em fase de lançamento. Organizações que adotarem a solução agora terão:

• Acesso prioritário à equipe técnica para customização de parâmetros.

• Participação no roadmap de funcionalidades.

• Posicionamento antecipado em relação a concorrentes que ainda operam com o modelo de dados separado do fluxo de crédito.

6. Conclusão

O lançamento do Preditta Lenses integrado ao CreditFlow resolve um problema estrutural que o mercado de crédito corporativo brasileiro carregava há décadas: a separação entre dados de mercado e decisão de crédito.

A solução não é uma ferramenta de análise adicional, é a incorporação permanente, automática e metodologicamente robusta do contexto setorial ao fluxo de decisão de crédito.

Com 2.671 empresas de capital aberto pré-carregadas, modelo canônico normalizado, clusterização setorial por similaridade real e integração com o Bacen SCR, o Preditta Lenses representa o estado da arte em automação de crédito corporativo no Brasil.

Sobre a Preditta Advanced Risk Solutions
A Preditta é uma empresa coligada da SIACorp que desenvolve soluções de inteligência financeira e automação de crédito para indústrias, instituições financeiras e fintechs. O CreditFlow é a plataforma de automação de crédito da SIACorp, com base instalada em múltiplos segmentos. O Preditta Lenses é o módulo de dados de mercado integrado ao CreditFlow.

Contato comercial: alexandre@siacorp.com.br | Site: preditta.com