1. Introdução: Por que APIs de Dados Transformam a Qualidade da Análise de Crédito

A análise de crédito corporativo sempre foi, em sua essência, um exercício de redução de assimetria de informação. O analista, de um lado, detém o poder de decidir; a empresa tomadora, de outro, detém o contexto completo de sua própria situação financeira. A qualidade da decisão depende diretamente da capacidade do analista de aproximar seu nível de informação ao da empresa e superá-lo ao incorporar dados que a própria empresa não tem sobre si mesma em relação ao seu setor.

Durante décadas, esse gap foi administrado com instrumentos bem conhecidos: demonstrações financeiras auditadas, relatórios de bureau de crédito, visitas de campo e o julgamento acumulado do analista. Esses instrumentos continuam sendo essenciais. O que mudou radicalmente nos últimos anos é a disponibilidade, granularidade e velocidade com que dados externos de mercado podem ser incorporados ao fluxo decisório, não mais na forma de consultas, mas como camada estrutural e automatizada do processo de crédito.

A pergunta que o mercado ainda não respondeu bem não é "que dados existem", mas "como esses dados chegam ao momento certo da decisão, sem fricção operacional, com consistência metodológica".

É precisamente essa lacuna que APIs de dados financeiros especializadas foram projetadas para preencher. Este documento detalha as razões pelas quais a integração de APIs desta natureza representa um salto qualitativo na capacidade analítica de instituições financeiras, gestoras de crédito e empresas que concedem crédito comercial.

O problema estrutural: dados que existem mas não chegam

O cenário mais comum nas equipes de crédito corporativo é paradoxal: há mais dados disponíveis do que nunca, mas o analista usa menos do que poderia. A razão não é a falta de acesso e sim a falta de integração. Dados de empresas de capital aberto existem na CVM. Dados de carteira de crédito sistêmico existem no Bacen SCR. Indicadores macroeconômicos existem no IBGE e no Banco Central. Dados cadastrais existem na Receita Federal.

O problema é que esses dados vivem em fontes heterogêneas, com estruturas distintas, periodicidades diferentes e sem normalização entre si. Para que um analista possa dizer "o EBITDA desta empresa está no P25 do seu setor", ele precisa:

• Baixar as demonstrações financeiras de empresas comparáveis da CVM.

• Normalizar as rubricas contábeis para um modelo comum — o que exige conhecimento técnico de IFRS.

• Calcular os indicadores sobre a base normalizada.

• Definir quais empresas constituem o peer group relevante.

• Calcular os percentis sobre esse peer group.

• Cruzar o resultado com os dados da empresa analisada no sistema de crédito.

Esse processo, quando feito manualmente, pode levar horas e é irrepetível em escala. Uma equipe que analisa dezenas de empresas por mês não consegue fazer isso sistematicamente para todos os clientes. O resultado prático é uma bifurcação: análises de grandes exposições recebem esse tratamento; análises de carteira média-baixa recebem apenas o dado bruto da empresa, sem contexto setorial. Isso cria uma assimetria interna de qualidade que os modelos de rating raramente capturam.

O que muda com a integração via API

Quando os dados de mercado chegam via API diretamente integrada ao sistema de crédito, a mudança não é apenas de velocidade, é de natureza do processo analítico. Quatro transformações estruturais ocorrem simultaneamente:

1. O contexto setorial torna-se parte do fluxo, não uma consulta paralela. O analista não precisa mais sair do sistema de crédito para buscar um benchmark. O percentil da empresa no seu peer group, a tendência do setor nos últimos quatro trimestres e o comportamento sistêmico de inadimplência naquele segmento chegam automaticamente à ficha de análise. O julgamento do analista parte de um nível de informação estruturalmente superior.

2. Os modelos de rating interno ganham variáveis que antes não existiam. Modelos de rating calibrados apenas com dados do portfólio próprio têm um viés estrutural: refletem a experiência histórica da instituição, não o universo de empresas. A integração de variáveis de posicionamento setorial, como o percentil do cliente em ROE, alavancagem e liquidez dentro do seu cluster, aumenta o poder discriminatório do modelo sem exigir novos dados da empresa.

3. A consistência metodológica deixa de depender do analista individual. Quando cada analista busca benchmarks de forma independente, usando fontes diferentes, períodos distintos e critérios próprios de peer group, os resultados são incomparáveis entre si. Uma API com modelo canônico normalizado garante que toda a equipe utiliza as mesmas definições, os mesmos ajustes de IFRS e os mesmos critérios de clusterização.

4. O early warning passa a operar em escala de mercado, não apenas de portfólio. Com dados sistêmicos oriundos da CVM e do Bacen SCR integrados, é possível detectar deterioração setorial antes que ela apareça no balanço de um cliente específico. Se a inadimplência em uma modalidade de crédito de um setor começa a subir, a API entrega esse sinal em tempo real.

APIs de dados financeiros bem construídas não substituem o julgamento do analista. Elas eliminam o trabalho manual que impedia o analista de exercer esse julgamento com a informação completa que a decisão exige.

Critérios para avaliar uma API de dados para crédito

Nem toda API de dados financeiros entrega o mesmo nível de qualidade analítica. Os critérios que distinguem uma solução realmente útil de uma base de dados simplesmente digitalizada são:

• Modelo canônico normalizado: a API deve entregar indicadores calculados sobre demonstrações normalizadas, não rubricas brutas que o consumidor precisa mapear.

• Clusterização por similaridade real: peer groups definidos por setor declarado na CVM são insuficientes. Algoritmos de clusterização (K-Means, DBSCAN) aplicados sobre variáveis financeiras produzem grupos genuinamente comparáveis.

• Integração de múltiplas fontes: uma API que entrega apenas dados CVM sem contexto macroeconômico (Bacen, IBGE) ou cadastral (Receita Federal) entrega parte do quadro.

• Atualização automática e rastreável: dados desatualizados são piores do que nenhum dado. A API deve ter pipeline automatizado de ingestão e expor claramente a data de referência de cada informação.

• Integração nativa ao fluxo decisório: uma API que exige extração manual, transformação e recarga no sistema de crédito reproduz o problema que se propõe a resolver.

A janela de diferenciação

O mercado de crédito corporativo brasileiro está em um ponto de inflexão. A disponibilidade de dados públicos de alta qualidade, combinada com a maturidade de APIs que normalizam, enriquecem e entregam esses dados de forma programática, criou uma assimetria temporária de capacidade analítica entre as instituições que já operam com dados de mercado integrados ao fluxo de crédito e as que ainda dependem de consultas manuais episódicas.

Essa assimetria tem consequências concretas: modelos com mais variáveis discriminam melhor, portfólios com early warning setorial têm menor inadimplência e equipes que não perdem tempo buscando contexto produzem mais análises com maior consistência.

A Preditta API foi desenvolvida para ser exatamente essa camada de integração, entregando os dados de mercado que existem, normalizados da forma que a análise exige, no momento em que a decisão acontece.

2. Visão Geral

A Preditta API permite que sistemas externos consumam dados de empresas de capital aberto (CVM), indicadores setoriais, dados do Bacen SCR, análises de recebíveis e motores de rating de crédito, tudo de forma programática, segura e escalável.


A arquitetura está organizada em cinco camadas verticais:

• Fontes de dados: CVM, Bacen SCR e Receita Federal alimentando o sistema.

• Gateway / Autenticação: JWT Bearer com roles admin/analyst/viewer.

• Domínios funcionais: 8 domínios agrupados por natureza — azul para dados de mercado CVM, coral para análise e rating, âmbar para dados internos do cliente.

• API pública: endpoint de score sem sessão para integração simplificada.

• Consumidores: CreditFlow como add-on nativo e sistemas externos via REST.

A API está organizada em oito domínios funcionais:

• companies — Cadastro e dados das empresas de capital aberto.

• financials — Demonstrações financeiras DFP/ITR e variáveis do Explorer.

• sectors — Benchmarks e indicadores setoriais anuais e trimestrais.

• scr — Mercado de crédito Bacen SCR: carteira, inadimplência e vencimento.

• rating — Motor de rating configurável, extração de variáveis e simulações.

• rating-estatistico — Modelos preditivos e análise de cortes estatísticos.

• recebimentos — Análise de recebíveis, aging, PMR, DSO e forecasting.

• dados-financeiros — Explorador financeiro interno com KPIs e breakdowns.

3. Domínio: Companies

O domínio companies provê acesso ao cadastro completo das 2.671 empresas de capital aberto registradas na CVM, com dados normalizados e enriquecidos pelo modelo canônico do Preditta Lenses.

Campos retornados por empresa: CNPJ, razão social, setor/subsetor, categoria CVM (A ou B); situação (ativo, cancelada, em liquidação extrajudicial); controle acionário (público/privado), UF, país, ano de fundação; datas de referência das demonstrações mais recentes disponíveis.

4. Domínio: Financials

O domínio financials é o núcleo do data lake CVM. Expõe as demonstrações financeiras brutas (DFP e ITR) e o Explorer de variáveis e indicadores calculados, tanto trimestrais quanto anuais. O Explorer é a camada analítica sobre os dados brutos: retorna variáveis e indicadores normalizados pelo modelo canônico, prontos para uso em modelos de rating ou análise setorial, com rubricas heterogêneas da CVM mapeadas para um plano de contas padronizado, com tratamento de IFRS 16, leasing e outros ajustes.

5. Domínio: Sectors

O domínio sectors expõe os benchmarks setoriais, a principal ferramenta de contextualização de risco da plataforma. Retorna distribuições estatísticas (P25/P50/P75) por peer group, tanto em base anual quanto trimestral.

6. Domínio: SCR (Bacen)

O domínio scr integra os dados do Sistema de Informações de Crédito do Banco Central do Brasil, o registro nacional de todas as operações de crédito reguladas (PF e PJ), com atualização mensal e histórico desde 2012. O endpoint /api/scr/cross-breakdown permite cruzar simultaneamente modalidade de crédito, tipo de cliente (PF/PJ) e UF, gerando uma visão tridimensional de risco sistêmico útil para calibração de modelos internos.

7. Domínio: Rating

O domínio rating é o motor analítico central da Preditta API. Permite extrair variáveis de documentos financeiros, calcular scores, gerar comentários analíticos com IA, configurar metodologias de rating e executar simulações de política de crédito.

8. Domínio: Rating Estatístico

O domínio rating-estatistico expõe os modelos preditivos quantitativos da plataforma — regressão logística e K-Means — usados para classificação automática de risco e análise de cortes ótimos de rating.

9. Domínio: Recebimentos

O domínio recebimentos é o módulo de análise de recebíveis da plataforma. Oferece visão completa do ciclo de cobrança: PMR, DSO, aging, concentração de clientes, velocidade de coleta e projeções de fluxo de caixa.

10. Domínio: Dados Financeiros

O domínio dados-financeiros é um explorador financeiro interno que complementa o Explorer CVM com KPIs calculados, breakdowns por categoria/segmento/ano e perfis de empresa.

11. Domínio: RF (Receita Federal)

O domínio rf integra dados cadastrais da Receita Federal, complementando as informações CVM com dados oficiais de CNPJ, estabelecimentos e situação cadastral.

12. Domínio: Users (Administração)

O domínio de usuários é restrito a administradores e permite gerenciar o acesso à API por diferentes equipes e perfis, com autenticação JWT Bearer.

13. Resumo dos Endpoints por Domínio

Preditta Analytics — Preditta API, Documentação Técnica e Guia de Funcionalidades. Versão 0.1.0 | OAS 3.1.
Site: analyticscredit.com.br/docs | preditta.com