Ciência de Dados e Planejamento Financeiro

Entenda como os dados podem transformar a área de FP&A, o quanto impactará na forma de atuar dos profissionais do setor e como pode ser aplicado na prática em uma organização complexa como a Uber.

Os setores financeiros das empresas sempre buscam novas maneiras de reduzir custos, melhorar os controles e descobrir novos insights que podem gerar vantagem competitiva. Hoje, com o rápido crescimento das tecnologias baseadas em dados, o Aprendizado de Máquina (ML), a Inteligência Artificial (IA) e a Ciência de Dados se tornam grandes aliados neste processo.

O JP Morgan, por exemplo, uma das maiores instituições bancárias dos Estados Unidos, investe bilhões por ano em novas tecnologias para essa finalidade.

Embora muitas organizações desejem usar IA para melhorar o planejamento e análise financeira (FP&A), apenas algumas têm sucesso, uma vez que a tecnologia ainda não está incorporada à maioria das aplicações usadas na área e, consequentemente, não é bem compreendida.

Os usos de Dados em FP&A

A atuação da área de FP&A envolve uma análise quantitativa e qualitativa abrangente de todos os aspectos operacionais de uma empresa para avaliar seu progresso e traçar planos futuros. Os profissionais dessa área consideram parâmetros como tendências econômicas e de negócios, desempenho anterior da empresa e obstáculos potenciais.

Esses componentes estão interconectados e, normalmente, as soluções baseadas em dados não se dirigem a uma esfera, mas combinam análise e previsão, unindo várias tarefas em uma.

Rafi Wadan, empresário e PhD em Controle de Gestão e Contabilidade entende que a próxima geração de sistemas FP&A Analytics – alimentados por Inteligência Artificial e Aprendizado de Máquina – transformará a forma de trabalho dos profissionais da área. Aqui, são duas as principais: Robotic Process Automation (RPA) e Financial Analytics.

RPA se refere a robôs de software que executam automaticamente etapas de processo recorrentes e baseadas em regras dentro da estrutura de processos de negócios, frequentemente em vários sistemas e, portanto, imitam a interação humana. Assim, o pré-requisito para a aplicação do RPA é a existência de processos estruturados, repetitivos e baseados em regras, que ocorrem cada vez mais na gestão de dados em FP&A. O RPA pode automatizar essa série de processos que ainda hoje ocorre de forma bastante manual.

Já Financial Analytics é entendida como a aplicação de modelos de análise estatística e algoritmos, que geralmente se originam de várias fontes diferentes, para resolver problemas relevantes para a empresa com base em dados e para apoiar a tomada de decisões. Dependendo da perspectiva de tempo, diversas variáveis de Análise Financeira podem ser distinguidas. Por exemplo, a análise descritiva está mais relacionada ao passado e responde à pergunta sobre o que aconteceu.

Já a Predictive Analytics, que está conectado a Financial Analytics, está voltada para o futuro e tenta mostrar o que pode acontecer, ou seja, quer prever eventos futuros, o que sem dúvida é de maior interesse para os tomadores de decisão. Novas ferramentas analíticas podem lidar com esse problema integrando fontes de dados distintas e sintetizando as informações em insights acionáveis, equipando os analistas financeiros com as informações necessárias para tomar decisões, em vez de atolá-los em tarefas relacionadas ao processo. Essas ferramentas aumentarão a produtividade, velocidade e precisão dos analistas financeiros.

À medida que mais dados e funções analíticas são integradas aos processos de planejamento financeiro, novas oportunidades surgem nas funções de finanças e contabilidade, junto com novos desafios.

A competência empresarial e de liderança continuará a ser fundamental para permitir uma comunicação eficaz, interpretação dos resultados e recomendações relevantes para a tomada de decisões. O foco da FP&A caminha para, em última análise, preencher a lacuna entre a ciência de dados e as necessidades de negócios para aprimorar a tomada de decisões. 

O case da Uber

Em 2018, o negócio de compartilhamento de viagens do Uber operava em mais de 600 cidades, enquanto o negócio de entrega de comida do Uber Eats se expandiu para mais de 250 cidades em todo o mundo. Naquele ano, a taxa bruta de reserva para viagens compartilhadas atingiu US$ 37 bilhões. Com mais de 75 milhões de passageiros ativos e 3 milhões de motoristas ativos, a plataforma do Uber possibilita 15 milhões de viagens todos os dias.

A previsão financeira e o planejamento orçamentário para uma organização que afeta a vida de tantas pessoas diariamente é um desafio enorme. Adicione uma taxa impressionante de crescimento histórico e atual e essas tarefas parecem quase impossíveis.

A Cientista de Dados da Uber, Marianne Borzic Ducournau, tem especial apreço pela área de FP&A e conta no blog da empresa como desenvolve o trabalho de ciência de dados nesta área.

Na Uber, como na maioria das empresas, são planejadas as finanças gerais, incluindo como gastar capital para expandir os negócios, com o objetivo de definir um orçamento inteligente e estabelecer metas para os principais indicadores, como reservas brutas. Um elemento do planejamento financeiro envolve decidir quanto gastar em marketing em uma determinada cidade e prever o número de novos usuários que devem ingressar na plataforma com base nesse orçamento. Para um cientista de dados, ela realmente envolve um mundo de desafios, modelagem, criatividade e entusiasmo.

A questão básica de Planejamento Financeiro na Uber se resume a: onde e como o Uber deve investir para atender a maioria dos usuários, incluindo passageiros e motoristas parceiros?

Primeiro, é preciso definir o escopo do projeto. No caso da Uber, a equipe de Finanças Estratégicas define o problema e os cientistas de dados se alinham com os parceiros multifuncionais, incluindo chefes regionais de finanças e equipes de operações da cidade. Por exemplo, essas equipes dirão que precisam saber o número de novos passageiros, novos motoristas parceiros e viagens esperadas, dependendo do orçamento de marketing por cidade. 

O esquema da imagem abaixo retrata isso. Usando esse fluxo, chega-se a um valor para o retorno sobre o investimento (ROI) subtraindo os investimentos ($R e $D) das reservas brutas.

O trabalho da Ciência de Dados neste ponto envolve, além do cientista de dados, um parceiro externo de Big Data e também os profissionais internos de engenharia de back e front-end, pois são milhões de pontos de dados históricos utilizados para treinar os modelos. Marianne destaca que:

“Depois que cada equipe está alinhada, a verdadeira diversão começa para um cientista de dados. A maior parte do nosso trabalho envolve desenvolver e implementar modelos para resolver o problema em questão, e é aí que você pode realmente se aprofundar nas habilidades básicas de ciência de dados.”

A parte principal do fluxo de trabalho (ilustrado na imagem acima) modela o número de inscrições de motoristas/passageiros (SUs) ou, em outras palavras, o número de usuários que se inscrevem pela primeira vez no aplicativo Uber.

Exibido como um gráfico de dispersão na imagem abaixo, podemos ver exemplos de inscrições de motoristas e passageiros considerando o quanto foi investido em marketing. Normalmente, quanto mais é investido, mais inscrições acontecem:

Para entender como os gastos com marketing afetam as inscrições de motoristas e passageiros, a equipe da Uber criou um modelo refinado com base em noções de séries temporais estruturais bayesianas. Este modelo prevê as novas inscrições para cada cidade com base em gastos com marketing, feriados e tendências, com os seguintes recursos:

• O impacto dos gastos com marketing segue os retornos decrescentes;

• O modelo controla a tendência;

• O modelo controla para feriados;

• A redução bayesiana é aplicada para obter estimativas razoáveis para cidades com dados limitados.

Para os subcomponentes deste projeto, modelos estatísticos simples e clássicos podem ser muito úteis.

Ao longo de uma semana, o número de usuários que fizeram sua primeira viagem com o Uber é uma fração de pessoas que se inscreveram na mesma semana, mais uma fração de pessoas que se inscreveram na semana anterior, mais frações de pessoas que se inscreveram durante cada semana anterior.

A partir desse modelo é possível personalizar as curvas de conversão para cada cidade e suas particularidades. A reserva bruta é derivada (conforme representado no final do fluxo mostrado na primeira imagem) dos dados de viagens, considerando tarifas por viagem, taxas de serviço por viagem e outros componentes monetários por viagem como um conjunto de séries temporais univariadas. 

Neste caso, aplicam-se métodos estatísticos clássicos, que são suficientes para fazer previsões bastante fortes. Esses métodos levam em consideração a tendência e a sazonalidade (o que exclui a família de técnicas básicas de suavização) sem a necessidade de muito trabalho para refiná-las ainda mais.

Esses modelos são apenas uma amostra das técnicas de previsão utilizadas para planejamento financeiro na Uber. A equipe de Finanças Estratégicas está, constantemente, explorando novas técnicas para otimizar o trabalho no setor. Marianne conta ainda que:

“Usamos uma abordagem probabilística para desenvolver previsões de viagem com base em técnicas de processos gaussianos. Também desenvolvemos um modelo em nível de usuário para capturar o impacto dos incentivos em nossa população de motoristas. Estamos usando uma distribuição de Poisson inflacionada de zero para modelar a probabilidade do número de viagens por motorista. Avaliamos os parâmetros com Long Short-Term Memory Networks (LSTM), que é um tipo especial de Rede Neural Recorrente (RNN)”.

A Uber possui uma cultura forte de aplicar ciência de dados a problemas concretos de negócios, utilizando em praticamente todas as áreas da empresa. Projetos com escopos e limites claros – mesmo aqueles que parecem assustadores à primeira vista – permitem que os cientistas de dados usem toda a gama de seus talentos e imaginação para explorar novas técnicas e criar vantagem competitiva para a organização.

No caso específico de FP&A, envolver cientistas e outros profissionais da área de dados e tecnologia acrescenta muito valor às análises necessárias para o planejamento financeiro, automatizando etapas e conseguindo alcançar previsões muito mais certeiras e reais para embasar decisões, liberando analistas da área para outros trabalhos menos manuais e mais estratégicos. Apesar de sabermos que a Uber tem ainda muita dificuldade de se provar financeiramente como um negócio lucrativo, é possível dizer que sem essa cultura data-driven, a empresa não conseguiria ter escalado tanto, dada a complexidade do seu modelo de negócio e previsões necessárias.

Para saber mais sobre Financial Planning na Uber, recomendamos acessar este link.