Basta navegar em alguns websites ou mesmo no LinkedIn para perceber a crescente demanda por desenvolvedores, arquitetos de sistemas, analistas e cientistas de dados em diversos setores. Além das transformações promovidas por Startups, Fintechs e outros movimentos, como por exemplo o Open Bank, o setor financeiro possui petabytes ou zettabytes de dados a serem explorados.

A propósito, você sabe a diferença entre uma Startup e uma Fintech?

O termo Fintech nasceu da ligação entre as palavras em inglês: financial (financeiro) e technology (tecnologia) mas, na realidade o significado vai muito além de "tecnologia financeira".

Toda fintech tem como característica a atuação relacionada a serviços financeiros com diferenciais de aplicações de tecnologia e inovação. Toda fintech pode no início ser uma Startup, entretanto, a principal diferença é que uma Startup pode estar relacionada a outra área, como por exemplo: agricultura, educação, saúde, seguros, transporte, etc.


Você já ouviu falar do termo Open Banking?

O Open Banking é constituído a partir do uso dos dados bancários dos usuários. Entende-se que os dados bancários pessoais e proprietários pertencem aos indivíduos e não às instituições financeiras. Desta forma, a partir de uma liberação explícita, os usuários controlam quem pode acessar os seus dados, não se limitando ao site ou aplicativo do seu banco. Na prática o usuário poderia escolher qual plataforma deseja realizar suas transações da forma que entender mais apropriado, tornando o sistema bancário muito mais transparente.


Tecnologias aplicadas no Mercado Financeiro

Para se ter uma ideia da dimensão do movimento tecnológico aplicado a finanças, em meados de 2019, a gigante Bloomberg produziu um evento que contou com a participação de especialistas em Data Science para abordar a aplicação e ampliar as discussões de tendências e técnicas para Big Data, Machine Learning e Inteligência Artificial no mercado financeiro. O Goldman Sachs, está em busca de cientistas de Dados para desenvolver aplicações de identificação de fraudes e risco, já o JPMorgan Chase trabalha atualmente com modelos de detecção de padrões de comunicações.

Além destas aplicações, podemos mencionar outros frameworks que estão sendo fortemente utilizados, como por exemplo:  o NPL - natural language processing - que é uma das áreas da ciência da computação - inteligência artificial e linguística - que atua na automação de atividades de alta sofisticação como sumarização de conteúdos, extração de informações, classificação de documentos e geração de insights financeiros. Tudo isso realizado praticamente em tempo real.

O aumento dos investimentos dedicados a exploração de Big Data, busca principalmente a melhoria de algoritmos de negociação, desempenho de produtos, relacionamento, gestão de portfólio, estratégias de trading e entre outros. A estratégia está centrada no emprego de modelos preditivos e tratamento de dados, e, no epicentro desta estratégia, está o cientista de dados.

Estes profissionais são responsáveis pelo processamento de uma quantidade enorme de dados estruturados ou não estruturados, portanto, não é possível processá-los utilizando técnicas tradicionais. É a partir de modelos estatísticos que tornam o uso de aplicações, como as que vimos acima, mais efetivos, podendo resultar em predições de movimentações e insights para tomada de decisões de negócios.

Com mais organizações focadas no Big Data e universidades não conseguindo formar profissionais na mesma velocidade, a concorrência por pessoas qualificadas em ciência de dados para atuação no mercado financeiro tem sido cada vez maior.  Neste cenário, dois profissionais se destacam no processamento do Big Data mas, muitas vezes são definidos de forma vaga e sem muita distinção. As profissões são de "Analista de Dados" e de "Cientista de Dados".


Qual a diferença entre um Analista de Dados e um Cientista de Dados?

Se você está convencido da importância de profissionais que atuam com tecnologia no setor financeiro e quer incrementar o seu time, é preciso entender os diferentes conjuntos de habilidades e a quantidade de conhecimento nas áreas de estatística, matemática, comunicação e negócios que são necessários para contribuir para o bom desempenho do seu modelo de negócios.


Analistas de Dados:

São responsáveis pela coleta, organização e realização de resumos estatísticos que podem ser acessados por meio de relatórios, dashboards e demais visualizações. É demandado conhecimento entre básico a intermediário de programação e estatística, porém deve ser considerado certa profundidade de entendimento de ciência da computação.

Estes profissionais devem possuir sólido entendimento em linguagem SQL para que possam facilmente extrair e criar interpretações, além de construir tendências em diferentes cenários, por meio de conjuntos de dados. Também devem ser examinados suas competências para armazenamento e recuperação de dados, além de domínio em Analytics baseados no Hadoop, como por exemplo: Impala, Spark e Bigquery.

Outra habilidade fundamental é a familiaridade com processos e ferramentas de ETL (extract, transform and load, em português extração, transformação, carga) para inclusão de dados tratados em repositórios conhecidos como Data Store ou Analytics Data Stores.


Cientistas de Dados:

Além de todas as habilidade de um Analista de Dados, o Cientista de Dados desenvolve por meio de bases de séries históricas e relacionais, modelos preditivos complexos e aplicação de técnicas de machine learning (em português, aprendizado de máquina) que fornece detalhamento suficiente para tomada de decisão mais assertiva. Espera-se deste profissional, conhecimentos sólidos e aprofundados de modelagem, estatística, matemática, programação, mineração de dados, além de serem competentes na escolha e resolução dos problemas certos que podem ajudar uma empresa a se sobressair.

O fator de diferenciação que os distanciam dos analistas é a inteligência comercial, capaz de produzir o storytelling necessário para engajar todos públicos de relacionamento, de maneira que seja possível mitigar os riscos para melhorar a tomada de decisões.


O futuro do profissional do mercado financeiro

Com tanta tecnologia aplicada e com a concorrência de profissionais de outras áreas, constatamos uma mudança abrupta no perfil do profissional que atua no mercado financeiro. O aumento exponencial de dados gerados e coletados resultam em modelos de análises financeiras bem mais desenvolvidos. Muitos profissionais estão migrando dos tradicionais VBA e Excel, para adotar o uso de linguagens como Python e R, que fornecem um conjunto de ferramentas para coleta, limpeza, transformação, processamento e interpretação de dados e são melhores para lidar com grandes volumes quantitativos.

Saber entender e interpretar informações obtidas destes ambientes darão ao analista financeiro um papel decisivo, prova disso é que está se tornando comum requisitar a estes profissionais conhecimentos avançados em álgebra e estatística, além é claro, das tradicionais certificações de foco financeiro como, por exemplo: CFA, CPA 10, 20, FRM, CNPI, CEA entre outras.

A Ciência de Dados é, sem dúvida alguma, a chave que permitirá que organizações financeiras obtenham insights valiosos de um imenso volume de dados. O setor ainda deve sofrer mudanças significativas e com tantos desafios pela frente, fica evidente que o trabalho de equipes multifuncionais, são fundamentais para desenvolver metodologias científicas que resultam na diferenciação necessária para atingir o destaque do setor.