Artigo

26 de outubro de 2026

bacenR: pacote em R para download e tratamento de dados do Banco Central do Brasil

Ricardo Theodoro; Walter Mesquita Filho

DOI: 10.22167/2675-6528-202603428

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

Em pesquisas acadêmicas, a confiabilidade e estrutura dos dados são cruciais, mas a coleta manual de informações do Banco Central do Brasil (Bacen) pode ser demorada e complexa. O presente estudo teve como objetivo desenvolver o pacote bacenR para a linguagem R, visando facilitar o download e tratamento de dados do Bacen, incluindo balanços, balancetes, dados cadastrais de instituições financeiras, atos normativos e informações sobre carteiras de crédito. O desenvolvimento do pacote seguiu as orientações de Wickham e Bryan (2023) para criação de pacotes em R, abrangendo etapas como definição de escopo, codificação de funções, testagem, documentação e manutenção. As funções foram projetadas para baixar e organizar dados de normas, balanços e informações do IFdata. O pacote bacenR foi disponibilizado no CRAN e no GitHub, e sua versão estável foi instalada por 823 usuários. O uso demonstrou eficiência na coleta e tratamento de grandes volumes de dados com poucas linhas de código. Concluiu-se que o bacenR é uma ferramenta útil que otimiza o tempo de pesquisa ao reduzir o esforço na coleta de dados, permitindo maior dedicação à análise e democratizando o acesso a informações financeiras para pesquisadores com menor experiência em programação.

Palavras-chave: Atos normativos; Bacen; Balancete; IFdata; Instituições financeiras.

1. Introdução

A pesquisa acadêmica sobre bancos e cooperativas de crédito depende fundamentalmente do acesso a dados financeiros confiáveis, granulares e atualizados. Esses dados são essenciais para investigar a eficiência, o desempenho, o risco e a competitividade dessas instituições dentro do sistema financeiro nacional. A relevância do tema é crescente, conforme indicado pela Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), que registrou uma expansão na quantidade de teses e dissertações anuais sobre o assunto, passando de 37 em 2010 para 64 em 2022.

Diversos estudos já evidenciaram a importância do uso de dados de fontes confiáveis para testar hipóteses e propor soluções (Bath, 2023; Olmsted, 2024; Hackman et al., 2024). Nesse contexto, o Banco Central do Brasil (Bacen) desempenha um papel estratégico ao disponibilizar publicamente uma imensa quantidade de dados. Estes abrangem desde séries históricas até estatísticas específicas de diferentes segmentos do sistema financeiro, incluindo bancos comerciais, cooperativas de crédito, financeiras não bancárias e postos de atendimento (Theodoro et al., 2021; Canassa et al., 2022; Bressan et al., 2023). Essa política de dados abertos democratiza o acesso à informação e promove avanços metodológicos em pesquisas acadêmicas, tornando possível a análise descritiva e inferencial com rigor técnico.

Contudo, apesar da ampla disponibilidade desses dados, a etapa de coleta e tratamento das informações ainda representa um desafio expressivo para pesquisadores, principalmente aqueles com pouca experiência em programação ou automação. O processo manual demanda tempo, atenção, recursos humanos e está sujeito a inconsistências, duplicidades e erros de digitação, especialmente quando se trata da unificação de múltiplas bases, tratamento de formatos distintos e atualização constante de requisitos regulatórios. A literatura especializada aponta que a etapa de preparação e limpeza de dados pode consumir até 80% do tempo de análise, tornando inviável a condução eficiente de estudos em larga escala sem ferramentas adequadas (Paton, 2019; Santos et al., 2025).

Nesse contexto, o desenvolvimento de um pacote em R especializado para baixar, tratar e organizar dados do Bacen já prontos para análise emerge como uma iniciativa com potencial relevância acadêmica e social. Tal ferramenta automatiza rotinas de coleta e transformação, e um pacote bem documentado, com manual de uso e exemplos concretos, amplia o acesso de pesquisadores com pouca experiência técnica, fomentando trabalhos inovadores e garantindo que a análise dos dados seja realizada de maneira padronizada e confiável. Isso permite que o pesquisador possa despender mais tempo analisando os dados do que coletando. Embora pacotes como BacenAPI (Icaro et al., 2025), rbcb (Freitas, 2024) e BETS (Costa et al., 2018) já existam e demonstrem a necessidade de soluções de código aberto para a pesquisa econômica e financeira nacional, eles são focados em dados como IPCA, SELIC, PIB e Débitos do Governo, e não cobrem todos os dados disponíveis pelo Bacen. Há uma lacuna para um pacote que baixe dados como os balanços das instituições financeiras, organize-os para facilitar o uso e baixe as instruções normativas emitidas pela Comissão de Valores Mobiliários (CVM) e disponibilizadas pelo Bacen.

Tendo em vista os pontos apresentados e a necessidade de preencher essa lacuna, o objetivo deste trabalho foi criar um pacote em R, nomeado bacenR, para baixar informações sobre Instruções Normativas que regem a regulação e fiscalização das instituições financeiras, os Balanços e Balancetes das mesmas, informações sobre as carteiras de crédito ativas de cada instituição e dados sobre o endereço das instituições financeiras ativas em cada período, de forma que os dados obtidos sejam facilmente tratados e organizados.

2. Material e Métodos

A pesquisa caracterizou-se como de natureza aplicada, com abordagem metodológica de desenvolvimento de um pacote de software, especificamente para a linguagem R. O objetivo central foi criar uma ferramenta, denominada bacenR, capaz de automatizar o processo de coleta, tratamento e organização de dados financeiros e regulatórios disponibilizados pelo Banco Central do Brasil (Bacen), visando facilitar a análise acadêmica e reduzir o esforço manual.

A metodologia adotada fundamentou-se nas orientações de Wickham e Bryan (2023), que descrevem sistematicamente o processo de concepção e desenvolvimento de pacotes no ambiente R. Complementarmente, utilizaram-se como referência as obras de Grolemund (2014), Marwick et al. (2018a; 2018b), Silge (2018), Wickham (2021) e Wickham et al. (2023). Esses materiais foram essenciais por abordarem princípios de boas práticas de programação, reprodutibilidade, testabilidade e legibilidade do código.

O desenvolvimento do pacote ocorreu em etapas sequenciais, conforme o modelo proposto por Wickham e Bryan (2023). As fases incluíram: 1) Configurações iniciais do ambiente de desenvolvimento; 2) Definição dos componentes do pacote, como código e dados; 3) Elaboração dos metadados, abrangendo descrição, dependências e licença; 4) Testagem rigorosa das funcionalidades; 5) Documentação detalhada; e 6) Manutenção contínua do pacote.

Como passo inicial, definiu-se o escopo do projeto, contemplando o idioma a ser utilizado, as principais funcionalidades a serem implementadas e o cronograma de execução. Em seguida, criou-se um “GitHub Project” para aprimorar a gestão do desenvolvimento, distribuir tarefas, acompanhar o progresso das implementações e planejar as próximas etapas de trabalho.

Com a estrutura organizacional estabelecida, iniciou-se a fase de codificação do pacote. As funções foram projetadas para realizar o download das normas publicadas pelo Banco Central do Brasil e suas alterações, extrair o texto integral dessas normas, obter os balanços e balancetes das instituições financeiras, e processar esses dados, preparando-os para posterior análise. As funções iniciais desenvolvidas foram `get_normative_data()`, `get_normative_txt()`, `get_balance_sheets()` e `tidy_balance_sheets()`.

Na sequência, procedeu-se à análise dos componentes estruturais do pacote, que são compostos pelo código-fonte, pelas bases de dados, pelos diretórios e pelas referências bibliográficas, a fim de assegurar sua consistência e coerência interna. Concluída essa verificação, elaboraram-se os metadados, que contemplaram a descrição detalhada do pacote, suas dependências e a definição da licença de uso. Para o funcionamento do bacenR, o ambiente R necessita estar na versão 4.1 ou superior, e pacotes como `dplyr`, `fs`, `glue`, `httr`, `janitor`, `jsonlite`, `lifecycle`, `purrr`, `readr`, `rlang`, `stringr`, `tibble`, `tidyr`, `tools`, `utils` e `xml2` foram utilizados como dependências.

Com a estrutura final consolidada, iniciou-se a fase de testes. Cada função foi submetida a testes individuais com a utilização dos pacotes `testthat` e `devtools`, empregando diferentes parâmetros para verificar a robustez e o comportamento do código. Os erros identificados foram corrigidos iterativamente, implicando ajustes tanto na codificação quanto na documentação e nas dependências declaradas. Após a aprovação em todos os testes, incluindo o “R CMD CHECK” executado por meio da integração com o “GitHub”, iniciou-se o processo de documentação formal, com a ajuda do pacote `usethis`. Todas as funções foram descritas detalhadamente, com a exposição de seus objetivos, parâmetros, resultados esperados e respectivas fontes de dados, de modo a garantir total transparência e compreensibilidade ao usuário final.

Com o pacote finalizado, procedeu-se à sua disponibilização no “GitHub”, acompanhada de um arquivo README.md contendo instruções para instalação, explicação sobre o funcionamento e exemplos de uso das funções implementadas. A versão lançada, denominada bacenR v0.1.0, foi classificada como versão beta. Para ampliar a fase de validação, o pacote foi divulgado em redes sociais, permitindo a coleta de feedbacks para identificar falhas, propor melhorias e definir novas funcionalidades a serem incorporadas.

Após a coleta de feedbacks, as funções foram ajustadas e novas funcionalidades foram adicionadas, seguindo a necessidade dos usuários. Estas novas funções possuíam o objetivo de coletar dados do IFdata sobre as carteiras de crédito ativas das instituições financeiras e o endereço das instituições autorizadas. As funções adicionadas foram `get_ifdata_reports()`, `get_ifdata_registry()`, `get_institutions()` e `tidy_institutions()`. Após uma série de testes e melhorias, já na versão 0.3.1, o pacote foi submetido à avaliação do “Comprehensive R Archive Network” (CRAN), repositório oficial da linguagem R, sob a licença “General Public License” 3 (GPL-3.0). Para a submissão, foi criado um arquivo “vignettes” com a descrição do pacote e exemplos de uso, além de um README.md no GitHub, que contém uma breve apresentação do pacote, sugestões de pacotes semelhantes, instruções de instalação, usos básicos, lista de tarefas futuras, informações sobre o autor, como citar e como apoiar, e um guia para contribuições.

3. Resultados e Discussão

A fase inicial do desenvolvimento do pacote bacenR concentrou-se na criação de um ambiente organizado no “GitHub Projects”, conforme as boas práticas de gestão de projetos de software. Este ambiente foi estruturado para gerenciar as “issues” (tarefas ou problemas) que surgiam durante o processo de codificação e documentação. A organização permitiu que tanto os desenvolvedores quanto potenciais colaboradores pudessem acompanhar o progresso das funcionalidades, verificar quais tarefas estavam em andamento ou concluídas, e identificar lacunas para novas contribuições. Essa abordagem colaborativa é fundamental para projetos de código aberto, incentivando a participação da comunidade e aprimorando a robustez da ferramenta.

No “GitHub Projects”, as tarefas foram categorizadas por “Status” em “Todo” (a fazer), “In Progress” (em progresso) e “Done” (feito), facilitando o acompanhamento visual do fluxo de trabalho. Além disso, foram incorporadas características de gerenciamento de equipe, como “Priority” (prioridade), “Size” (tamanho), “Estimate” (tempo estimado), “Start date” (data de início) e “End date” (data final). Essas métricas não apenas auxiliaram o mantenedor na gestão do desenvolvimento, mas também serviram como um guia para a coordenação de uma equipe de contribuidores, promovendo transparência e eficiência no ciclo de vida do pacote.

A escolha do idioma inglês para o pacote foi estratégica, visando maximizar o alcance global da ferramenta e atrair uma base de usuários e colaboradores mais ampla. Contudo, para garantir a acessibilidade a usuários brasileiros, as mensagens de erro e algumas instruções foram traduzidas para o português. Os parâmetros de cada função também foram descritos em português, o que facilita a compreensão e o uso do pacote por pesquisadores e profissionais no Brasil, alinhando-se ao objetivo de democratizar o acesso aos dados do Banco Central do Brasil.

As primeiras funções desenvolvidas, na versão 0.1.0 do pacote, incluíram `get_normative_data()`, `get_normative_txt()`, `get_balance_sheets()` e `tidy_balance_sheets()`. A função `get_normative_data()` foi projetada para baixar atos normativos do Bacen, permitindo a busca por termos específicos e dentro de uma janela de datas. Complementarmente, a função `get_normative_txt()` possibilitou a extração do texto integral desses atos normativos a partir do `data.frame` gerado pela função anterior, fornecendo acesso detalhado ao conteúdo regulatório.

Para dados financeiros, a função `get_balance_sheets()` foi implementada para baixar balanços e balancetes de instituições financeiras, com opções de filtragem por ano, mês e tipo de documento. Em seguida, a função `tidy_balance_sheets()` foi desenvolvida para processar e organizar os balanços baixados, preparando-os para análise. A documentação interna de cada função, acessível diretamente no ambiente R, descreve o objetivo, a fonte de coleta de dados, os parâmetros necessários e exemplos de uso, garantindo clareza e facilidade para o usuário.

A licença adotada para o pacote foi a “General Public License” 3 [GPL-3.0], que assegura a liberdade de uso e distribuição do pacote e suas funções em outros programas, desde que a distribuição desses também seja livre. Após a conclusão dos testes e a garantia de conformidade com as boas práticas de desenvolvimento em R, o pacote foi disponibilizado no “GitHub”. Um arquivo README.md foi criado para acompanhar o pacote, fornecendo uma apresentação concisa, instruções de instalação, exemplos de uso básico e informações sobre como contribuir.

A versão 0.1.0, classificada como beta, foi amplamente divulgada em redes sociais como LinkedIn, Twitter/X e Instagram, gerando um engajamento significativo. As postagens obtiveram uma média de 150 curtidas e 3.000 impressões ou visualizações, indicando um notável interesse do público acadêmico e profissional pelo acesso facilitado a esses dados. Essa disseminação inicial foi crucial para coletar feedbacks valiosos dos usuários, que contribuíram para a identificação de falhas, sugestões de melhorias e proposição de novas funcionalidades, demonstrando a relevância do pacote para a comunidade.

Em resposta aos feedbacks recebidos, a versão 0.3.0 do pacote foi aprimorada com a adição de quatro novas funções. Foram incluídas `get_ifdata_reports()` para baixar dados de relatórios institucionais do IFdata, `get_ifdata_registry()` para obter dados de registro das instituições no IFdata, `get_institutions()` para baixar dados cadastrais das instituições autorizadas pelo Bacen e `tidy_institutions()` para tratar e organizar esses dados cadastrais. Com essas adições, a versão final do pacote passou a contar com um total de oito funções dedicadas à coleta e tratamento de dados, expandindo significativamente sua capacidade de acesso a informações financeiras.

Após uma série de testes e melhorias contínuas, o pacote bacenR, na versão 0.3.1, foi submetido à avaliação do “Comprehensive R Archive Network” (CRAN), o repositório oficial da linguagem R. A aceitação do pacote no CRAN representa um marco importante, conferindo-lhe maior visibilidade e credibilidade na comunidade científica e técnica. Para sua publicação formal, foi criado um “vignettes”, um documento que oferece uma descrição detalhada do pacote e exemplos práticos de uso, complementando o README.md do GitHub e facilitando a adoção por novos usuários.

A instalação da versão estável do pacote bacenR é realizada por meio do comando `install.packages(“bacenR”)` no ambiente R, conforme instruído no README.md atualizado. Essa distinção entre a versão estável do CRAN e a versão em desenvolvimento disponível no GitHub é importante para os usuários, garantindo que possam escolher a versão mais adequada às suas necessidades. A estrutura de diretórios do pacote, incluindo arquivos de código-fonte, documentação, testes e vignettes, reflete as boas práticas de desenvolvimento de pacotes em R, assegurando sua organização e manutenção.

get_balance_sheets() e tidy_balance_sheets()

As funções `get_balance_sheets()` e `tidy_balance_sheets()` foram projetadas para simplificar o acesso e a organização dos balanços e balancetes das instituições financeiras. A função `get_balance_sheets()` permite baixar dados especificando tipos de instituições (como “BANCOS”, “COOPERATIVAS”, “CONSORCIOS”), meses (de 1 a 12), e um intervalo de anos (primeiro e último ano). O usuário também pode definir um diretório de saída e optar por sobrescrever arquivos existentes. Por exemplo, é possível baixar os balanços de todas as cooperativas de crédito referentes a dezembro de 2023.

Após o download, a função `tidy_balance_sheets()` entra em ação para processar e organizar esses dados. Ela transforma os balanços brutos em um formato mais amigável para análise, onde cada linha representa uma observação e cada coluna uma informação específica. No exemplo prático, os balanços de cooperativas de crédito para dezembro de 2023, filtrados pelo código 4010, foram baixados e organizados, resultando em um `tibble` com 800 linhas e 145 colunas, contendo informações detalhadas como CNPJ, nome da instituição e diversos indicadores financeiros. É importante notar que os valores não são ajustados por inflação.

get_institutions() e tidy_institutions()

As funções `get_institutions()` e `tidy_institutions()` facilitam a obtenção e organização de dados cadastrais de instituições financeiras. A função `get_institutions()` permite baixar informações sobre diversos tipos de instituições financeiras cadastradas no Bacen, como conglomerados, bancos, cooperativas e sociedades. Os parâmetros incluem a especificação do tipo de instituição, datas de início e fim no formato “YYYYMM”, um diretório de saída, e opções para remover arquivos ZIP após a extração e exibir mensagens de progresso.

Após o download, a função `tidy_institutions()` organiza os dados cadastrais para uso analítico. No exemplo de uso, ao baixar dados de cooperativas para novembro e dezembro de 2023, a função retorna variáveis como CNPJ, nome da instituição, endereço, município, UF, classe, critério de associação, telefone e e-mail. Essa organização padronizada é crucial para pesquisas que envolvem a análise da estrutura e localização das instituições financeiras, permitindo comparações e mapeamentos geográficos de forma eficiente.

get_normative_data() e get_normative_txt()

As funções `get_normative_data()` e `get_normative_txt()` oferecem um acesso simplificado às normas emitidas pelo Banco Central do Brasil. A função `get_normative_data()` requer apenas os termos de busca desejados e um intervalo de datas de início e fim para realizar a pesquisa e o download dos atos normativos. Os resultados incluem variáveis como título, tipo de norma, número, assunto, data de publicação e informações sobre normas vinculadas e atualizações.

A função `get_normative_txt()` complementa a anterior, permitindo o download do texto integral dos atos normativos encontrados. Embora essas funções facilitem o acesso a um vasto repositório de regulamentações, é fundamental observar que o download de textos pode ser um processo demorado. O Bacen impõe limites de acesso, e a abrangência de um período muito extenso ou o uso de muitos termos simultaneamente pode resultar em erros. Recomenda-se, portanto, reduzir o período de abrangência em caso de falhas, otimizando a coleta de dados regulatórios.

get_ifdata_reports e get_ifdata_registry

Por fim, as funções `get_ifdata_reports()` e `get_ifdata_registry()` foram desenvolvidas para acessar dados do IFdata, que incluem relatórios e registros de instituições. A função `get_ifdata_reports()` permite baixar relatórios institucionais especificando o ano, mês, tipo de instituição (como conglomerados prudenciais, financeiros ou instituições individuais) e o tipo de relatório (resumo, ativo, passivo, demonstração de resultado, informações de capital, carteira de crédito ativa por indexador, risco, região geográfica, clientes, modalidade de pessoa física e jurídica, porte do tomador, movimentação de câmbio). A função oferece uma ampla gama de opções para análises financeiras detalhadas.

A função `get_ifdata_registry()` permite baixar dados de registro das instituições presentes no IFdata, fornecendo informações cadastrais adicionais. No exemplo de uso, ao baixar relatórios e registros para dezembro de 2024, a função `get_ifdata_reports()` retornou 8.532 registros com variáveis como tipo de instituição, código da instituição, nome do relatório e saldo, enquanto `get_ifdata_registry()` retornou 5.752 registros com código da instituição, data, nome da instituição, município e situação. É importante notar que, para interpretar algumas colunas, é necessário consultar um dicionário disponível no site do IFdata, uma funcionalidade que será integrada ao pacote em futuras atualizações. Um exemplo prático demonstrou a capacidade de obter 10 anos de dados sobre carteiras de crédito com poucas linhas de código, evidenciando a eficiência da ferramenta.

Tutorial de uso

A disponibilização do pacote bacenR no CRAN em 08/03/2026 e sua subsequente utilização demonstraram um interesse significativo da comunidade. Até 09/04/2026, o pacote registrou 823 downloads, o que evidencia sua relevância e aceitação entre os usuários. Para ampliar ainda mais a acessibilidade, especialmente para aqueles com menor familiaridade em programação R, foi criado e divulgado um vídeo tutorial no YouTube em 28/03/2026. Este tutorial, que apresentava o pacote e suas funções, acumulou 288 visualizações até 09/04/2026, reforçando a demanda por ferramentas que simplifiquem a coleta de dados e otimizem o tempo de pesquisa.

Possibilidades de pesquisas

O pacote bacenR abre um leque vasto de possibilidades para pesquisas e análises de dados no setor financeiro. Com as funções disponíveis, é possível investigar questões complexas, como a distribuição geográfica dos maiores bancos e cooperativas de crédito, identificando quais cidades e estados apresentam maior concentração de filiais bancárias ou novas instituições. A ferramenta permite analisar a relação entre diferentes tipos de instituições em nível municipal, a idade média das instituições, e padrões de crescimento em termos de número de filiais, ativos ou volume de operações ao longo do tempo, tanto em quartis específicos quanto em regiões determinadas.

Além disso, o bacenR possibilita a comparação de carteiras de crédito entre bancos e cooperativas, identificando similaridades e diferenças que podem variar por região ou idade da instituição. A integração de dados normativos permite investigar como marcos regulatórios específicos podem influenciar esses dados. Essas análises são cruciais para formuladores de políticas públicas, pois fornecem subsídios para direcionar a regulação a locais e instituições que mais necessitam de intervenção, garantindo o desenvolvimento sustentável do sistema financeiro nacional e a proteção do consumidor.

O desenvolvimento do pacote bacenR demonstrou ser uma ferramenta de grande utilidade, permitindo que pesquisadores e profissionais coletem e tratem uma vasta gama de dados do Banco Central do Brasil com poucas linhas de código. Essa eficiência se traduz em uma significativa economia de tempo, que pode ser redirecionado da coleta para a análise e interpretação dos resultados. A recepção positiva nas redes sociais e o número de instalações do pacote confirmam o interesse da comunidade, especialmente daqueles com menor experiência em programação, na democratização do acesso a informações financeiras.

4. Conclusão

O presente estudo buscou desenvolver o pacote bacenR para a linguagem R, com o propósito de otimizar o acesso, download e tratamento de dados do Banco Central do Brasil, incluindo balanços, balancetes, informações cadastrais de instituições financeiras, atos normativos e dados sobre carteiras de crédito. Verificou-se que o desenvolvimento do pacote seguiu as boas práticas de criação de pacotes em R, resultando na implementação de oito funções principais que permitiram a coleta e organização de vastos volumes de dados com poucas linhas de código. Observou-se a eficiência da ferramenta na automação de rotinas de coleta e tratamento, o que se traduziu em uma significativa economia de tempo para pesquisadores. A disponibilização do bacenR no CRAN e no GitHub, juntamente com a divulgação em redes sociais e um tutorial em vídeo, gerou um engajamento expressivo, com 823 instalações da versão estável, evidenciando a relevância e a aceitação da ferramenta pela comunidade acadêmica e profissional. Essa contribuição reside na democratização do acesso a informações financeiras complexas, permitindo que pesquisadores, mesmo com menor experiência em programação, dediquem mais tempo à análise e interpretação dos resultados.

Apesar da robustez alcançada, identificou-se que o processo de download de textos normativos pode ser demorado devido a limites de acesso impostos pelo Bacen, sugerindo a necessidade de otimização para períodos muito extensos. Constatou-se também que a interpretação de algumas colunas dos dados do IFdata requer a consulta a um dicionário externo, e os valores dos balanços não são ajustados por inflação, o que representa limitações atuais. Para estudos futuros, recomenda-se aprimorar as mensagens de erro e avisos do pacote, integrar um dicionário nativo para os dados do IFdata e desenvolver novas funções para expandir a coleta de informações. Adicionalmente, a criação de uma interface em Shiny poderia simplificar ainda mais o uso do pacote para usuários sem conhecimento de programação. O bacenR, ao facilitar o acesso a dados granulares, abre um vasto leque de possibilidades para investigações sobre a distribuição geográfica de instituições financeiras, a comparação de carteiras de crédito e o impacto de marcos regulatórios, fornecendo subsídios valiosos para políticas públicas e o desenvolvimento do sistema financeiro nacional.

Referências Bibliográficas

Bath, 2023 [Referência completa não encontrada no documento original]

Bressan, V. G. F., Souza, G. H. D., Santos, M. H. S., & Braga, M. J. (2023). Cooperativas de crédito e competitividade no mercado financeiro brasileiro: uma análise das taxas de juros. Revista De Gestão E Organizações Cooperativas, 10(19), e68474. https://doi.org/10.5902/2359043268474

Canassa, B. J., Zancan, F., & de Moura Costa, D. R. (2022). Quadro Social e Ciclo de Vida de Cooperativas: Evidências em Cooperativas de Crédito Brasileiras. Contabilidade Gestão E Governança, 25(1), 43–59. https://doi.org/10.51341/1984-3925_2022v25n1a3

Costa Ferreira P, Speranza T, Costa J (2018). BETS: Brazilian Economic Time Series. https://doi.org/10.32614/CRAN.package.BETS

Freitas W (2024). rbcb: R Interface to Brazilian Central Bank Web Services. https://doi:10.32614/CRAN.package.rbcb

Grolemund, G. (2014). Hands-On Programming with R: Write Your Own Functions and Simulations. O’Reilly Media.

Hackman, L., Mack, P., & Ménard, H. (2024). Behind every good research there are data: What are they and their importance to forensic science. Forensic Science International: Synergy, 8, 100456. https://doi.org/10.1016/j.fsisyn.2024.100456

Icaro P, Sousa L, Ferreira da Silva F (2025). BacenAPI: Data Collection from the Central Bank of Brazil. https://doi.org/10.32614/CRAN.package.BacenAPI

Marwick, B., Boettiger, C., and Mullen, L. (2018a). “Packaging Data Analytical Work Reproducibly Using r (and Friends).” The American Statistician 72 (1): 80–88. https://doi.org/10.1080/00031305.2017.1375986.

Marwick, B., Boettiger, C., and Mullen, L. (2018b). “Packaging Data Analytical Work Reproducibly Using r (and Friends).” PeerJ Preprints 6 (March): e3192v2. https://doi.org/10.7287/peerj.preprints.3192v2.

Olmsted, J. (2024). Research reliability and validity: Why do they matter? Journal of Dental Hygiene, 98(6), 53–57.

Paton, N. (2019). Automating Data Preparation: Can We? Should We? Must We? In Proceedings of the 21st International Workshop on Design, Optimization, Languages and Analytical Processing of Big Data http://ceur-ws.org/Vol-2324/Paper00-InvTalk2-NPaton.pdf

Santos, A. G. V., Alves, J. J. M., Pinto, D. S. A., & Ferreira, P. C. A. (2025). A Importância Da Limpeza E Qualidade Na Análise De Dados: O Papel De Ferramentas Como O Power Bi. Revista Foco, 18(11), e10458. https://doi.org/10.54751/revistafoco.v18n11-083

Silge, J., Nash, J. C. and Graves, S. (2018). “Navigating the R Package Universe.” The R Journal 10 (2): 558-63. https://doi.org/10.32614/RJ-2018-058.

Theodoro, R., Bonacim, C. A. G., & de Moura Costa, D. R. (2021). Identificação de Ações Discricionárias do Gestor em Cooperativas de Crédito: Uma aplicação da Lei de Benford. Contabilidade Gestão E Governança, 24(3), 331-348. https://doi.org/10.51341/1984-3925_2021v24n3a5

Wickham, H. (2021). Mastering Shiny: Build Interactive Apps, Reports, and Dashboards Powered by R. O’Reilly Media.

Wickham, H., & Bryan, J. (2023). R Packages: Organize, Test, Document, and Share Your Code. O’Reilly Media.

Wickham, H., Cetinkaya-Rundel, M., & Grolemund, G. (2023). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O’Reilly Media.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

Você também pode gostar

17 de novembro de 2026

Deteção e Diagnóstico de Doenças em Milho e Arroz em Moçambique com Deep Learning

A agricultura moçambicana depende do milho e arroz, culturas fundamentais para a segurança alimentar, mas sua produtividade é fortemente afetada por doenças fitossanitárias, cuja identificação precoce e precisa permanece um desafio em contextos de recursos limitados. O estudo objetivou desenvolver e comparar modelos baseados em Deep Learning para a detecção e o diagnóstico automático de doenças em folhas de milho e arroz em Moçambique. Utilizaram-se três abordagens: uma Rede Neural Convolucional (CNN) clássica desenvolvida do zero, e dois modelos de transfer learning, ResNet50 e MobileNetV2. O conjunto de dados foi composto por imagens de bases públicas e coletadas em campo, que passaram por etapas de limpeza, balanceamento e aumento artificial. Os modelos foram treinados e avaliados com métricas de desempenho padrão, incluindo acurácia, precisão, recall, F1-score, Log Loss e Kappa de Cohen. A CNN clássica apresentou o melhor desempenho global, com 94% de precisão, recall e F1-score, e 93% de acurácia e Kappa de Cohen. A MobileNetV2 alcançou 91% de F1-score e 90% de acurácia, destacando-se pelo menor Log Loss (0,30) e tempo de treinamento (6h32min59s). A ResNet50 atingiu 80% de F1-score e 79% de acurácia. Concluiu-se que técnicas de Deep Learning possuem elevado potencial para apoiar o diagnóstico fitopatológico em contextos agrícolas reais, contribuindo para decisões mais rápidas e precisas no manejo de doenças em milho e arroz.

Palavras-chave: Aprendizagem profunda; Arroz; Doenças em plantas; Milho; Visão computacional.

17 de novembro de 2026

Estruturação do processo de encerramento de projetos de uma indústria da construção civil

Um estudo abordou o grupo de processo de encerramento de projetos em uma indústria de manufatura da construção civil, utilizando o guia PMBOK como referência principal. O processo existente na indústria apresentava superficialidade e fragilidades, especialmente no registro de lições aprendidas. Diante desse cenário, o objetivo foi desenvolver um procedimento para o encerramento de projetos da organização, visando agregar valor por meio da padronização do processo, registro do conhecimento adquirido, formalização da conclusão e entrega dos projetos, e aprimoramento da comunicação, engajamento, integração e transparência com os stakeholders. A pesquisa classificou-se como descritiva, empregou dados qualitativos e adotou a pesquisa-ação como delineamento. O escopo do estudo estruturou-se conforme os cinco grupos de processos do guia PMBOK e foi representado por uma Estrutura Analítica de Projeto (EAP). Os principais resultados obtidos incluíram o procedimento desenvolvido e diversos templates de documentos, que constituíram os entregáveis do novo processo de encerramento de projetos. Verificou-se que o trabalho alcançou o objetivo esperado, pois o procedimento desenvolvido viabilizou a padronização do encerramento de projetos, o aprimoramento da integração e engajamento com os stakeholders, e a promoção de segurança e transparência no processo.

Palavras-chave: Gestão do conhecimento; Lições aprendidas; PMBOK; Templates; Termo de aceite de projeto.

17 de novembro de 2026

Machine Learning e priorização de funcionalidades em produtos digitais: um estudo de caso em uma fintech

Uma análise investigou o potencial da utilização de técnicas de machine learning aplicadas à análise do comportamento dos usuários na priorização de funcionalidades em produtos digitais. O objetivo foi compreender os processos de priorização utilizados na prática, o papel dos dados comportamentais na tomada de decisão e as percepções sobre a aplicação de técnicas de machine learning nesse contexto. Adotou-se uma abordagem qualitativa e exploratória, estruturada como um estudo de caso em produtos desenvolvidos sob o modelo Software as a Service (SaaS). A coleta de dados realizou-se por meio de entrevistas semiestruturadas com profissionais das áreas de produto e de dados. A análise dos dados seguiu a técnica de análise de conteúdo. Os resultados indicaram que, embora os dados comportamentais já fossem utilizados como apoio à decisão, os processos de priorização ainda apresentavam baixa formalização e enfrentavam limitações técnicas e organizacionais. Observou-se, também, o reconhecimento do potencial do machine learning como suporte estratégico à priorização de funcionalidades, embora sua aplicação prática fosse incipiente. Como principal contribuição, o estudo propôs um modelo conceitual que integra dados comportamentais, processos de priorização e o uso de machine learning como suporte à decisão.

Palavras-chave: Análise de dados; Comportamento do usuário; Dados comportamentais; Software as a Service (SaaS); Tomada de decisão.

17 de novembro de 2026

Inteligência artificial nas rotinas operacionais contábeis e na eficiência financeira

A incorporação de Inteligência Artificial (IA) e de ferramentas de automação reconfigurou as rotinas de escritórios contábeis brasileiros, impactando produtividade, mitigação de erros e eficiência financeira. Analisou-se esses impactos em um escritório contábil de pequeno porte, especializado no atendimento a prestadores de serviços da área médica em São Caetano do Sul, São Paulo. A pesquisa adotou abordagem qualitativa, com delineamento de estudo de caso único e unidades de análise incorporadas. Os dados foram coletados por questionário estruturado, aplicado via Google Forms entre janeiro e fevereiro de 2026, a cinco profissionais da estrutura operacional do escritório em levantamento censitário. O tratamento seguiu análise de conteúdo com categorias a priori e emergentes. Todos os respondentes declararam uso de ferramentas automatizadas ou com recursos de IA. A percepção de redução do tempo de execução, de diminuição de erros operacionais, de retrabalho e de melhor aproveitamento do tempo da equipe convergiu em 80% das respostas afirmativas e 20% parciais. As atividades mais beneficiadas foram conciliação bancária, importação de documentos fiscais e apuração tributária, com ganhos visíveis sobre erros de digitação, lançamentos duplicados e classificação incorreta. A intervenção humana permaneceu indispensável em planejamento tributário, análise de cenários e conferência de obrigações acessórias. A avaliação geral da contribuição da IA foi predominantemente favorável, com moderação vinculada à complexidade normativa fiscal.

Palavras-chave: Análise de conteúdo; Automação de processos; Contabilidade 4.0; Pequeno porte; Transformação digital.

17 de novembro de 2026

Fatores que influenciam a gestão de prazos em projetos de “retrofit” de estações de esgoto

Projetos de “retrofit” em Estações de Tratamento de Esgoto (ETE) caracterizam-se por elevada complexidade, restrições operacionais e múltiplas interfaces técnicas. O estudo analisou a percepção dos profissionais envolvidos sobre a gestão e o cumprimento dos prazos em projetos de “retrofit” de estações de tratamento de esgoto, considerando fatores técnicos, operacionais e organizacionais. A pesquisa caracterizou-se como um estudo aplicado, com abordagem quali-quantitativa, delineado como levantamento de campo do tipo “survey”. A análise dos dados realizou-se por estatística descritiva e categorização qualitativa, utilizando as ferramentas SWOT, matriz de risco (Probabilidade x Impacto) e plano de ação 5W2H. Os resultados indicaram alta percepção de clareza (77,8%) e realismo dos prazos (100% de concordância), evidenciando um planejamento inicial consistente. Contudo, 77,7% dos respondentes apontaram que retrabalhos e alterações de escopo impactaram diretamente o cumprimento dos prazos. A integração entre engenharia, fabricação e Planejamento e Controle da Produção (PCP) apresentou avaliação intermediária (77,7% de concordância parcial/total), indicando fragilidade na coordenação interfuncional. A matriz de risco destacou como críticos: mudanças de escopo, limitações operacionais da ETE e complexidade técnica, todos com nível alto. Como melhoria central, propôs-se a padronização do controle de mudanças de escopo, análise e aprovação, visando reduzir retrabalhos e aumentar a previsibilidade do cronograma.

Palavras-chave: Desempenho; Integração; Planejamento; Retrabalho; Risco.

17 de novembro de 2026

Captação B2C em medicina diagnóstica: parcerias estratégicas com consultórios médicos especializados

O setor de medicina diagnóstica no Brasil opera com elevada dependência das operadoras de planos de saúde, o que limita a autonomia financeira dos prestadores. Este estudo propôs e analisou um modelo de captação direta de pacientes (B2C) para uma instituição de medicina diagnóstica de alta complexidade, estruturado a partir de parcerias com consultórios de Oncologia e Cardiologia e operacionalizado por um serviço de atendimento personalizado denominado concierge. A investigação adotou abordagem mista em três fases: levantamento de campo com questionário estruturado aplicado a 87 pacientes, mapeamento do fluxo operacional por “Service Blueprint” e análise da taxa de conversão a partir de 312 indicações médicas registradas no projeto-piloto. Os resultados indicaram que a confiança na indicação médica obteve 92,0% de concordância, configurando-se como principal fator de adesão. A conveniência de realizar o exame no mesmo dia alcançou 78,2%, e a disposição para pagamento direto atingiu 55,2%, com polarização associada à predominância de usuários de plano de saúde. O “Service Blueprint” identificou três pontos críticos nas transições entre etapas da jornada. A taxa de conversão global foi de 51,0%, com desempenho superior na Oncologia (58,2%) em relação à Cardiologia (45,0%), e a maior perda concentrou-se na etapa de aceite e agendamento (28,3%). Concluiu-se que o modelo demonstrou possível viabilidade operacional e indícios de aceitação pelos pacientes, condicionado à transparência de preços e à redução do intervalo entre consulta e abordagem pelo concierge.

Palavras-chave: Desembolso direto; Jornada do paciente; Saúde suplementar; Serviço concierge; Taxa de conversão.

17 de novembro de 2026

O papel do gestor escolar na promoção de uma cultura inclusiva: liderança e políticas educacionais

A pesquisa analisou a atuação do gestor escolar na promoção de uma cultura inclusiva, considerando a necessidade de transformar diretrizes legais e fundamentos pedagógicos em práticas institucionais efetivas. Partiu-se do pressuposto de que a inclusão escolar exige planejamento, organização e liderança estratégica no cotidiano da escola. Adotou-se uma abordagem qualitativa de natureza aplicada, desenvolvida em três etapas complementares: análise documental das legislações brasileiras sobre educação inclusiva, revisão bibliográfica sobre liderança e gestão escolar, e sistematização dos dados por meio de ferramentas gerenciais como a matriz SWOT e o ciclo PDCA. Os resultados indicaram que a atuação da gestão escolar exerceu influência direta na consolidação de ambientes inclusivos, especialmente na organização de processos, formação continuada da equipe e fortalecimento de uma cultura institucional colaborativa e respeitosa à diversidade. Identificaram-se também desafios estruturais, pedagógicos e relacionais que demandaram intervenções planejadas. Ao final, elaborou-se um Guia Prático para Gestores Escolares, com diretrizes, protocolos e orientações operacionais para a tomada de decisão e organização dos processos inclusivos. Concluiu-se que a construção de uma cultura inclusiva dependeu da capacidade gestora de articular políticas públicas, práticas pedagógicas e processos institucionais, consolidando a inclusão como compromisso permanente no contexto escolar.

Palavras-chave: Acessibilidade educacional; Equidade educacional; Gestão participativa; Planejamento estratégico; Processos institucionais.

17 de novembro de 2026

Um artefato de IA baseado em Design Thinking para apoiar a elicitação de requisitos de software a partir das necessidades dos usuários

O desenvolvimento de software orientado às necessidades dos usuários frequentemente enfrenta desafios na elicitação de requisitos, decorrentes de ambiguidades na linguagem natural e falhas de comunicação. Diante disso, propôs-se e validou-se um artefato inteligente que integra Design Thinking e Inteligência Artificial, com foco nas etapas de Empatia e Definição, para apoiar a coleta, interpretação e estruturação das necessidades dos usuários. A pesquisa, de natureza aplicada, qualitativa e exploratória, conduziu uma Prova de Conceito em ambiente controlado, empregando cenários hipotéticos. O artefato operou por meio de entrevistas guiadas em linguagem natural, organizando informações em elementos como dor, contexto e impacto, e gerando sínteses de problemas rastreáveis. Os resultados indicaram que o sistema organizou relatos não estruturados, reduziu ambiguidades e preservou o sentido das informações originais na maioria dos casos. Observou-se também a capacidade de reorganização lógica em cenários complexos, embora com limitações na separação de múltiplos problemas e dependência das instruções. Concluiu-se que o artefato possui potencial como apoio à elicitação de requisitos, melhorando a clareza e a estruturação das informações, mas requer supervisão e controle contextual.

Palavras-chave: Design Thinking; Elicitação de Requisitos; Engenharia de Requisitos; Inteligência Artificial; Processamento de Linguagem Natural.

17 de novembro de 2026

A Extinção da Sistemática Monofásica na Indústria Farmacêutica à Luz da Reforma Tributária

A Reforma Tributária do consumo, estabelecida pela Emenda Constitucional nº 132/2023, introduziu alterações estruturais no sistema tributário brasileiro, com a substituição do Programa de Integração Social (PIS) e da Contribuição para o Financiamento da Seguridade Social (COFINS) pela Contribuição sobre Bens e Serviços (CBS), em um modelo de Imposto sobre Valor Agregado (IVA dual). O objetivo foi analisar os impactos da extinção da sistemática monofásica na indústria farmacêutica, à luz do novo desenho normativo e de seus efeitos econômicos e jurídicos. Realizou-se pesquisa qualitativa, de natureza exploratória, por meio de estudo de caso e análise documental da legislação e da doutrina especializada. Examinou-se se o fim da monofasia implicaria aumento relevante da carga tributária para o setor. Os resultados indicaram que, embora a superação formal da sistemática monofásica tenha ocorrido, a desoneração material dos medicamentos foi preservada, sobretudo em razão da aplicação de alíquotas reduzidas de 60% e, em determinados casos, de alíquota zero do Imposto Sobre Bens e Serviços (IBS) e da CBS. A mudança de modelo pode provocar variações pontuais na arrecadação, sem caracterizar aumento estrutural da carga tributária, tendendo à neutralidade ao longo do tempo. Concluiu-se, preliminarmente, que a Reforma Tributária reorganizou a técnica de tributação na indústria farmacêutica, substituindo um regime concentrado por mecanismos mais transparentes de desoneração. Essa abordagem mostrou-se compatível com os princípios da neutralidade, da não cumulatividade plena e da extrafiscalidade, mantendo a proteção tributária aos medicamentos essenciais e alinhando a política fiscal ao direito fundamental à saúde.

Palavras-chave: CBS; COFINS; IBS; IVA Dual; PIS.

Inscreva-se em nossa newsletter!

Receba conteúdos e fique sempre atualizado sobre as novidades em gestão, liderança e carreira com a Revista E&S.

Ao preencher o formulário você está ciente de que podemos enviar comunicações e conteúdos da Revista E&S. Confira nossa Política de Privacidade