Curso de Big Data Analytics para Finanças

Aula 1 • Principais Funções em uma Equipe de Finanças Orientada por Dados

Define as responsabilidades de engenheiros de dados, analistas, cientistas e guardiões de dados dentro de organizações financeiras. Ajuda os alunos a posicionar seu próprio papel no ecossistema.

Aula 2 • Definindo as Características do Big Data

Aborda os cinco Vs — volume, velocidade, variedade, veracidade, valor — aplicados a conjuntos de dados financeiros. Serve de base para todo o conteúdo técnico e estratégico subsequente.

Aula 3 • Direcionadores de Negócios para Transformação de Dados

Identifica as pressões competitivas, regulatórias e operacionais que impulsionam as instituições financeiras em direção a modelos orientados por dados. Contextualiza a justificativa estratégica do curso.

Aula 1 • Frameworks de Computação Distribuída

Apresenta frameworks de processamento em lote e fluxo contínuo usados para lidar com grandes conjuntos de dados financeiros. Prepara os alunos para a construção prática de pipelines em capítulos posteriores.

Aula 2 • Plataformas em Nuvem para Dados Financeiros

Pesquisa os principais modelos de serviço em nuvem e seus padrões de adoção no setor financeiro. Aborda considerações de compliance, latência e custo exclusivas das finanças.

Aula 3 • Bancos de Dados Relacionais vs. Não Relacionais

Contrasta os paradigmas SQL e NoSQL usando exemplos de dados financeiros. Estabelece critérios para escolher a tecnologia de armazenamento com base na estrutura dos dados e nas necessidades de consulta.

Aula 4 • Projeto e Orquestração de Pipelines de Dados

Aborda a construção de pipelines completos, desde a ingestão até as camadas de disponibilização. Relaciona as escolhas de infraestrutura aos fluxos de dados confiáveis e auditáveis exigidos em finanças.

Aula 1 • Frameworks de Governança de Dados Regulatórios

Mapeia políticas de governança aos requisitos regulatórios financeiros relacionados à retenção, linhagem e reporte de dados. Permite que os alunos criem estruturas de governança em conformidade.

Aula 2 • Gestão de Metadados e Catálogos de Dados

Explica metadados de negócio e técnicos e seu papel na descoberta de dados. Conecta a implementação do catálogo a uma entrega de análises mais rápida e confiável.

Aula 3 • Dimensões e Métricas de Qualidade de Dados

Define completeza, precisão, consistência, tempestividade e unicidade como dimensões de qualidade mensuráveis. Estabelece a linha de base de medição para programas de governança.

Aula 4 • Técnicas de Perfilamento e Limpeza de Dados

Aplica métodos estatísticos e baseados em regras para detectar e corrigir defeitos de dados em conjuntos de dados financeiros. Dá suporte direto à confiabilidade do modelo e à precisão dos relatórios.

Aula 1 • Redução de Dimensionalidade e Exploração de Características

Utiliza PCA e clustering para reduzir a complexidade em conjuntos de dados financeiros de alta dimensionalidade. Faz a ponte entre a EDA e a engenharia de atributos de aprendizado de máquina nos capítulos seguintes.

Aula 2 • Estatísticas Descritivas para Dados Financeiros

Aplica medidas de tendência central, dispersão e forma a séries temporais financeiras e dados transversais. Desenvolve a intuição estatística necessária para a elaboração de modelos.

Aula 3 • Visualização de Dados para Insights Financeiros

Seleciona e constrói gráficos adequados para tipos de dados financeiros e públicos-alvo. Conecta princípios de design visual à comunicação eficaz com stakeholders.

Aula 4 • Técnicas de Exploração de Séries Temporais

Identifica tendências, sazonalidade e quebras estruturais em séries temporais financeiras. Prepara os alunos para previsão e detecção de anomalias em capítulos posteriores.

Aula 1 • Previsão de Mercado e Predição de Retorno

Aplica modelos de séries temporais e ensembles para prever retornos e a volatilidade de ativos. Avalia criticamente os riscos de sobreajuste específicos para dados do mercado financeiro.

Aula 2 • Modelagem de Risco de Crédito

Constrói modelos de probabilidade de default e perda dado o default usando dados do tomador. Conecta as saídas do modelo aos fluxos de trabalho de alocação de capital e decisões de crédito.

Aula 3 • Detecção de Fraude com Aprendizado de Máquina

Aplica detecção e classificação de anomalias para identificar transações fraudulentas. Aborda requisitos de pontuação em tempo real e restrições de implantação operacional.

Aula 4 • Avaliação e Seleção de Modelos

Aplica métricas do contexto financeiro — AUC, Gini, índice de Sharpe — para comparar e selecionar modelos. Garante que os alunos escolham modelos alinhados aos objetivos de negócio, e não apenas a pontuações estatísticas.

Aula 1 • Monitoramento de Risco e Compliance em Tempo Real

Implementa mecanismos de regras de streaming para violações de limite, triagem de sanções e alertas de AML. Aplica diretamente o processamento de fluxo a cenários de compliance financeiro de alto risco.

Aula 2 • Sistemas de Dados para Negociação de Baixa Latência

Aborda requisitos de dados em nível de microssegundo para contextos de negociação algorítmica e de alta frequência. Abrange otimizações de hardware, rede e software para latência ultrabaixa.

Aula 3 • Plataformas de Streaming de Eventos em Finanças

Examina sistemas de mensageria de alto throughput utilizados para dados de mercado e eventos de transação. Conecta as capacidades da plataforma aos requisitos de casos de uso financeiro.

Aula 4 • Janelamento e Agregação em Fluxos

Aplica janelas deslizantes, rotativas e de sessão para calcular métricas financeiras em tempo real. Permite que os alunos construam indicadores contínuos de risco e desempenho.

Aula 1 • Análise de Grafos para Redes Financeiras

Modela redes de contraparte, de propriedade e de transação usando algoritmos de grafos. Identifica concentrações de risco sistêmico e anéis de fraude invisíveis à análise tabular.

Aula 2 • Aprendizado por Reforço para Gestão de Carteira

Aplica aprendizado baseado em recompensa à alocação dinâmica de ativos e à otimização de execução. Apresenta aos alunos os frameworks de agente-ambiente na tomada de decisões financeiras.

Aula 3 • IA Explicável para Decisões Financeiras

Aplica SHAP, LIME e visualização de atenção para interpretar saídas de modelos complexos. Atende às expectativas regulatórias de transparência de modelos em decisões de crédito e risco.

Aula 4 • Aprendizado Profundo para Sinais Financeiros

Aplica arquiteturas LSTM, CNN e transformer a dados financeiros sequenciais e tabulares. Amplia o kit de ferramentas de modelagem dos alunos além dos métodos clássicos de aprendizado de máquina.

Aula 1 • Medindo o ROI de Iniciativas de Analytics

Define KPIs financeiros e operacionais para quantificar o valor entregue por programas de análise de dados. Capacita os alunos a construir business cases e manter o patrocínio executivo.

Aula 2 • Escalando e Sustentando a Transformação

Aborda governança, plataforma e mecanismos organizacionais para escalar análises além de projetos-piloto. Garante que a transformação gere vantagem competitiva duradoura.

Aula 3 • Design de Modelo Operacional Orientado a Dados

Redesenha fluxos de trabalho da função financeira para incorporar análises nos processos de tomada de decisão. Aborda mudanças estruturais, processuais e culturais exigidas para uma transformação sustentada.

Aula 4 • Avaliação de Vencimento em Analytics

Avalia as capacidades atuais de dados e análises de uma organização em comparação com um modelo de maturidade e fornece a base diagnóstica para a construção de um roteiro de transformação.