Nos últimos anos, o interesse no uso de Big Data por parte dos bancos centrais cresceu e, na Ásia, essa tecnologia vem sendo utilizada em diversas frentes, englobando o uso de informações em formatos tradicionais, como documentos e cadastros oficiais, e formatos não tradicionais, como informações encontradas na web.
Em geral, a tecnologia Big Data é definida em termos de volume, velocidade e variedade, os chamados 3Vs. Esta definição sugere que, para um conjunto de dados ser considerado grande ele não deve apenas ter alto volume e velocidade, mas também deve ter uma grande variedade de informações.
Na prática, entretanto, os bancos centrais, além de explorar diferentes utilidades para a tecnologia, também divergem sobre o seu conceito. Isso porque o Big Data pode incluir informações geradas a partir de diferentes fontes, como mídias sociais, atividades baseadas na Web, operações financeiras, administrativas ou comerciais.
Como os bancos centrais entendem o Big Data?
Para entender essa visão heterogênea, o BIS realizou uma pesquisa com 7 bancos centrais da Ásia e apurou que nenhum deles considera os dados tradicionais, quando isolados, como Big Data. Ou seja, se um conjunto de dados com os “3Vs” é formado apenas por dados tradicionais, nenhum dos bancos centrais considera se tratar de Big Data.
Em contrapartida, 14% dos entrevistados definem Big Data exclusivamente como grandes blocos de dados não tradicionais e não estruturados, já os 86% restantes incluem conjuntos de dados tradicionais e estruturados em sua definição de Big Data. Esses conjuntos de dados estruturados compreendem aqueles coletados para fins administrativos ou regulatórios e muitas vezes são rotulados como “Big Data financeiro”.
Para ficar mais claro, vale explicar o que são dados estruturados e não estruturados.
Os dados estruturados são organizados e representados por meio de uma estrutura rígida, previamente planejada, como um banco de dados organizado em colunas e linha, por exemplo. Já os dados não estruturados são exatamente o oposto, como no caso dos dados de redes sociais que são desordenados e compostos por imagens, textos, vídeos e áudios.
Essa diferenciação é importante uma vez que aponta que existem diferentes fontes de dados sendo usadas para análise, variando desde conjuntos de dados administrativos estruturados, como registros de crédito, até dados não tradicionais obtidos de jornais e portais online.
Como os bancos centrais estão explorando o uso de Big Data?
O Big Data, além de possuir variadas fontes geradoras, também pode ser usado pelas autoridades monetárias e reguladores em diferentes áreas, como pesquisa, condução da política monetária e avaliação de estabilidade financeira. Na Ásia, em geral, os projetos envolvem quatro aplicações principais: programação neurolinguística (PNL), exercícios de nowcasting (para monitorar o estado da economia em tempo real), aplicativos para extrair insights de dados financeiros granulares e aplicativos de SupTech e RegTech.
Programação neurolinguística (PNL)
O primeiro tipo de aplicação utiliza informação textual através da PNL. O objetivo é transformar a inteligência qualitativa baseada em texto em formato numérico. Um exemplo são os cálculos dos chamados índices de incerteza de política econômica (EPU) na Índia.
Tais índices são construídos através da criação de dicionários contendo a definição de termos específicos que se referem à incerteza. Em seguida, esses termos são pesquisados nos documentos de interesse, como artigos de jornal ou em sites da internet. Esses termos selecionados são então contados e agregados para fornecer um índice sintético que reflete o grau de incerteza exibido nos documentos de interesse.
Nowcasting
A análise econômica em tempo real a partir da junção de modelos com Big Data é a segunda tendência analisada pelo relatório e, de acordo com a pesquisa, mais de 40% dos bancos centrais asiáticos indicaram usar Big Data dessa forma. Essa estrutura é aplicada, principalmente, para fornecer informações adicionais sobre o consumo privado, as vendas na indústria, os preços de habitação, pagamentos e condições de desemprego.
Aplicativos de análise de dados financeiros
Uma terceira categoria inclui os vários aplicativos desenvolvidos pelos bancos centrais para extrair insights de toda a economia a partir de dados financeiros granulares ou outras fontes não tradicionais de micro dados. Incluindo conjuntos de dados proprietários e estruturados, como os de repositórios para transações de derivativos ou de registros de crédito.
Um exemplo notável ocorreu na Tailândia, onde o uso dos repositórios de transações ajudou a identificar redes de exposições. Da mesma forma, as informações dos registros de crédito têm apoiado a avaliação da qualidade do crédito, por exemplo, melhorando as estimativas de probabilidades de inadimplência.
Aplicativos de SupTech e RegTech
Uma quarta categoria compreende a ampla gama de aplicações de SupTech e RegTech. Em geral, muitas das aplicações desenvolvidas entre as jurisdições asiáticas concentram-se na avaliação de risco em nível micro, como a utilização de informações recolhidas a partir de demonstrações financeiras ou jornais para pontuação de crédito.
Outra área importante diz respeito à detecção de transações criminosas. Nesse sentido, quase um terço dos bancos centrais asiáticos já utilizam algoritmos de Big Data para fins de combate à lavagem de dinheiro e combate ao financiamento ao terrorismo, analisando transações de pagamento para identificar padrões suspeitos, entre outros.
Quais os desafios e como a cooperação internacional pode ajudar?
Entretanto, o desenvolvimento de novas aplicações e o aperfeiçoamento das que estão atualmente em curso ainda enfrentam alguns desafios. Em geral, os bancos centrais asiáticos relataram cinco dificuldades principais: criação de uma infraestrutura informática de elevada potência; desenvolvimento de capital humano; base jurídica; aspectos éticos e qualidade dos dados.
De acordo com o BIS, alguns pontos essenciais podem ser desenvolvidos como solução para superar esses desafios explicitados pelos bancos centrais e gerar oportunidades para o crescimento do cenário de inovação na região.
Em um primeiro ponto, a cooperação internacional pode auxiliar os bancos centrais a superarem esses desafios, afinal ela é capaz de permitir o acesso de grandes volumes de dados de forma compartilhada, aliada a apresentação de projetos bem-sucedidos e da troca de experiências.
Além disso, o desenvolvimento de discussões técnicas entre as instituições também é visto como uma maneira de desenvolver as habilidades necessárias, além de desenvolver ferramentas e algoritmos de TI adequados às necessidades dos bancos centrais.
Por fim, os organismos internacionais possuem o potencial de cumprir um papel importante ao promover soluções e iniciativas tecnológicas para melhorar a infraestrutura estatística em nível global. Considerando essa premissa, o BIS Innovation Hub – comitê do BIS dedicado à promoção de inovação e tendências tecnológicas voltadas para bancos centrais – identificou como prioridades estratégicas tecnologias como SupTech, RegTech e Open Finance.
Veja mais:
Índia, China e Singapura avançam na proteção de dados pessoais
Machine learning como ferramenta de combate à lavagem dinheiro
Tecnologias financeiras estão no horizonte da Nova Rota da Seda
Índia, China e Singapura avançam na proteção de dados pessoais
