APLICAO DE REDES NEURAIS

ARTIFICIAIS AVALIAO E PREVISO

DE COMPORTAMENTO CREDITCIO

Proposta para acrscimo ao leque de ofertas de

treinamentos avanados do INFI Setembro de 2016

Uma abordagem baseada

21/09/2016 em ANNs supervisionadas
por Algoritmos Genticos
O diferencial oferecido por softwares
adaptativos de ponta para enfrentar o
desafio de elaborar scores comportamentais e
estimar PDs.
 Aplicao de Redes neurais artificiais avaliao e previso de comportamento creditcio

Aplicao de Redes neurais artificiais avaliao e

previso de comportamento creditcio
Uma abordagem baseada em ANNs supervisionadas por Algoritmos
Genticos

I - Contextualizao
A utilizao de ferramentas de AI em instituies financeiras convencionais, ou em Fintechs tem crescido
exponencialmente nos ltimos oito anos, no perodo ps-crise financeira internacional. Isso se deve a uma
conjuno de fatores, mais precisamente:
1. As ferramentas de AI, especialmente as redes neurais artificiais (ANNs) supervisionadas por algoritmos
genticos (GA), tornaram-se superiores, em termos de capacidade preditiva, ao ferramental de
modelagem mais tradicional, como regresso linear muitivariada, anlise discriminante, Logit e Probit.

2. A superviso por algoritmos genticos eliminou completamente antigas objees s ANNs,

especificamente o comportamento caixa preta (limitao da capacidade explicativa das variveis dos
modelos), a tendncia a overfitting (previso excessivamente precisa para dados in-sample mas
com perdas nos dados out-of-sample), e o risco de prender-se a timos localizados, como soluo
final (em vez de timos absolutos).

3. O aumento de capacidade de processamento do hardware permitiu o uso de ferramentas com tal

sofisticao, trabalhando sobre massas significativas de dados, e ainda assim concluir a elaborao do
modelo preditivo em perodos viveis.

4. O surgimento de Big Data, com a incorporao cada vez mais frequente, como inputs para modelos
preditivos, de dados no estruturados obtidos em redes sociais, mecanismos de pesquisa, aplicativos
mveis, vai tornando cada vez mais incompletos e inadequados os modelos tradicionais baseados
apenas em dados numricos estruturados derivados de transaes e contratos financeiros,
alimentando as ferramentas convencionais supracitadas. Os novos dados so tipicamente no-
lineares, justamente o territrio dominado pelas ANNs supervisionadas.

5. A crescente digitalizao das instituies financeiras convencionais e o exponencial crescimento das

Fintechs demandam cada vez maior automao nas operaes de anlise, concesso e aprovao de
crdito, alm de mining de potenciais clientes, dirigindo-lhes produtos mais adequados a seus perfis
de utilizao de crdito. ANNs supervisionadas so instrumentos cada vez mais escolhidos para a
automao de tais atividades.
A imprensa especializada, no mundo inteiro, tem reportado a todo o momento o crescente uso de ferramentas
de inteligncia artificial (AI) pelas organizaes financeiras, o assim chamado Boom de AI in Finance, como
ilustram os exemplos a seguir:
Neural networks are widely applied in classification and clustering, and its advantages are as follows.
First, it is adaptive; second, it can generate robust models; and third, the classification process can be
modified if new training weights are set. Neural networks are chiefly applied to credit card, automobile
insurance and corporate fraudThe study in [*] revealed that input vector consisted of financial ratios
and qualitative variables, was more effective when fraud detection model was developed using neural

Direitos autorais reservados para IntelliSearch Experteam Consultoria Ltda. - Pgina 1

Aplicao de Redes neurais artificiais avaliao e previso de comportamento creditcio

network. The model was also compared with standard statistical methods like linear and quadratic
discriminant analysis, as well as logistic regression methods (Anuj Sharma, Prabin Kumar Panigrahi, A
Review of Financial Accounting Fraud Detection based on Data Mining Techniques - Feb 2012). [*]
Fanning, K., & Cogger, K. (1998). Neural network detection of management fraud using published
financial data. International Journal of Intelligent Systems in Accounting, Finance & Management.

The Fintech sector is starting to use artificial intelligence in several ways. ...RBS has developed Luvo,
a technology which assists it service agents in finding answers to customer queries. The AI technology
can search through a database, but also has a human personality and is built to learn continually and
improve over time (Forbes, The Age of Artificial Intelligence in Fintech, Jun 2016)

In the field of credit scoring, studies have shown that neural networks perform significantly better than
statistical techniques. [1], [5]. ANN have been used in credit rating and credit scoring quite extensively
as illustrated in the following papers : Artificial Neural Networks for Corporation Credit Rating
Analysis[7], Personal Credit Rating Assessment for the National Student Loans based on Artificial
Neural Network[8], Personal Credit Rating Using Artificial Intelligence Technology for the National
Student Loans where a Back Propagation neural network was used [9], Research of electronic
commercial credit rating based on Neural Network with Principal Component Analysis [10] (Thabiso
Peter Mpofu1, Macdonald Mukosera2Credit Scoring Techniques: A Survey August 2014).

Furthermore, a comparison between different statistical approaches demonstrates that

advanced/sophisticated techniques, such neural networks and genetic programming perform better
than more conventional techniques, such as discriminant analysis and logistic regression, in terms of
their higher predictive ability (Hussein A. Abdou & John Pointon - Credit Scoring, Statistical
Techniques and Evaluation Criteria: A Review of the Literature 2011).

II Objetivos de negcio e pblico-alvo do treinamento

O principal objetivo o de capacitar profissionais de Instituies Financeiras convencionais, bem como de start-
ups relacionadas (Fintechs, Regtechs, fornecedores de apps mveis para bancos), a escolher e usar ferramentas
de AI (ANNs supervisionadas) do mercado no desenvolvimento de modelos preditivos e classificatrios
destinados a scoring, rating, PDs, LGDs EADs (CCR). Alm do uso do ferramental propriamente dito, o
treinamento capacita s tarefas de seleo e tratamento prvio dos dados a serem usados como inputs dos
modelos, bem como os critrios e dados usados nos testes dos mesmos.
O pblico-alvo composto principalmente por profissionais das seguintes reas de atuao:
Modelagem de score, rating, PD, LGD, EAD;
Validao dos modelos;
Anlise e projeo do desempenho de carteiras e de clientes individuais;
Prospeco de clientes para produtos de crdito, pelo perfil de risco e consumo.
Profissionais que trabalhem em econometria tambm podem se beneficiar imensamente deste treinamento,
embora mais na parte conceitual e ferramental, no nos dados, visto que os exemplos prticos no cobrem o
uso em previses macroeconmicas.

Pgina 2 - Direitos autorais reservados para IntelliSearch Experteam Consultoria Ltda.

 Aplicao de Redes neurais artificiais avaliao e previso de comportamento creditcio

III Metodologia e abordagem do treinamento

O treinamento ser predominantemente prtico, baseado em aplicaes reais, com apenas uma introduo
terica, fundamental para o entendimento dos exemplos que sero apresentados. O treinamento poder ser
aplicado presencialmente ou na forma de EaD.
Os casos reais de aplicao sero apresentados de forma interativa, construindo-os medida em que os
conceitos e ferramentas so utilizados. Usaremos com ferramentas os softwares da Ward Systems,
basicamente o NeuroShell Classifier, o NeuroShell Predictor e o Chaos Hunter, embora o curso deixe claro que
so apenas as alternativas que utilizamos e no se trata de uma recomendao ou demonstrao com
intenes promocionais. Os atendentes no precisaro de licenas do software e nem precisaro instal-lo
em estaes prprias. Mencionaremos opes de mercado alm das que utilizamos, em um dos tpicos do
curso, descaracterizando assim qualquer abordagem de marketing.
O material (handover) ser desenvolvido em forma digital (pdf-like disponvel coletivamente em Google docs)
para que os atendentes possam acompanhar e percorrer de qualquer local, nos seus prprios dispositivos
mveis, sem a necessidade de distribuio de material impresso, embora isso possa ser feito para os que assim
preferirem. As funes de Google docs permitem tambm que os atendentes postem comentrios e
perguntas. Os slides abaixo ilustram fases da construo aplicao e teste dos modelos.

Seleo de variveis e importao dos dados de input dos modelos

Direitos autorais reservados para IntelliSearch Experteam Consultoria Ltda. - Pgina 3

Aplicao de Redes neurais artificiais avaliao e previso de comportamento creditcio

Treinamento do modelo acompanhamento da convergncia

Treinamento do modelo acompanhamento da capacidade explicativa das variveis

Pgina 4 - Direitos autorais reservados para IntelliSearch Experteam Consultoria Ltda.

 Aplicao de Redes neurais artificiais avaliao e previso de comportamento creditcio

Teste do modelo sobre dados out-of-sample grfico de disperso

Teste do modelo sobre dados out-of-sample (varivel dependente categrica) convergncia

Direitos autorais reservados para IntelliSearch Experteam Consultoria Ltda. - Pgina 5

Aplicao de Redes neurais artificiais avaliao e previso de comportamento creditcio

Teste do modelo sobre dados out-of-sample (varivel dependente categrica) curva ROC

Teste do modelo sobre dados out-of-sample (varivel dependente categrica) Matriz de disperso

Pgina 6 - Direitos autorais reservados para IntelliSearch Experteam Consultoria Ltda.

 Aplicao de Redes neurais artificiais avaliao e previso de comportamento creditcio

IV Contedo programtico do treinamento

Ser coberta a seguinte estrutura de tpicos:
1. Fundamentos de ANNs supervisionadas
1.1. Feedforward ANNs arquiteturas e funcionamento
1.2. Backpropagation e derivaes (Turboprop)
1.3. Funes de ativao/atenuao (logstica, trigonomtricas, transcendentais, cumulativa normal)
1.4. ANNs probabilsticas - diferenciais
1.5. Algoritmos genticos conceitos e a aplicao na superviso de ANNs
1.6. ANNs supervisionadas por algoritmos de Swarm Optimization

2. Uma aplicao na elaborao de score contnuo

2.1. Seleo de variveis dependentes e independentes, de input do modelo
2.2. Tratamento prvio dos dados de input (domnios, normalizao)
2.3. Dimensionamento e seleo dos dados in-sample e out-of-sample
2.4. Sintonia fina dos parmetros de arquitetura da ANN
2.5. Monitorao do ciclo de treinamento da ANN
2.6. Ajustes ps-treinamento da ANN
2.7. Testes da ANN treinada sobre as amostras in-sample e out-of-sample
2.8. Implantao da ANN como aplicativo principal ou rotina embutida
2.9. Definio de periodicidade para novos ciclos de treinamento critrios e mtodos

3. Ratings discretos (categorizao classificao)

3.1. Seleo de variveis dependentes e independentes, de input do modelo
3.2. Tratamento prvio dos dados de input as diferenas para variveis discretas
3.3. Dimensionamento e seleo dos dados in-sample e out-of-sample
3.4. Sintonia fina dos parmetros de arquitetura da ANN
3.5. Monitorao do ciclo de treinamento da ANN
3.6. Ajustes ps-treinamento da ANN
3.7. Testes da ANN treinada sobre as amostras in-sample e out-of-sample
3.8. Implantao da ANN como aplicativo principal ou rotina embutida
3.9. Definio de periodicidade para novos ciclos de treinamento critrios e mtodos

4. Estimativas de PD, LGD e EAD (CCR)

4.1. Seleo de variveis dependentes e independentes, de input do modelo
4.2. Tratamento prvio dos dados de input (domnios, normalizao)
4.3. Dimensionamento e seleo dos dados in-sample e out-of-sample
4.4. Sintonia fina dos parmetros de arquitetura da ANN
4.5. Monitorao do ciclo de treinamento da ANN
4.6. Ajustes ps-treinamento da ANN
4.7. Testes da ANN treinada sobre as amostras in-sample e out-of-sample
4.8. Implantao da ANN como aplicativo principal ou rotina embutida
4.9. Definio de periodicidade para novos ciclos de treinamento critrios e mtodos

5. Mining, classificao e clustering

5.1. Seleo de variveis dependentes e independentes, de input do modelo

Direitos autorais reservados para IntelliSearch Experteam Consultoria Ltda. - Pgina 7

Aplicao de Redes neurais artificiais avaliao e previso de comportamento creditcio

5.2. Tratamento prvio dos dados de input clustering

5.3. Dimensionamento e seleo dos dados in-sample e out-of-sample
5.4. Sintonia fina dos parmetros de arquitetura da ANN
5.5. Monitorao do ciclo de treinamento da ANN
5.6. Ajustes ps-treinamento da ANN
5.7. Testes da ANN treinada sobre as amostras in-sample e out-of-sample
5.8. Implantao da ANN como aplicativo principal ou rotina embutida
5.9. Definio de periodicidade para novos ciclos de treinamento critrios e mtodos

6. Comparao com outros mtodos de modelagem

6.1. ANNs supervisionadas vs Regresso Linear Multivariada (MLR)
6.2. ANNs supervisionadas vs ANNs no supervisionadas
6.3. ANNs supervisionadas vs Logit e Probit
6.4. ANNs supervisionadas vs SVMs
6.5. Uso conjunto com outras metodologias
6.6. Benchmarks de mercado

7. Softwares de mercado para ANNs (supervisionadas ou no)

7.1. Critrios para seleo, ajustando-a caso a caso
7.2. Validao cruzada e benchmarking

8. Bibliografia e aprofundamento
8.1. Referncias bibliogrficas (websites, grupos em redes sociais, e-books)
8.2. Aprofundamento e generalizao Prximos passos

V Sugesto de carga horria e aplicao

Para a aplicao efetiva do treinamento, sugerimos uma carga horria entre 15 a 20 horas de sesso para a
modalidade expositiva-presencial e 12 a 16 horas-aula para a modalidade EaD (nesta com dedicao do
instrutor de mais 2 horas para Q&A)
Turma devem ser compostas por no mximo 20 atendentes na verso presencial e 35 na EaD.
Alm do instrutor, a IntelliSearch disponibilizar um auxiliar para encaminhamento, seleo,
classificao/agrupamento e priorizao de perguntas e respostas, em ambas as verses.
A avaliao do curso poder ser coletada e analisada por aplicativo mvel nosso ou do INFI.

VI Pr-requisitos para atendentes e infraestrutura do treinamento

Embora conhecimentos prvios de estatstica sejam convenientes, no so imprescindveis, e apenas noes
compatveis com o aprendizado da disciplina no ensino mdio (matemtica de um modo geral) so requeridas.
Nenhum conhecimento prvio de AI, ANNs ou algoritmos genticos esperado dos atendentes.
Noes bsicas (conceitos de negcio) sobre as aplicaes usadas como exemplos (scoring, rating, PDs, LGDs,
EADs, mining) so desejveis.
Tanto para a verso presencial (sala, projetores, monitores) quanto para EaD (plataforma e conexes) o
fornecimento da infraestrutura ser de responsabilidade do INFI .

Pgina 8 - Direitos autorais reservados para IntelliSearch Experteam Consultoria Ltda.

 Aplicao de Redes neurais artificiais avaliao e previso de comportamento creditcio

VII Precificao das inscries e participao da IntelliSearch

Considerando o potencial de aplicao do conhecimento adquirido, a complexidade e custo de
desenvolvimento do material e a dedicao de instrutores com a qualificao e experincia necessrios,
sugerimos valores de inscrio (valor bruto final cobrado pelo INFI) dentre R$3.200,00 e R$3.500,00 (lquido
de impostos) por treinando.
A IntelliSearch faturar o INFI em 50% desse valor (bruto) em duas parcelas.

VIII Sobre a IntelliSearch

A IntelliSearch, por sua vez, tem mais de 12 anos de experincia contnua na utilizao de ferramentas ANNs
supervisionadas, e nesse tempo desenvolveu metodologias e camadas de software adicionais (interfaces,
normalizadores de dados de input e output para redes neurais, algoritmos de seeding).
Entre nossos clientes esto Serasa Experian, Banco do Brasil (a antiga operao Banco Popular do Brasil) e a
Yamaha Motors do Brasil.
Nossa longa cooperao com fornecedores de ANNs supervisionadas tambm nos d a vantagem de
acumularmos conhecimento sobre a melhor forma de configurar os parmetros de otimizao (treinamento
de redes neurais), alm de tcnicas para seleo de dados de treinamento.
Finalmente, nossa experincia nos habilita como nicos parceiros ativos da Ward Systems no Brasil para a
prestao de suporte local relativo a seus softwares.

IX Nossos instrutores
Alocamos sempre nossos profissionais mais experientes como instrutores e mesmo como auxiliares. Neste
caso, estamos nos referindo a especialistas com mais de 10 anos de experincia na ferramentais e
metodologias aqui cobertas e nas aplicaes de negcio utilizadas nos exemplos. Adicione-se a isso a
experincia em atividades didticas.
Quando conveniente ao INFI, encaminharemos os resumos profissionais desses profissionais ao INFI, alm de
adiantarmos a disponibilidade dos mesmos para reunies e entrevistas prvias.
Nossa longa cooperao com fornecedores de ANNs supervisionadas tambm nos d a vantagem de
acumularmos conhecimento sobre a melhor forma de configurar os parmetros de otimizao (treinamento
de redes neurais), alm de tcnicas para seleo de dados de treinamento. O CV no anexo apenas um
exemplo.

X - Direitos de uso e propriedade intelectual deste material

Obs.: As marcas NeuroShell Classifier (tambm apresentado como NS Classifier), NeuroShell Predictor (ou NS
Predictor), e Chaos Hunter so registradas como propriedade intelectual (copyright) da Ward Systems. O
mesmo ocorre para todas as figuras exibidas neste material (pginas 3 a 6). Todo o restante do material de
propriedade intelectual da IntelliSearch (razo social Experteam Consultoria Ltda.).
Este material tem autorizao e uso, e apenas como consulta para avaliao desta proposta, para o INFI, no
devendo ser distribudo a qualquer outra pessoa fsica ou jurdica, mesmo que a estas relacionada.

Direitos autorais reservados para IntelliSearch Experteam Consultoria Ltda. - Pgina 9

Aplicao de Redes neurais artificiais avaliao e previso de comportamento creditcio

Anexo: CV de Instrutor

CARLOS ANTONIO CAMPOS NOGUEIRA

Sumrio de qualificaes e de experincia profissional:

Diretor de Consultoria e lder de prtica com 32 anos de experincia contnua em servios de consultoria
e instruo de TI, tendo atendido mais de 40 empresas em cerca de 90 projetos. Durante esse perodo
atuou como funcionrio ou scio das seguintes empresas:

Andersen Consulting (atualmente Accenture e inicialmente Arthur Andersen Consulting) - Fev/83

a Maio/84
DBS (inicialmente McCormack & Dodge) Jun/84 a Dez/85
Flow Informtica Jan/86 a Jun/90 (antes da aquisio da Flow pela KPMG LLP do Brasil)
KPMG LLP Jul/90 a Maio/96
SAP Set/98 a Jul/01
BearingPoint (inicialmente KPMG Consulting Inc) Ago/01 a Mar/03
IntelliSearch Jun/96 a Set/98 e Abr/03 at a presente data.

Experincia profissional prvia: Professor de Fsica e de Matemtica (2o. Grau, pr-vestibular e ciclo
bsico universitrio). Jan/80 a Dez/82.

Histrico Profissional:

Andersen Consulting Atuou como consultor em projetos de implementao de sistemas contbeis e

financeiros (COFIN) em plataformas IBM, Burroughs (atualmente Unisys), e Bull. Alguns dos clientes
atendidos: LASA, REFER, Telettra (ABC Bull).

McCormack & Dodge Consultor dedicado implantao de software aplicativos da linha Millennium,
principalmente o GL:M e o M:SDT. Alguns dos clientes atendidos: PRODEMGE, SKF, Metr de SP, CEMAT
e Souza Cruz.

Flow Informtica Scio fundador, atuou como lder de projeto na implantao de GL:M e M:SDT em
vrios clientes, entre eles:
ALCAN, ALCOA, CEMAT, Banco Econmico, Gessy Lever, LASA, Metr de SP, Eucatex, Shell e Casas
Pernambucanas (SP).
Ainda na Flow, atuou no projeto conceitual do Natural Ledger (posteriormente Consist-GL) e no
desenvolvimento do Account Plus software contbil para plataformas Bull.

Pgina 10 - Direitos autorais reservados para IntelliSearch Experteam Consultoria Ltda.

 Aplicao de Redes neurais artificiais avaliao e previso de comportamento creditcio

KPMG LLP Brasil Aps a incorporao da Flow pela KPMG, atuou como diretor da rea de
consultoria de TI, liderando projetos de GL:Millennium e Account Plus em empresas como: Atlas Copco,
Cargill, Hermes Macedo, Inepar, Hoechst, Molins, Bahia Sul Celulose e Siemens.
Atuou tambm como lder em projetos de avaliao e seleo de software, segurana de dados, planos
de contingncia e continuidade para ambientes de TI, planejamento de TI, downsizing de plataformas,
desenvolvimento de aplicativos para empresas como: Agroceres, ABN-AMRO Bank, Byk Qumica,
BANESPA, Bols do Brasil, BM&F, Citrosuco, CCF, Citibank, Delboni-Auriemo, IPLAN-Rio, Filtrona,
Motorola, Nestl, Pepsico Foods, Rolamentos FAG e SERASA.

IntelliSearch Scio-Diretor e fundador da empresa, liderou as iniciativas de segurana de dados e

criptografia computacional, alm da prtica de suporte a clientes de Account Plus, terceirizando a
atividade da KPMG. Implantou sistemas de apoio a deciso na Astra Zeneca e na Inepar. Desenvolveu
recursos adicionais de segurana de dados para a SERASA (representando a empresa Dinamarquesa
Cryptomathic), e aplicativos para a KPMG, Stssi-Neves (advocacia) e SAP, alm de preparar, em
parceria com a KPMG, o plano de Y2K e o PDTI para o Deutsche Bank.
Na segunda fase de dedicao completa IntelliSearch, a partir de Abril de 2003, adicionou
representao j existente (da Cryptomathic) outra referente a ferramentas de AI (ANNs
supervisionadas por algoritmos genticos) para scoring e rating, com a Ward Systems, dentro de um
contexto de gesto de risco de crdito para Instituies Financeiras. Da em diante liderou projetos de
implantao de metodologias de gesto de riscos (basicamente de crdito e de mercado), ligadas aos
objetivos de Basilia II e III, para instituies financeiras e entidades relacionadas, como Banco Cacique,
Banco Popular do Brasil (atualmente parte do Banco do Brasil) e Banco Votorantim, bem como na Serasa
Experian e FEBRABAN. Desenvolveu tambm projetos de avaliao de hardware e software para
empresas como Yamaha Motors e UNISUL. Conduziu e/ou gerenciou projetos de diagnstico e
planejamento de TI (PDTI) na Stssi-Neves e Advogados e na Fundao Real Grandeza.

SAP Brasil - Atuando como gerente de consultoria, foi o responsvel por projetos de implantao
integral ou parcial do SAP R/3 em vrias empresas, entre elas: Eletronorte, EMAE, COELBA/COSERN,
AES-SUL e LASA. Liderou tambm trabalhos de Reviso de Projeto em clientes como Elektro e RGE. Foi
o lder da consultoria da SAP no processo de pr-vendas do R/3 para a Petrobrs ao final de 98. No
segundo semestre de 99 co-liderou tambm o Business Case da Petrobrs em parceria com a
Ernst&Young, incluindo o desenvolvimento completo de um prottipo do tipo prova de conceito que
culminou com a contratao do SAP R/3 em Janeiro de 2000. Entre Maro e Julho de 2001 atuou
interinamente como diretor da consultoria da SAP.

BearingPoint - Contratado como gerente de consultoria para liderar o desenvolvimento da prtica

SAP, liderou projetos como o da Wella Brasil e tambm atuou como suporte de risk management e
redimensionamento de staff durante o replanejamento do projeto Sinergia, entre setembro e dezembro
de 2002. Liderou tambm o business case para a Yamaha, na seleo de uma soluo corporativa.
Atuou nas iniciativas comerciais e tcnicas (propostas e apresentaes) para clientes como CSN, Embraer
e AmBev. Durante a sua permanncia na empresa foi responsvel local pela aliana da BearingPoint
com a SAP, entre outras alianas estratgicas, tendo iniciado as conversaes que resultaram na
aquisio da Consultoria da Ernst&Young do Brasil pela ento KPMG Consulting (processo iniciado em
Jun/02 e concludo em Agosto do mesmo ano, dois meses antes da mudana de logomarca da KPMG
para BearingPoint). A aquisio da E&Y lanou a BearingPoint em um novo patamar, passando de uma

Direitos autorais reservados para IntelliSearch Experteam Consultoria Ltda. - Pgina 11

Aplicao de Redes neurais artificiais avaliao e previso de comportamento creditcio

pequena prtica de cerca de 90 profissionais para uma de mais de 400, alm de lan-la como um
dos lderes da prtica de consultoria de SAP.

Experincia em processos de negcio dos seguintes segmentos de indstria:

- Instituies financeiras e seu ecossistema (reguladores, bureaux de informao)
- Qumica e farmacutica
- Alimentos e bebidas
- Fundaes privadas de previdncia complementar
- Varejo e Distribuio
- Produtos de consumo (CPG)
- Metalurgia e Siderurgia
- Utilities
- Oil & Gas

II - DOMNIO DE LNGUAS ESTRANGEIRAS:

Ingls - fluente
Espanhol e Francs capacidade de leitura.

III HISTRICO ACADMICO

- Graduao em Fsica - 1974 a 1979 (PUC - RJ)
- Mestrado em Astrofsica e Partculas Elementares - 1980 a 1982
Centro Brasileiro de Pesquisas Fsicas (CBPF/CNPQ)

IV CURSOS TCNICOS E GERENCIAIS

- Computers Fundamentals Course (CFC) - 1983 - Andersen Consulting
- Computers in Practice School (CPS) - 1983
Andersen Consulting
- Introduction to General Ledger Millennium (GL:M) - 1984
Mc Cormack & Dodge (posteriormente DBS)
- Introduction to Millennium Systems Development Tool - 1985
Mc Cormack & Dodge
- Information Technology Risk Management Benchmarking (ITRMB) - 1995
KPMG London
- Cornerstones of Leadership (mainline gerencial) - 1999
SAP

Pgina 12 - Direitos autorais reservados para IntelliSearch Experteam Consultoria Ltda.

 Aplicao de Redes neurais artificiais avaliao e previso de comportamento creditcio

LISTA PARCIAL DE CLIENTES ATENDIDOS, POR TIPO DE PROJETO

IMPLEMENTAO DE APLICATIVOS DE MERCADO (COFIN, GL MILLENNIUM, ACCOUNT PLUS E SAP R/3)

AES/SUL (SAP) KPMG
ALCAN LOJAS AMERICANAS (GL:M & SAP)
ALCOA METR DE SP
ATLAS COPCO MESBLA
BAHIA SUL CELULOSE MOLINS
CDHU NESTL
CASAS PERNAMBUCANAS PETROBRAS (SAP)
CENTRAIS ELTRICAS MATOGROSSENSES RIACHUELO (SAP)
CEMIG RGE (SAP)
COELBA (SAP) SAP
CSN (SAP) STSSI-NEVES E ADVOGADOS
ELETRONORTE (SAP) SHELL
ELEKTRO (SAP) SIEMENS
EMAE (SAP) HERMES MACEDO WELLA (SAP)
HOECHST YAMAHA MOTORS
INEPAR

IMPLANTAO DE SISTEMAS E METODOLOGIAS DE SEGURANA DE INFORMAO

BM&F IPLANRIO
CITIBANK ROLAMENTOS FAG
CITROSUCO SERASA

IMPLANTAO DE SOLUES DE AI (ANNS SUPERVISIONADAS)

ASTRA ZENECA ECOMARKETING
SERASA EXPERIAN CENTURY CONSULTING
MOINHO DE YAMAHA MOTORS DO BRASIL
OURO

DESENVOLVIMENTO E IMPLANTAO DE APLICATIVOS CUSTOMIZADOS

ALCAN NESTL
ALCOA SAP
CASAS PERNAMBUCANAS STSSI-NEVES E ADVOGADOS
CENTURY CONSULTING YAMAHA MOTORS
KPMG

CONSULTORIA DE GESTO DE RISCO DE CRDITO E DE MERCADO PARA A INDSTRIA FINANCEIRA,

INCLUINDO PROJETOS DE BASILIA II E III
ABBC BANCO VOTORANTIM
BANCO CACIQUE FEBRABAN
BANCO POPULAR DO BRASIL SERASA EXPERIAN
KPMG

Direitos autorais reservados para IntelliSearch Experteam Consultoria Ltda. - Pgina 13