Escolar Documentos
Profissional Documentos
Cultura Documentos
Princpios e Uso
Rafael S. Calsaverini
N 94
Maro de 2016
Prepare sua empresa para extrair o mximo de benefcios Saiba como explorar todo o
dos dados positivos com a ajuda da Serasa Experian. potencial dessa nova realidade
Positive-se! Contrate agora mesmo a Consultoria Serasa Conceda mais crdito com
Experian em Cadastro Positivo e rentabilize suas decises menos riscos
+
Aumente o retorno das suas
++
Para saber mais, acesse aes de cobrana
serasaexperian.com.br/cadastropositivo
Minimize prejuzos causados
ou ligue para 3004 7728 por fraudes e inadimplncia
3
06
16
Desafios das Empresas Face Lei Anticorrupo A Lei Anticorrupo brasileira, ao estabelecer a
responsabilizao objetiva, no mbito civil e admi-
Franklin Mendes Thame nistrativo, de empresas que praticam atos lesivos
contra a administrao pblica, vem preencher im-
portante lacuna no ordenamento jurdico do Bra-
sil ao levar os corruptores punio. Assim, para
as empresas um chamado reflexo e ao de
forma a se prevenirem de punies por atos ilcitos
junto ao setor pblico. A Lei 12.846/2013 visa com-
bater a impunidade quando dos negcios com o
setor pblico, notadamente para segmentos eco-
nmicos de atuao com maior susceptibilidade s
prticas de corrupo.
23
Palavra do Editor
Nesta primeira edio de 2016 apresentamos trs artigos de grande atualidade visan-
do informar, esclarecer e orientar especialistas do meio econmico e financeiro sobre novas tc-
nicas e seu emprego. Referem-se : Lei Anticorrupo, Alocao de Capital em Risco Opera-
cional e Aprendizado Profundo.
Nosso artigo de capa destaca o trabalho do Cientista de Dados Rafael S. Calsaverini
sobre Aprendizado Profundo informando que melhorias tecnolgicas permitiram o crescimento
da capacidade de armazenamento e processamento de dados, resultando na melhoria dos ne-
gcios e na criao de novas oportunidades. Paralelamente aos novos recursos computacionais,
surgiram algoritmos e tcnicas de modelagem capazes de reconhecer padres cada vez mais
complexos. Esses algoritmos e tcnicas derivaram de uma srie de campos de pesquisa em di-
versas reas - Estatstica Computacional, Cincia da Computao, Otimizao, Engenharia de
Controle, entre outros - que se amalgamaram em um campo denominado Aprendizado de M-
quina. Assim, o Aprendizado de Mquina o campo da Cincia que estuda o desenvolvimento
de algoritmos computacionais capazes de aprender a respeito de um conjunto de dados para en-
to fazer previses. Esses algoritmos, empregados em aplicaes computacionais passam a ser
capazes de tomar decises sobre seu ambiente por meio de padres disponibilizados pelos da-
dos em substituio a regras pr-determinadas em um programa esttico. Calsaverini esclarece
que existe uma tnue e esparsa linha de separao entre Aprendizado de Mquina e Estatstica
Computacional, e uma tendncia em agrupar esses dois aspectos, alm de algumas outras tc-
nicas provenientes da Cincia da Computao, em uma nova rea denominada Cincia de Da-
dos. Uma aproximao seria dizer que Estatstica Computacional a rea que se preocupa em
obter algoritmos eficientes para o uso de modelos eminentemente estatsticos em sua natureza,
enquanto Aprendizado de Mquina pode ter um leque mais amplo de modelos baseados em oti-
mizao (Compressed Sensing, Mquinas de Vetores de Suporte, Redes Neurais, etc.), ou mes-
mo modelos algortmicos em sua natureza (rvores de Deciso). Porm essa distino se tor-
na cada vez mais tnue quando modelos algortmicos e de otimizao adquirem uma interpre-
tao estatstica e modelos tipicamente computacionais so desenvolvidos com uma clara intui-
o estatstica.
Franklin Mendes Thame apresenta, oportunamente, um trabalho sobre a Lei Anticor-
rupo 12.846/2013 cujo objetivo combater a impunidade por ocasio de negcios com o setor
pblico quando se evidencia a prtica de corrupo. O autor informa que o Brasil perde a assus-
tadora quantia de R$ 50 bilhes a 80 bilhes todos os anos com a corrupo. A corrupo pas-
sa a ser o principal problema do pas, pois arruna a confiana dos agentes econmicos, impe-
de investimentos, desestabiliza a economia, diminui a arrecadao de impostos e subtrai direi-
tos fundamentais de todos os brasileiros. Ao estabelecer a responsabilizao objetiva, no mbi-
to civil e administrativo, de empresas que praticam atos lesivos contra a administrao pblica, a
Lei Anticorrupo vem preencher importante lacuna no ordenamento jurdico do Brasil ao levar
os corruptores punio. Assim, para as empresas um chamado reflexo e ao de forma
a se prevenirem de punies por atos ilcitos junto ao setor pblico, destaca Thame. Segundo
ele, a Lei anticorrupo induzir as organizaes a uma nova forma de fazer negcios com o se-
tor pblico, que exigir a adoo de boas prticas de governana corporativa, com transparn-
cia em todos os nveis hierrquicos, rgido cumprimento da conformidade legal, segregao de
funes, polticas de terceirizaes, programa de definio de riscos especficos e controles in-
ternos e auditorias. As aes e estratgias de anticorrupo nas empresas deve ser transversal,
5
Diretores Correspondncia
Serasa Experian - Comunicao & Branding
Amador Rodriguez, Guilherme Cavalieri, Lisias Lauretti,
Alameda dos Quinimuras, 187 - CEP 04068-900 - So Paulo - SP
Manzar Feres, Paulo Melo, Sergio Fernandes e Valdemir Bertolo
www.serasaexperian.com.br
Editora Responsvel rdangina@gmail.com
Rosina I. M. DAngina (MTb 8251)
Aprendizado Profundo:
Princpios e Uso
Rafael S. Calsaverini
7
Sumrio
Recentes desenvolvimentos no uso de redes neurais e mo-
delos profundos em Aprendizado de Mquina resultaram em uma
rpida sucesso de resultados que suplantam o estado-da-arte
em diversos desafios de modelagem em reas distintas, como re-
conhecimento de objetos, reconhecimento de caracteres manus-
critos, reconhecimento de faces, anlise de sentimento, dentre ou-
tros. Seguiu-se uma rpida adoo desses mtodos para soluo
de tarefas que envolvem conjuntos de dados de alta complexida-
de onde a representao numrica, necessria para os algoritmos
tradicionais, um desafio. Algoritmos de Aprendizado Profundo
permitem o aprendizado de representaes vetoriais de dados cuja
natureza de difcil tratamento matemtico (imagens, texto, som,
etc.), em diferentes nveis de abstrao. Este artigo de reviso apre-
senta o conceito de Aprendizado Profundo (Deep Learning) (LeCun,
Bengio, and Hinton 2015) e alguns de seus resultados recentes.
1. Introduo
A exploso na abundncia de dados nas ltimas dcadas, combinada com
melhorias tecnolgicas que proporcionam uma crescente capacidade para armaze-
namento e processamento desses dados, permitiram, nas ltimas dcadas, o sur-
gimento de novos negcios e da transformao de antigos negcios atravs do uso
desses dados para diversos propsitos. Junto com essa abundncia de dados e re-
cursos computacionais, surgem novos algoritmos e tcnicas de modelagem capazes
de reconhecer padres mais e mais complexos. Esses algoritmos e tcnicas so de-
rivados de uma srie de campos de pesquisa em diversas reas - Estatstica Com-
putacional, Cincia da Computao, Otimizao, Engenharia de Controle, dentre ou-
tros - que se tm amalgamado em um campo denominado Aprendizado de Mquina.
Aprendizado de Mquina o campo da Cincia que estuda o desenvolvimento de al-
goritmos computacionais capazes de aprender a respeito de um conjunto de dados
para ento fazer previses. Esses algoritmos sero embarcados em aplicaes com-
putacionais que devem ser capazes de tomar decises sobre seu ambiente atravs
de padres aprendidos dos dados ao invs de regras pr-determinadas em um pro-
grama esttico.
Existe uma tnue e esparsa linha de separao entre Aprendizado de Mqui-
na e Estatstica Computacional, e h uma tendncia a agrupar esses dois aspectos,
alm de algumas outras tcnicas provenientes da Cincia da Computao, em uma
nova rea denominada Cincia de Dados (Michael I. Jordan 2014). Uma aproximao
seria dizer que Estatstica Computacional a rea que se preocupa em obter algorit-
mos eficientes para o uso de modelos eminentemente estatsticos em sua natureza,
enquanto Aprendizado de Mquina pode ter um leque mais amplo de modelos que
8
processos dispendiosos, como por exemplo extrair de um grande corpus de texto ex-
presses que paream indicar nomes de entidades (empresas, pessoas, pases, etc.)
de forma automatizada. Depois de desenhados e extrados, esses vetores de caracte-
rsticas so alimentados em algoritmos genricos capazes de realizar a tarefa desig-
nada: florestas aleatrias, mquinas de vetores de suporte, entre outros.
Tipicamente essas tarefas so dispendiosas e difceis, e pode-se levar anos
para descobrir um conjunto extremamente especializado de boas caractersticas
para tarefas especificas, como por exemplo os SIFT features (Lowe 1999) ou Viola-
-Jones Haar-like descriptors (Viola and Jones 2004) para reconhecimento de objetos
em Viso Computacional. Desde aproximadamente meados da dcada de 2000, (Le-
Cun, Bengio, and Hinton 2015), grupos de pesquisa comearam a obter resultados
bastante expressivos usando uma abordagem diferente: o Aprendizado de Caracters-
ticas ou Aprendizado de Representaes4.
O princpio fundamental dessa abordagem trocar o longo tempo de enge-
nharia e extrao de caractersticas por algoritmos capazes de aprender caracters-
ticas a partir dos dados brutos simultaneamente soluo da tarefa de aprendizado
usando essas caractersticas. Por exemplo, em uma tarefa de reconhecimento de ca-
racteres manuscritos, o algoritmo deveria ser capaz de aprender que composies
dos bytes originais da imagem so importantes para descobrir que caractere ela re-
presenta durante o mesmo processo em que est aprendendo a prever o caractere.
Idealmente no deveria haver uma diferena entre os dois processos: nos dois pro-
cessos os parmetros de um modelo esto sendo ajustados para obter um resultado
desejado (minimizar uma funo custo, por exemplo), portanto eles deveriam ser par-
te do mesmo processo. Ao fim do processo o algoritmo aprendeu no apenas a re-
solver uma tarefa relacionada queles dados, como tambm uma representao dos
dados em um vetor de caractersticas que podem ser teis para mltiplas tarefas.
Tipicamente as caractersticas adequadas para realizao de uma tarefa
complexa so transformaes altamente no-lineares dos dados crus. Modelar fun-
es altamente no-lineares uma tarefa difcil, porm factvel usando modelos pro-
fundos. Um modelo profundo um modelo em que vrias instncias menores de um
modelo - denominadas camadas - so empilhadas de forma que a sada de uma seja
a entrada da prxima. Cada uma dessas camadas capaz de aprender um mapa
no-linear simples da sada da camada anterior. Ao empilhar camadas que apren-
dem mapas no-lineares, o modelo capaz de compor conceitos cada vez mais com-
plexos a cada nova camada, produzindo eventualmente mapas cada vez mais com-
plexos das variveis de entrada.
O tpico exemplo dessa capacidade de modelos profundo so modelos de
deteco de caracteres manuscritos. Em um modelo com muitas camadas, treina-
do para identificar qual caractere est representado em uma imagem, a primeira ca-
mada que toma a imagem de um caractere manuscrito como entrada pode apren-
der, por exemplo, a detectar linhas horizontais, linhas verticais, e outras primitivas
geomtricas simples. A segunda camada, usando como entrada o sinal de sada da
10
primeira camada, compe esses sinais geomtricos primitivos, sinais mais comple-
xos: linhas oblquas, ngulos, curvas suaves. A terceira camada compe esse sinal
em detectores mais sofisticados, capazes de identificar crculos, curvas mais acen-
tuadas e, finalmente, a ltima camada compe esses sinais geomtricos mais sofis-
ticados em detectores do formato completo do caractere. Esse processo de constru-
o de sinais cada vez mais complexos e no lineares nas camadas mais profundos
do modelo que d aos modelos de Aprendizado Profundo a capacidade de apren-
der mapas altamente no-lineares e resolver tarefas complexas: o modelo est apren-
dendo, a partir dos dados mais brutos, quais so as caractersticas mais preditivas
do alvo, sem que haja necessidade de uma engenharia manual de caractersticas.
3. Redes Neurais
A principal classe de modelos
que tm sido usados em arquiteturas
profundas so as redes neurais artifi-
ciais. Uma rede neural artificial um
conjunto de pequenas unidades, tipi-
camente chamadas, em analogia com
sistemas biolgicos, de neurnios ou
perceptrons. Essas unidades rece-
bem entradas e produzem uma ni-
ca sada que consiste em uma trans-
formao linear das entradas segui-
da da aplicao de um mapa no-line-
ar, chamado funo de ativao. Cada
unidade pode ser agrupada em cama-
das em uma rede feed forward, e fun-
cionar como um modelo profundo.
Redes neurais no so algo-
ritmos recentes. Desde a sua primei-
ra inspirao no estudo de estruturas biolgicas na dcada de 1940 (McCulloch and
Pitts 1943; Hebb 2005), os primeiros modelos de aprendizado supervisionado como
o Perceptron (Rosenblatt 1957) e a criao dos algoritmos de treinamento que per-
mitem tratar redes profundas, o algoritmo de Backpropagation (Williams and Hinton
1986; Parker 1982; Werbos 1974), passaram-se dcadas de desenvolvimento e, apesar
do relativo sucesso em algumas reas, houve um perodo de dormncia da pesqui-
sa nessa rea durante o fim dos anos de 1990 e incio dos 2000. Redes neurais apre-
sentavam muitos desafios tericos e de engenharia poca e sua aplicao era mais
custosa que a de outros algoritmos que obtiveram mais sucesso poca, como M-
quinas de Vetores de Suporte e Florestas Aleatrias.
Entretanto, em meados da dcada de 2000 (LeCun, Bengio, and Hinton 2015),
houve uma conjuno de condies que permitiu o renascimento das redes neurais
11
4. Aprendizado no-supervisionado
Redes neurais so naturalmente orientadas para tarefas supervisionadas,
em que existe um conjunto de dados com entradas e sadas bem definidas. Entre-
tanto a pesquisa de tcnicas no-supervisionadas usando redes neurais profundas
apresenta um promissor horizonte de algoritmos que podem ser usados no trata-
mento de dados no-estruturados, particularmente no aprendizado de caractersti-
cas para anlise de textos, dados sequenciais, sries temporais, imagens e outros ti-
pos de dados sem uma estrutura tabular clara ou em que a engenharia e extrao de
caractersticas para algoritmos tradicionais desafiadora.
Os algoritmos tpicos de treinamento de redes neurais, no entanto, esto vol-
tados ao aprendizado supervisionado e a soluo de problemas no-supervisionados
usando redes neurais ainda uma rea jovem, ativa e promissora de pesquisa. Duas
estratgias se mostram bastante promissoras nessa direo:
(1) criar tarefas supervisionadas que, ao serem resolvidas, levam a rede neural a
aprender representaes vetoriais dos dados de interesse, gerando ento insu-
mos para outros tipos de algoritmos (como agrupamento, por exemplo), e
(2) criar modelos gerativos que tentam aprender uma distribuio de probabilidades
dos dados e geram, no processo, conhecimento sobre os dados - por exemplo ve-
tores de fatores latentes, classificaes e agrupamentos, etc.
Ambas as estratgias so calcadas no conceito de aprendizado de repre-
sentaes: cada camada de uma rede neural profunda aprende a detectar ou re-
presentar conceitos cada vez mais abstratos do conjunto original de dados. Eventu-
almente as prprias representaes intermedirias criadas pela rede neural a partir
dos dados para resolver uma tarefa especfica contm informao sumarizada sobre
os prprios dados que pode ser til em uma anlise ou investigao exploratria, ou
mesmo em outras tarefas relacionadas (Yosinski et al. 2014).
12
trair informaes de estilo de uma imagem (Makhzani et al. 2015) e aplicar sobre ou-
tra (Gatys, Ecker, and Bethge 2015), ou recriar a mesma imagem em outro ponto de
vista (Radford, Metz, and Chintala 2015).
5. Concluses
Redes neurais profundas tm-se mostrado uma ferramenta extremamente
valiosa na modelagem de grandes conjuntos de dados com estrutura complexa, par-
ticularmente dados textuais e de imagem. Esse tipo de arquitetura profunda capaz
de produzir modelos end-to-end, sem a necessidade de uma dispendiosa engenharia
de caractersticas inicial. Alm disso, as representaes aprendidas pelas redes neu-
rais guardam informao do conjunto de dados original e podem servir de insumo
para outros algoritmos e anlises. Dada riqueza de conjuntos de dados textuais de
difcil explorao usando tcnicas tradicionais, tcnicas no-supervisionadas usan-
do redes neurais podem gerar novas oportunidades ao permitir o uso de fontes de
dados mais cruas, eliminando um processo de engenharia de variveis incerto e dis-
pendioso.
6. Notas:
1 Em ingls, Clustering.
2 Do ingls, Feature Engineering.
3 Em ingls, Features. Tipicamente no jargo de Aprendizado de Mquina, as vari-
veis de controle, covariveis, variveis explicativas ou variveis independentes so
chamadas Caractersticas: trata-se do mesmo conceito. So as variveis que se-
ro ingeridas pelo modelo para prever uma varivel dependente ou alvo.
4 Em ingls, Feature Learning e Representation Learning, respectivamente.
Autor
Rafael S. Calsaverini
Rafael S. Calsaverini doutor em Fsica pela universidade de So Paulo, tendo trabalhado em tpi-
cos de modelagem estatstica e aprendizado de mquina. Desde 2012 atua na indstria privada como
Cientista de Dados, desenvolvendo aplicaes baseadas em modelos matemticos e aprendizado de
mquina. Atualmente compe o time da unidade brasileira do Experian Datalabs na Serasa Experian.
E-mail: Rafael.Calsaverini@br.experian.com
14
Referncias BALDI Pierre; SADOWSKI, Peter; WHITESON ,Daniel. 2014. Searching for Exotic Particles in
High-Energy Physics with Deep Learning. Nature Communications 5. Nature Publishing Group.
DENTON, Emily L; SOUMITH, Chintala; FERGUS, Rob, and others. 2015. Deep Generative Image
Models Using a Laplacian Pyramid of Adversarial Networks. In Advances in Neural Information
Processing Systems, 148694.
GATYS, Leon A; ECKER, Alexander, S; BETHGE, Matthias. 2015. A Neural Algorithm of Artistic
Style. ArXiv Preprint ArXiv:1508.06576.
GOODFELLOW, Ian; POUGET-ABADIE, Jean; MEHDI, Mirza; BING, Xu; WARDE-FARLEY, David;
OZAIR, Sherjil; COURVILLE, Aaron; BENGIO, Yoshua. 2014. Generative Adversarial Nets. In
Advances in Neural Information Processing Systems, 267280.
HEBB, Donald. 2005. The Organization of Behavior: a Neuropsychological Theory. Psychology Press.
HINTON, Geoffrey E; OSINDERO ,Simon; YEE-WHYE, Teh. 2006. A Fast Learning Algorithm for
Deep Belief Nets. Neural Computation 18 (7). MIT Press: 152754.
KINGMA, Diederik P.; MOHAMED, Shakir; REZENDE, Danilo J; WELLING, Max 2014. Semi-
Supervised Learning with Deep Generative Models. In Advances in Neural Information Processing
Systems, 358189.
KOLLER, Daphne; NIR, Friedman,. 2009. Probabilistic Graphical Models: Principles and Techniques.
MIT press.
LECUN, Yann; BENGIO, Yoshu; HINTON, Geoffrey. 2015. Deep Learning. Nature 521 (7553).
Nature Publishing Group: 43644.
LOWE, David G. 1999. Object Recognition from Local Scale-Invariant Features. In Computer
Vision, 1999. the Proceedings of the Seventh IEEE International Conference on, 2:115057. IEEE.
Referncias MCCULLOCH, Warren S.; PITTS, Walter. 1943. A Logical Calculus of the Ideas Immanent in
Nervous Activity. The Bulletin of Mathematical Biophysics 5 (4). Springer: 11533.
MEZARD, Marc; MONTANARI, Andrea. 2009. Information, Physics, and Computation. Oxford
University Press.
NEAL, Radford M. 2012. Bayesian Learning for Neural Networks. Vol. 118. Springer Science &
Business Media.
PARKER, David B. 1982. Learning Logic. Invention Report S81-64, File 1, Office of Technology
Licensing. October, Stanford University.
ROSENBLATT, Frank. 1957. The Perceptron, a Perceiving and Recognizing Automaton Project Para.
Cornell Aeronautical Laboratory.
VIOLA, Paul; JONES, Michael J. 2004. Robust Real-Time Face Detection. International Journal of
Computer Vision 57 (2). Springer: 13754.
WERBOS, Paul. 1974. Beyond Regression: New Tools for Prediction and Analysis in the
Behavioral Sciences.
YARIN, Gal. 2015. What My Deep Model Doesnt Know... Blog. Yarin Gal. http://mlg.eng.cam.
ac.uk/yarin/blog_3d801aa532c1ce.html.
YARIN, Gal; GHAHRAMANI, Zoubin. 2015. Dropout as a Bayesian Approximation: Insights and
Applications. In Deep Learning Workshop, ICML.
YOSHUA, Bengio. 2009. Learning Deep Architectures for AI. Foundations and Trends in Machine
Learning 2 (1). Now Publishers Inc.: 1127.
YOSINSKI, Jason; CLUNE, Jeff; BENGIO, Yoshua; LIPSON, Hod. 2014. How Transferable Are
Features in Deep Neural Networks? In Advances in Neural Information Processing Systems, 332028.
16
Sumrio
A Lei Anticorrupo - Lei 12.846/2013- veio aprimorar o
marco regulatrio do Pas no combate a corrupo. Essa regula-
o constitui instrumento essencial para corrigir falhas de merca-
do, moldar a conduta, mudar o padro de relacionamento, aper-
feioar as prticas de preveno e controlar o comportamento das
empresas. A lei visa combater a impunidade quando dos negcios
com o setor pblico, notadamente para segmentos econmicos
de atuao com maior susceptibilidade s prticas de corrupo.
1. Introduo
A Lei Anticorrupo 12.846/2013, ao estabelecer a responsabilizao obje-
tiva, no mbito civil e administrativo, de empresas que praticam atos lesivos contra
a administrao pblica, veio preencher importante lacuna no ordenamento jurdi-
co do Brasil ao levar os corruptores punio. Assim, para as empresas um cha-
mado reflexo e ao de forma a se prevenirem de punies por atos ilcitos jun-
to ao setor pblico.
A atuao das empresas que se relacionam com o setor pblico e com re-
guladores est exigindo, face possiblidade de serem enquadradas nessa Lei, maio-
res cuidados quando:
participam de licitaes e de concesses;
solicitam licenciamentos, autorizaes, outorgas e alvars;
contratam parceiros, terceiros e fornecedores;
solicitam emprstimos subsidiados junto s instituies financeiras oficiais; e
requerem autorizaes para comercializar novos produtos e servios, entre outras
aes.
A conscientizao, pelas empresas, sobre a necessidade de se precaverem
de sanes decorrentes de delitos nos relacionamentos com o setor pblico implica
uma mudana de cultura no enfrentamento das prticas que visam obter vantagens,
quando atuam como fornecedoras e prestadoras de servios a esse setor. Assim, h
necessidade de as empresas estruturarem uma governana especifica para o ge-
renciamento integrado de riscos, adotando polticas de compliance, haja vista que
determinadas condutas, justificadas em funo do processo burocrtico dos rgos
pblicos (excesso de leis, regulaes, exigncias de alvars e de licenciamentos), po-
dem ser consideradas passveis de enquadramento na Lei Anticorrupo.
18
2. Autorregulao
A empresa dever definir as polticas e as aes de autorregulao, que
comprovem o seu compromisso com os princpios que norteiam a tica, atribuindo
responsabilidades s reas envolvidas sobre o gerenciamento de riscos dos poss-
veis impactos decorrentes das suas atividades com o setor pblico.
O escopo e contedo da poltica de preveno em relao a Lei Anticorrup-
o de uma empresa so definidos por:
porte;
natureza da sua atividade;
peculiaridades nas linhas de negcios; e
formas de atuao com o setor pblico.
Inicialmente, a empresa dever fazer o diagnstico das suas aes com o se-
tor pblico, desde a simples obteno de um licenciamento ou alvar at uma com-
plexa autorizao oficial para lanamento de um novo produto. Uma vez alinhadas as
aes caber verificar os riscos, classific-los de acordo com a sua relevncia e pro-
porcionalidade, bem como definir as reas responsveis.
Na sequncia, dever identificar os funcionrios e terceirizados (CNPJs e
CPFs) envolvidos e criar uma matriz de riscos, com informaes sobre eles obtidas
de empresas de tecnologia de informaes, como a Serasa Experian; da mdia; de si-
tes pblicos que trazem informaes jurdico-processuais no mbito civil, trabalhista
e criminal; e de cadastros e de listas pblicas, cujos includos tiverem comportamen-
tos considerados inidneos.
A empresa dever, ainda, estabelecer os padres de atuao prudencial e as
aes que podero evitar delitos para mitigar eventuais sanes judiciais. Os proce-
dimentos adotados pela empresa devem possibilitar argumentos de defesa em aes
judiciais, trazer conforto/segurana jurdica e demonstrar que ela foi diligente em re-
lao aos seus negcios com o setor pblico. Uma importante referncia a existn-
cia de um programa de compliance que demonstre, de forma consistente, as estrat-
gias e as aes destinadas a evitar atos passveis de serem considerados corruptos.
19
3. Empresa Limpa
A Lei Anticorrupo, n 12.846/2013, conhecida como a Lei da Empresa Lim-
pa, tem, portanto, por objetivo, tratar da conduta e da punio das empresas por atos
de corrupo, praticados por seus representantes diretos ou terceirizados, contra a
administrao pblica.
Esta lei pode ser aplicada contra empresas que corrompam agentes pbli-
cos com suborno e pagamento de propinas; fraudem licitaes ou contratos pbli-
cos; frustrem, mediante ajuste ou combinao, o carter competitivo de um procedi-
mento licitatrio; e obtenham benefcios por meio de atos corruptos.
Trata-se de punio objetiva e, as-
sim, a empresa poder ser responsabiliza-
da em casos de corrupo, independen-
temente da comprovao de culpa. A em-
presa responder s autoridades judiciais
por ato de corrupo, praticado por seus
funcionrios ou por empresa ou emprega-
do terceirizado, mesmo sem o envolvimen-
to direto por parte dos seus proprietrios.
Dessa forma, a empresa ser punida se ti-
ver obtido benefcios, via ato corrupto re-
sultado inclusive da improbidade adminis-
trativa dos servidores pblicos.
A multa aplicada pelas autoridades judiciais poder variar de 0,1% a 20% do
faturamento bruto do ltimo exerccio anterior ao da instaurao do processo admi-
nistrativo ou at R$ 60 milhes de reais, quando no for possvel esse clculo. Outra
punio que afetar diretamente a reputao da empresa a publicao da senten-
a condenatria na mdia.
A lei prev o impedimento de novas empresas criadas por scios de empre-
sas inidneas, includas no Cadastro Nacional de Empresas Inidneas e Suspensas
- CEIS, se em seus prprios nomes ou de maneira oculta, venham a contratar com
a administrao pblica. Sero solidariamente responsveis, obrigao de paga-
20
4. Decreto 8.420/15
O Decreto 8.420/15, que regulamenta a Lei n. 12.846/2013 dispe sobre a
responsabilizao administrativa de pessoas jurdicas pela prtica de atos contra a
administrao pblica e estabelece que um Programa de Compliance efetivo deve
conter:
I. Cdigos de tica e conduta;
II. Comprometimento do alto escalo;
21
5. Concluso
Estima-se que o Brasil perde a assustadora quantia de R$ 50 bilhes a 80 bi-
lhes todos os anos com a corrupo. A corrupo passa a ser o principal problema
do pas, haja vista que arruna a confiana dos agentes econmicos, impede inves-
timentos, desestabiliza a economia, diminui a arrecadao de impostos e subtrai di-
reitos fundamentais de todos os brasileiros.
No Congresso Nacional, atualmente existem 355 projetos de lei sobre cor-
rupo de iniciativa de deputados e 173 de senadores, totalizando 528 proposies,
assim impossvel que haja alguma espcie de corrupo que no tenha sido j con-
templada nestes projetos.
A Lei Anticorrupo brasileira, ao estabelecer a responsabilizao objeti-
va, no mbito civil e administrativo, de empresas que praticam atos lesivos contra
a administrao pblica, vem preencher importante lacuna no ordenamento jurdi-
co do Brasil ao levar os corruptores punio. Assim, para as empresas um cha-
mado reflexo e ao de forma a se prevenirem de punies por atos ilcitos jun-
to ao setor pblico.
Nas organizaes, a Lei anticorrupo induzir uma nova forma de fazer ne-
gcios com o setor pblico, que exigira a adoo de boas prticas de governana
corporativa, com transparncia em todos os nveis hierrquicos, com rgido cumpri-
22
O Aumento da Alocao de
Capital em Risco Operacional
e suas Implicaes em
Instituies Financeiras Locais
Sumrio
A crise de 2008 desencadeou movimento mundial em di-
reo a uma nova forma de regulao de Instituies Financeiras
(IFs), em funo de preocupaes quanto solvncia das mesmas.
No entanto, o risco operacional foi pouco abordado nesse contex-
to de mudanas globais, pois o foco era melhorar a qualidade do
capital e aprofundar os requerimentos para o risco de liquidez. De-
pois de vrios estudos e reflexes o Comit de Basileia divulgou
um draft abordando nova proposta de alocao de capital para
o risco operacional. A proposta busca tornar o risco operacional
mais sensitivo ao risco medida que considera novos aspectos
no clculo do requerimento de capital, tais como volumes e neg-
cios realizados entre outros itens. Estudos indicam que o impacto
tende a ser considervel e a indstria bancria vem se movimen-
tando para expor aos reguladores e ao Comit as idiossincrasias
existentes nesse processo. Esse tema recente e a literatura es-
cassa sob o enfoque de International Business, e abord-lo contri-
bui para o entendimento dos conceitos de internacionalizao de
Instituies Financeiras, regulao home host, distncia psquica,
gesto de risco e controles internos do sistema financeiro. Esse
artigo realizou pesquisa atravs de dados secundrios, incluindo
anlise documental, com o objetivo de constatar o impacto dessas
regras regulatrias sobre Instituies Financeiras locais e globais
no Brasil. Concluiu que os cinco bancos pertencentes a essa an-
lise sofrero impactos importantes em seu capital caso no hou-
vesse nenhuma alterao na data base da pesquisa. Diante dessa
constatao a alternativa o reforo do capital de melhor qualida-
de e a reduo de negcios em determinados nichos de atuao.
1. Introduo
O tema risco operacional razoavelmente novo, se comparado aos riscos de
crdito e mercado. Entender esse risco pressupe conhecimento amplo das empre-
sas quer seja financeira ou no financeira, pois ele pode ocorrer em qualquer linha
de negcio de atuao. Assim, a questo no est relacionada somente a entende-
-lo, mas em como mensurar e como calcular uma parcela do capital que reflita ade-
quadamente sua alocao. Desde que o risco operacional foi introduzido em Basileia
II1, em 2004, essa discusso suscita debates acalorados tanto do lado dos defensores
do mtodo, quanto daqueles que so contrrios e ela pouco evoluiu at a emisso de
draft publicado em outubro de 2014 pelo Comit de Basileia (Basilia2) com intuito de
modificar o modelo padronizado de clculo de capital de risco operacional3 para tor-
n-lo mais sensitivo ao risco.
25
The risk of loss resulting from inadequate or failed internal processes, people and
systems or from external events. This definition includes legal risk, but excludes
strategic and reputational risk.
Localmente, o conceito tambm foi desenvolvido sendo que o regulador bra-
sileiro em 2006 decidiu publicar normativo, Resoluo 33807, considerado best practi-
ce local e que determinou a implementao de estrutura de gerenciamento de risco
operacional nas Instituies Financeiras e que possui a funo de descrever concei-
tos, formas de registro, atribuio de responsabilidades e escopo de aplicao para
as entidades autorizadas a funcionar sob superviso do Banco Central do Brasil. In-
teressante destacar que somente em abril de 2008, no Brasil, foi implantada a norma
que regulamenta o mtodo de alocao de capital para risco operacional. A Circular
3383/088 estabeleceu os procedimentos para o clculo da parcela referente ao risco
operacional atravs de 3 mtodos:
5. Aes Ps Crise
Na realidade Basileia demorou certo tempo para publicar algo em resposta
crise e que fosse ao encontro das deficincias encontradas no conceito de aloca-
o de capital para risco operacional. Aps estudos de impacto que contaram com
a participao das Instituies Financeiras e de diversas anlises, foi publicado o do-
cumento Operational Risk Revisions to the simpler approach14 em outubro/2014. Com
esse documento Basileia adota o enfoque voltado para simplicidade e maior sensibi-
lidade a risco e os 3 tipos de mtodos de alocao deram lugar a um nico mtodo.
No entanto o quesito modelo mais sensvel a risco ainda se mostra devedor, pois os
vetores, na maioria, permanecem os mesmos.
A concluso do documento de que o resultado bruto (ou gross income) deve
ser substitudo por uma nova varivel denominada BI (business indicator) com o in-
tuito de capturar os grandes negcios bancrios, a saber: juros (interest component),
servios (services component) e financeiro (financial component). Essa nova calibrao
visa incrementar a alocao e, consequentemente, tornar-se sensvel ao risco. Vale a
constatao de que pases com altas taxas de juros (NIM net interest margin) tam-
29
bm foram escopo e consideradas nesse draft emitido por Basileia, mas o tratamento
a ser dado a essa situao especfica ainda est em anlise. Ressalta-se que eventu-
al mudana no spread (de 3,5% para outro percentual acima desse nmero), conside-
rado para efeito de clculo da alocao de capital, constitui para os bancos brasilei-
ros uma mudana forte na abordagem de capital e que seu impacto afeta razoavel-
mente os nveis de alavancagem da indstria financeira como um todo. importan-
te correlacionar essa questo aos impactos macroeconmicos, pois algo que afete a
alocao de capital (para cima, ou seja com aumento) resultar em menos disponi-
bilidade de crdito para o cliente e/ou consumidor final para compra de bens e ser-
vios. Enfim, as Instituies Financeiras, aps vrias alteraes em normas e regula-
mentos, tm experimentado algo cada vez mais presente no dia-a-dia dos gestores:
a escassez do recurso chamado capital.
A nova formulao da possvel alocao de capital constante do draft emitido
por Basileia, referente ao business indicator, considera intervalos que variam de 10% a
30% e, por consequncia, incrementam a alocao de capital das instituies, prin-
cipalmente se compararmos o range anterior que variava dentre 8 linhas de negcio
de 12% a 18%. A aplicao da frmula gerada extremamente simples e visa distri-
buir os resultados de cada indicador de negcio nas faixas selecionadas, conforme
segue no quadro demonstrativo:
6. Anlise Quantitativa
A anlise quantitativa procurou verificar a existncia de correlao entre o
ndice de Basileia (IB) e alguns indicadores selecionados para os bancos brasileiros
Bradesco, Ita, CEF Caixa Econmica Federal, Banco do Brasil e o banco estran-
geiro Santander. Os indicadores testados foram o Patrimnio Referncia (PR), o Pa-
30
Tabela de Dados
em R$ milhes
Patrimnio PRE PREx2 PREx3 RO ROx2 ROx3 RC RM ndice de ndice de ndice de ROE
Referncia Basileia Basileia Basileia
x2 x3
Valor de (+ ou -) Interpretao
0,00-0,19 Uma correlao bem fraca
0,20-0.39 Uma correlao fraca
0,40-0,69 Uma correlao moderada
0,70-0,89 Uma correlao forte
0,90-1,00 Uma correlao muito forte
9. Consideraes Finais
O artigo explorou os impactos da mudana de alocao de capital de risco
operacional, em estudo pelo Comit de Basileia, e o respectivo impacto nos bancos
locais, ou seja Brasil. Os estudos realizados demonstram que o impacto razovel,
pois o aumento pode ocorrer em at 3 vezes comparado ao volume de alocao atual.
Esse impacto, significativo, afeta a macroeconomia atravs de menor oferta de cr-
dito e o consequente impacto nas empresas e famlias. Portanto, necessrio que
se alinhe essa nova carga de capital realidade do ciclo econmico que se presen-
cia. Ou, ainda, que se proponha uma implantao pari passu com objetivo de suavi-
zar os impactos relevantes que essa nova regra pode causar economia local e re-
gional. Acredita-se que os prximos movimentos para que se avance no esforo de
pesquisa dos impactos seja a repetio do estudo a partir do momento que a regra
estiver efetivamente validada e divulgada de maneira final para que se obtenha a no-
o exata do impacto abrangendo, inclusive, Instituies Financeiras de mdio e pe-
queno porte.
10. Notas:
1 Basel II: International Convergence of Capital Measurement and Capital Standards: a
Revised Framework
2 O Comit de Basilia de Superviso Bancria um comit de autoridades de Su-
perviso Bancria estabelecido pelos presidentes dos bancos centrais do Grupo
dos Dez G10 em 1975. Esse comit possui representantes seniores dos ban-
cos centrais da Blgica, Canad, Frana, Alemanha, Itlia, Japo, Luxemburgo,
Holanda, Espanha, Sucia, Sua, Reino Unido e Estados Unidos. Geralmente se
rene no Bank for International Settlements na Basileia, onde est localizada sua
Secretaria permanente.
3 Operational Risk Revisions to the simpler approaches consultative document
4 Basel II: International Convergence of Capital Measurement and Capital Standards: a
Revised Framework page 19; footnote 16 - http://www.bis.org/publ/bcbs128.pdf
5 Amendment to the capital accord to incorporate market risk, January 1996
6 Basel II: International Convergence of Capital Measurement and Capital Standards: a
Revised Framework page 157 - http://www.bis.org/publ/bcbs128.pdf
7 Resoluo 3380/06, Banco Central do Brasil http://www.bcb.gov.br/pre/nor-
mativos/busca/downloadNormativo.asp?arquivo=/Lists/Normativos/Attach-
ments/48239/Res_3380_v3_P.pdf
8 Circular 3383/08, Banco Central do Brasil http://www.bcb.gov.br/pre/normativos/
busca/downloadNormativo.asp?arquivo=/Lists/Normativos/Attachments/47919/
Circ_3383_v3_P.pdf
35
Frederico Turolla
Graduado em Economia pela Universidade Federal de Juiz de Fora, mestre em Economia pela Bran-
deis International Business School e doutor em Economia pela Fundao Getlio Vargas (FGV).
E-mail: fredturolla@pezco.com.br
36
Referncias ACHARYA, V. A Theory of Systemic Risk and Design of Prudential Bank. Journal of Financial
Stability. Vol. 5, No. 3, (Sep 2009), pp. 224255.
ALLEN, F.; CARLETI, E.; GU, X. The role of baking in financial systems. In BERGER, Al.L.;
MOLYNEUX, P. WILSON, J.O.S. (eds) The Oxford of Banking. Second edition. Oxford: Oxford
University Press, p.27-46, 2015.
AHARONY, J; SWARY I. Contagion effects of Bank Failures: Evidence from Capital Markets. The
Jounal of Business. Vol. 56, No. 3(Jul., 1983), pp. 305-322.
BANK FOR INTERNATIONAL SETTLEMENTS. Sound Practices for the Management and
Supervision of Operational Risk. Basilia, 2003.
FURFINE, C. Interbank Exposures: Quantifying the Risk of Contagion. Journal of Money, Credit
and Banking. Vol. 35, No. 1 (Feb. 2003), pp. 111-128.
GENNAIOLI, N., SHLEIFER S.; VISHNY V. A Model of Shadow Banking. The Journal of Finance.
July 2013. Global systemically important banks updated assessment methodology and the higher
loss absorbency requirement. http://www.bis.org/publ/bcbs255.pdf
LASTRA, R. M. Systemic risk, SIFIs and financial stability. Capital Markets: Law Journal. (2011)
STERN, G. H.; FELDMAN, R. J. Too big to Fail: The hazards of banks bailouts (2004).
serasaexperian.com.br/revista-tecnologia-de-credito
Proteja
A Serasa Experian oferece solues sob medida para o seu SolueS eSPeCfiCaS Para
negcio. So produtos e servios exclusivos, que vo desde Cada etaPa do Seu negCio