O Non-farm Payroll (NFP), comumente chamado apenas de Payroll, é um dos indicadores econômicos mais influentes do mundo. Publicado mensalmente pelo Bureau of Labor Statistics (BLS), ele mede a variação no número de pessoas empregadas nos Estados Unidos, excluindo trabalhadores do setor agrícola, funcionários de residências particulares, organizações sem fins lucrativos e alguns cargos governamentais.
Para profissionais de ciência de dados aplicados à economia, o Payroll é um termômetro essencial da saúde econômica global. Como os Estados Unidos detêm a maior economia do planeta, o volume de empregos criados impacta diretamente as decisões de política monetária do Federal Reserve (Fed). Dados acima das expectativas sugerem uma economia aquecida, o que pode levar ao aumento das taxas de juros para conter a inflação; por outro lado, números fracos podem indicar desaceleração, motivando cortes nos juros para estimular o crescimento.
O processo de análise com Python
A análise de dados econômicos exige ferramentas que permitam a manipulação eficiente de séries temporais e a criação de visualizações claras para tomada de decisão. Nesta análise, utilizamos as seguintes bibliotecas fundamentais:
-
Pandas: A principal ferramenta para manipulação de dados estruturados. No código, o Pandas foi utilizado para coletar os dados diretamente do FRED (Federal Reserve Economic Data) via URL, realizar o tratamento de datas, renomear colunas e calcular a variação mensal de empregos.
-
Plotnine: Uma biblioteca de visualização de dados que implementa a "Gramática de Gráficos" (baseada no ggplot2 da linguagem R). Ela permite construir gráficos complexos de forma declarativa, facilitando a criação de visualizações profissionais com poucas linhas de código.
Insights da visualização
A visualização gerada foca na variação mensal a partir de janeiro de 2024. Através de um gráfico de barras, é possível identificar rapidamente a direção do mercado de trabalho americano.
Acompanhar o Payroll com ferramentas de Ciência de Dados permite que o analista saia do campo das opiniões e baseie suas tesões em evidências estatísticas sólidas e visualizações precisas.
