Criando um dashboard das previsões do Relatório Focus

O Relatório Focus, divulgado semanalmente pelo Banco Central, reúne as expectativas do mercado para variáveis-chave da economia brasileira, como inflação, câmbio, PIB e Selic. A ideia deste projeto foi transformar esses dados em um dashboard interativo para acompanhar a acurácia das previsões ao longo do tempo.

Acesse o dashboard em: https://analisemacro.shinyapps.io/focus_tracking/

Objetivo

O painel permite comparar o que o mercado projetava em determinado momento com o valor efetivamente realizado. Além de visualizar gráficos, é possível consultar uma tabela com os erros de previsão. A proposta é oferecer um recurso rápido para avaliar a qualidade das expectativas.

Processo de desenvolvimento

A construção partiu de três etapas principais:

  1. Coleta de dados: uso da API do Banco Central (via python-bcb) para extrair as previsões do Focus e dados históricos de indicadores complementares do IBGE e do próprio BCB.

  2. Tratamento e cálculo: organização das séries temporais, padronização das datas de referência e cálculo do erro entre previsão e realizado.

  3. Visualização: elaboração de gráficos de linhas e barras para contrastar previsão vs. realizado, além de uma tabela de resumo.

Ferramentas e pacotes

O projeto foi desenvolvido em Python, utilizando:

  • Shiny for Python para a interface interativa;

  • pandas para manipulação dos dados;

  • plotly para gráficos dinâmicos;

  • python-bcb para acesso direto às séries e expectativas do Focus.

Organização do projeto

A estrutura foi mantida modular:

  • app.py concentra a aplicação principal;

  • server.py trata da lógica de coleta, cálculo e renderização;

  • ui.py organiza a interface e os controles de entrada.

Esse desenho facilita a manutenção e a escalabilidade do painel.

Conclusão

O painel de previsões do Relatório Focus é uma ferramenta prática para acompanhar se as expectativas do mercado convergem ou não para os valores efetivamente observados. Mais do que visualizar gráficos, ele permite avaliar a qualidade das previsões econômicas de forma sistemática e acessível.

Quer aprender mais?

Conheça nossa Formação do Zero à Análise de Dados Econômicos e Financeiros usando Python e Inteligência Artificial. Aprenda do ZERO a coletar, tratar, construir modelos e apresentar dados econômicos e financeiros com o uso de Python e IA.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.