Coleta do Índice Cielo do Varejo Ampliado com o R

Dada a defasagem na divulgação dos dados de nível de atividade e diante de uma das maiores crises da nossa geração, torna-se cada vez mais importante para economistas e analistas de mercado a busca por índices de alta frequência, bem como índices antecedentes. Dentro desse contexto, passou a ganhar bastante relevância, em particular para o acompanhamento do varejo brasileiro, o índice cielo do varejo ampliado (icva). Nesse Comentário de Conjuntura, eu mostro como fazer a coleta, tratamento e visualização desses dados.

Para começar, nós carregamos alguns pacotes.


require(tidyverse)
require(readxl)
require(scales)

A seguir, nós fazemos o download e leitura da planilha excel que está disponível no site da Cielo.


url = 'https://apicatalog.mziq.com/filemanager/v2/d/4d1ebe73-b068-4443-992a-3d72d573238c/3e864198-0b72-c970-1771-80cd8c338a30?origin=2'
download.file(url, destfile='icva.xlsx', mode='wb')
icva = read_excel('icva.xlsx')
colnames(icva) = c('date', 'nominal', 'nominal_sa', 'real', 'real_sa')

Uma vez coletados os dados, nós transformamos os mesmos para uma melhor visualização com o pacote ggplot2.


icva_long =
icva %>%
gather(metrica, values, -date) %>%
group_by(metrica)

Por fim, podemos gerar um gráfico com o código abaixo.


ggplot(icva_long, aes(x=date, y=values*100, colour=metrica))+
geom_line()+
theme(legend.title = element_blank(),
legend.position = 'top')+
geom_hline(yintercept=0, colour='black', linetype='dashed')+
scale_x_datetime(breaks = pretty_breaks(n=8))+
labs(x='', y='%',
title='Índice Cielo do Varejo Ampliado',
caption='Fonte: analisemacro.com.br com dados da Cielo')

Como é possível verificar, o ICVA chegou a cair 37% em abril na série real com ajuste sazonal.

____________________

(*) Você aprende a coletar, tratar e visualizar dados macroeconômicos no nosso Curso de Análise de Conjuntura usando o R.


_____________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

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.