Livros de Finanças Pessoais e a Teoria

James Choi analisou os 50 livros de finanças pessoais mais populares do mercado e comparou com os conselhos da teoria. O artigo é bem interessante e pode ser encontrado, na versão preliminar, no site NBER. Em uma entrevista, Choi disse que os teóricos também podem aprender com os livros de finanças pessoais. 

Nesta entrevista, uma questão interessante:

Smith: Qual foi o pior conselho que você notou nesses livros?

Choi : O conselho mais irresponsável provavelmente vem de Robert Kiyosaki, que também tinha o livro mais popular da lista dos 50 que pesquisei. Ele basicamente aconselha você a comprar imóveis com muita dívida e a pagar muito rapidamente. É basicamente um esquema de enriquecimento rápido, com muito pouca diversificação e muita influência. Eu acho isso realmente muito perigoso.

Choi comenta que os livros populares de finanças pessoais talvez estejam com a razão sobre coisas como pagar a menor dívida primeiro, para motivar. Mas considera que o desprezo pela diversificação pode ser uma ideia ruim. 

Excel ainda é importante

Na postagem anterior há uma discussão sobre R e Python. A questão da tecnologia parece ser uma demanda enorme das empresas. Veja um trecho de uma postagem da AAT:

88% das empresas concordam que um entendimento da tecnologia é importante para os contadores, de acordo com uma pesquisa recente da agência de marketing PracticeWeb. E 66% pagariam mais a um contador experiente em tecnologia - o que significa que aprimorar suas habilidades em TI também pode aumentar seu poder aquisitivo nos estágios iniciais de sua carreira.

A postagem comenta cinco maneiras de obter conhecimento técnico: online (seminários, fóruns, cursos, entre outros), Excel avançado (isto inclui as funções de organizar e manipular dados), Inteligência Artificial e aprendizado de máquina, nuvem (79% das empresas no Reino Unido estão migrando para nuvem) e segurança cibernética. 

Particularmente achei interessante o foco em Excel. 

Python ou R? Eis um conjunto de considerações interessantes

Mesmo sendo um blog de contabilidade financeira, é inegável que temas relacionados com ciência de dados sejam de nosso interesse. O debate entre Python e R é um daqueles assuntos emocionantes na área. Recentemente encontrei um post que fazia um comparativo entre os dois de forma mais isenta. Ao contrário do livro de Joel Gus, que afirma, nos agradecimentos, que "pessoas que preferem a R ao Python são moralmente reprováveis", Luca Zavarella é mais ponderado. Eu fiz um resumo da sua postagem (traduzido via Vivaldi e Deepl, com adaptações) a seguir:

Entre R e Python, qual idioma eu sugeriria para um especialista em análise de dados aspirante?

Nos últimos anos, vi a evolução do uso de ambos os idiomas no mundo do Data Analytics. Aqui estão meus pensamentos.

✔ A linguagem R é muito mais direta na análise interativa de dados e exploração de dados, especialmente para analistas ou para aqueles que vêm do mundo da inteligência de negócios, onde o SQL domina. Transformar os dados com R é uma reminiscência do processo mental realizado por quem usa SQL, com a vantagem de poder usar funções específicas que simplificam transformações complexas (como rotação de dados, por exemplo) ou que aplicam operações estatísticas úteis para análise .

A abordagem adotada pela Python para transformar dados está mais relacionada à experiência de um programador. Ter que recorrer necessariamente a expressões lambda, por exemplo, para tarefas bastante básicas de manipulação de dados, o que desorienta qualquer analista acostumado a uma abordagem mais baseada em conjuntos (que é a maneira correta de pensar quando se trabalha com dados!) e nos faz perceber que aqueles que desenvolveram os pacotes Python necessários para a manipulação de dados eram principalmente desenvolvedores e não analistas.

✔ R é a linguagem por excelência usada na academia (estatística, matemática, ciência de dados e assim por diante). Portanto, é muito provável que encontre novos algoritmos de ciência de dados implementados diretamente em R, mesmo antes de encontrá-los implementados em Python. Portanto, se você precisar usar esses novos algoritmos para um projeto, deverá necessariamente usar R .

✔ Tanto quanto visualização de dados No que diz respeito, R é a principal ferramenta que permite produzir belos gráficos prontos para publicações profissionais. Certamente, gráficos desse tipo também são obtidos no Python, mas não tão facilmente quanto você pode fazer em R, especialmente com a infinidade de pacotes desenvolvidos para adicionar necessidades gráficas específicas.

✔ Quanto a painel profissional, as plataformas mais usadas evoluíram e admitem o uso dos dois idiomas. Por exemplo, Plotly Dash e Shiny permitem o desenvolvimento de aplicativos de dados em nível empresarial em Python e R. Para aqueles conectados ao mundo da plataforma de dados da Microsoft, o Power BI também permite que você use os dois idiomas.

✔ Python é uma linguagem de programação de uso geral muito clara, muito versátil devido ao ecossistema de pacotes desenvolvidos pela comunidade e predominantemente usada por estudantes e desenvolvedores de programação. Por esse motivo, é mais fácil encontrar um programador que conheça Python que também queira entrar em análise de dados. É por isso que existem tantos pacotes dedicados à transformação de dados e análise de dados agora disponíveis no Python. Como resultado, o mercado de tecnologias relacionadas à Análise de Dados se voltou para a adoção do Python.

✔ No lado da engenharia de dados, o vencedor claro é certamente Python. Primeiro, o Python é um dos poucos idiomas suportados por todas as APIs que permitem interagir com os serviços de dados de todos os principais provedores de nuvem (Azure, AWS, Google). 

✔ Devido ao fato de toda a parte de engenharia de dados ser tratada em Python, geralmente é conveniente desenvolver modelos de aprendizado de máquina sempre usando Python (você também pode desenvolvê-los em R). 

✔ Python é a escolha necessária quando você precisa enfrentar projetos que exigem soluções de Aprendizado profundo (visão computacional, reconhecimento automático de linguagem falada, processamento de linguagem natural, reconhecimento de áudio usando as estruturas TensorFlow, Keras e PyTorch). Implicitamente, estamos afirmando que o mundo inteiro da Inteligência Artificial é fortemente baseado em Python.

Dito isto, tento responder à pergunta feita no título do artigo.

Conclusões

Atualmente, o Python permite que você lide com tópicos puros de Análise de Dados e Ciência de Dados, bem como Engenharia de Dados e Inteligência Artificial, graças ao vasto ecossistema de pacotes desenvolvidos pela comunidade. É verdade que problemas específicos relacionados mais a Estatísticas e Visualização de Dados são resolvidos mais facilmente usando a linguagem R, mas ainda são casos específicos que compõem uma porcentagem muito pequena dos casos para os quais o Python é mais necessário.

Portanto, embora eu seja mais fluente em R do que em Python,

Eu recomendo que aqueles que desejam abordar os tópicos do Data Analytics se dediquem principalmente ao aprendizado do Python e como usar melhor os pacotes mais importantes para transformação de dados e aprendizado de máquina (pandas, scikit-learn, etc.).).

A versatilidade do Python permite que você alterne de uma função para outra (por exemplo,., de Data Scientist a Data Engineer, ou vice-versa), caso seus interesses mudem durante sua carreira.

Isso não tira o fato de que, depois de se aprofundar no Python, estudar para ter um entendimento básico de R e seus pacotes do ecossistema Tidyverse é definitivamente uma vantagem que será muito útil em muitos casos. Você não deve subestimar que a comunidade R é grande e que muitas soluções foram desenvolvidas em R. Adicionar o conhecimento desse idioma ao seu arsenal é, portanto, uma escolha vencedora. Também porque, ao contrário do que alguns podem pensar, Python e R não são mais dois mundos compartimentados. 

Faço um adendo: na nossa comunidade científica (de contabilidade e áreas afins) há um predomínio de pessoas que conhecem R, mas não Python. Se estudar Python pode ser um diferencial, saber R não te deixa sozinho. 

Rir é o melhor remédio

 

Sim, mas ...

Blogs podem mudar o mundo

O blog da LSE apresentou um artigo que começa sob forma de pergunta: os blogs podem mudar o mundo? O texto analisa o caso específico do LSE mas creio ser interessante reproduzir o resumo:

Para alguns acadêmicos que estão sendo solicitados a escrever um post de pesquisa, pode parecer gritar no vazio, outra adição a uma massa em constante expansão de conteúdo on-line. No entanto, a rede de conexões que podem surgir desses compromissos e seu potencial de influenciar o mundo em geral são significativos e também são cada vez mais rastreáveis. Neste post Kat Hart usa o banco de dados Overton para avaliar a influência política da plataforma LSE Blogs e a maneira pela qual os blogs acadêmicos podem informar debates públicos e de políticas.

O texto traz uma série de documentos de política que citam o blog da LSE.  

Isto é um alento. Cada vez menos há postagens nos blogs de contabilidade. O esforço de produção é muito grande e as pessoas fazem uma análise do tipo custo-benefício e concluem de maneira negativa. Além disto, outras formas de produção surgiram, como vídeos de curta duração. Este ano postamos mais de mil itens, o que é pouco em relação as 2500 postagens de 2011. 

Mas iremos continuar insistindo. Que venha 2023

Valor de uma assinatura falsa

A notícia é de novembro, mas vale o registro.

A editora Simon & Schuster ofereceu uma edição especial do livro Philosophy of Modern Song, assinada à mão por Bob Dylan. Cada exemplar custaria 600 dólares, que incluía o livro autografado e uma carta do CEO da editora atestando a autenticidade. 

Mas os compradores perceberam que a assinatura do livro é idêntica entre os exemplares, sem nenhuma diferença. E fotos dos livros e da assinatura de Dylan começaram a circular. Dylan pediu desculpas aos fãs e a editora resolveu devolver o dinheiro de quem comprou a edição especial. Segundo a editora, o livro continha a "assinatura original em forma de réplica", o que é realmente estranho. Dylan apelou para a pandemia e a impossibilidade de autografar todos os livros de forma "segura". 

Aqui temos um caso interessante de mensuração contábil. A autenticidade da assinatura poderia justificar o elevado preço do livro. Como alguém que passou horas na fila de uma sessão de autógrafos. Mas uma réplica realmente não vale o preço pago. Além disto, uma editora que garante a autenticidade e não cumpre perde muito da reputação. 

Meta-análise e a insignificância do Empurrão

Recentemente um estudo analisou as pesquisas realizadas com a técnica do empurrão (ou cutucada ou nudge, em inglês). A conclusão do artigo é que talvez o empurrão não apresente um ganho expressivo em termos de resultados. 

Logo após a premiação do Nobel de Economia para Kahnemann, a atenção do mundo acadêmico voltou-se para a área comportamental. Cerca de cinco anos depois surgiu um livro, com o título de Nudge, de co-autoria de Richard Thaler e Cass Sunstein. O livro fez sucesso e sua proposta era mostrar os benefícios da forma sobre a essência e como isto poderia ser usado em políticas públicas. 

Um exemplo famoso do livro é o caso do aeroporto que resolveu colocar uma pequena mosca pintada nos mictórios masculinos. O índice de acerto dos homens aumentou e a quantidade de sujeira dos banheiros diminuiu. Há diversos exemplos sobre o poder da forma como uma questão é apresentada e alguns governantes leram o livro e ficaram entusiasmados com a possibilidade de adotar o enfoque comportamental para resolver alguns problemas de gestão.

O governo britânico, por exemplo, criou uma equipe de trabalho que sugeriu diversas abordagens para algumas políticas públicas. Mas será que o empurrão realmente funciona? Pesquisas e mais pesquisas foram publicadas, algumas apresentando bons resultados, outras com resultados decepcionantes. 

Em 2019, um estudo agrupou o conjunto de pesquisas realizadas na área através de uma técnica chamada meta-análise. O resultado foi, segundo seus autores, que o empurrão não funciona. Imediatamente os críticos da área comportamental divulgaram os resultados que seria uma grande crítica para os pesquisadores. Em 2021 outro estudo chegou a mesma conclusão. (Outro estudo, de 2022, chegou em uma resposta positiva)

Agora o DataColada, um site que investiga a fundo as pesquisas acadêmicas, fez uma crítica severa a pesquisa que "derrubou" o empurrão. Em dois posts o site argumenta que a meta-análise não faz sentido uma vez que os estudos incluídos apresentam uma agregação de resultados que não podem ser agregados. 

A técnica da meta-análise é um grande avanço na ciência e já salvou vidas. Ben Goldacre, em Ciência Picareta, capítulo 4, mostra isto. Mas uma condição relevante para este tipo de estudo é que a pesquisa seja realizada com um grupo de estudos similares e comparáveis. O DataColada considera que isto não foi seguido nas duas pesquisas que rejeitaram a importância no empurrão na decisão humana. Sua posição é mais radical - e contrária a Goldacre - que indicar que é uma análise que não faz sentido.