Forecasting de caixa com IA: como o TreasuryOS reduziu caixa ocioso em 40%

O problema do caixa ocioso

Tesourarias corporativas frequentemente mantêm excesso de caixa em múltiplos bancos como buffer de segurança. Esse caixa ocioso não rende nada — ou rende abaixo do mercado em contas correntes básicas — enquanto a empresa paga 15-20% ao ano de juros em linhas de crédito.

Eis um cenário típico: um processador de pagamentos lida com R$ 500 milhões em volume mensal em 4 bancos. Cada banco mantém um buffer de R$ 10-15 milhões "por via das dúvidas." São R$ 40-60 milhões parados na rede bancária. Na taxa CDI (atualmente ~13,65%), esse caixa ocioso poderia estar gerando R$ 5-8 milhões por ano em rendimento. Em vez disso, não rende nada.

O tesoureiro sabe disso. Mas não consegue reduzir os buffers porque não sabe — com confiança — quanto de caixa vai precisar amanhã, na semana que vem ou no mês que vem. Sem previsões confiáveis, a resposta racional é fazer over-buffer. Melhor perder rendimento do que perder uma obrigação de pagamento.

Esse é o problema que o TreasuryOS resolve: prever necessidades de caixa com precisão suficiente para minimizar buffers ociosos sem aumentar o risco de liquidez.

Por que forecasting em planilha falha

O workflow típico de tesouraria

A maioria das tesourarias corporativas prevê fluxo de caixa usando Excel:

1. Baixar extratos bancários de cada portal de banco (manualmente, diariamente)

2. Categorizar transações em entradas e saídas

3. Aplicar médias históricas e ajustes manuais

4. Adicionar obrigações futuras conhecidas (folha, impostos, prazos de fornecedores)

5. Produzir uma previsão que está desatualizada quando fica pronta

Esse processo leva 2-4 horas diárias para um time de 2-3 analistas. A previsão é tipicamente atualizada uma vez por dia, cobre 7-14 dias à frente, e tem precisão de 60-70%.

Por que quebra

Dados obsoletos. Quando o analista termina de baixar extratos e categorizar transações, novos pagamentos chegaram. A previsão é baseada nos dados de ontem, não na realidade de hoje.

Sem visibilidade intraday. Uma previsão diária não captura movimentos de caixa intraday. Uma empresa pode começar o dia com R$ 10M no Banco A, receber R$ 5M em PIX às 10h, fazer um pagamento de R$ 8M a fornecedor às 14h, e receber mais R$ 3M às 17h. O snapshot diário perde toda essa volatilidade.

Sem reconhecimento de padrões. Humanos são ruins em detectar padrões sutis em grandes datasets. Um analista de tesouraria consegue notar "sextas são movimentadas," mas não consegue detectar que "a terceira quinta-feira de meses seguindo uma segunda-feira feriado tem 23% mais saídas devido a pagamentos atrasados de fornecedores." Modelos de ML conseguem.

Sem pensamento probabilístico. Planilhas produzem estimativas pontuais: "Vamos precisar de R$ 12M amanhã." Mas a resposta real é: "Vamos precisar entre R$ 10M e R$ 14M amanhã, com 90% de confiança." Estimativas pontuais não capturam incerteza, o que significa que buffers são ou grandes demais (rendimento desperdiçado) ou pequenos demais (risco de liquidez).

Coordenação multi-banco manual. Quando caixa precisa se mover entre bancos, alguém precisa entrar em cada portal, iniciar transferências e rastrear confirmações. Isso é lento, propenso a erros e não escala.

Como funciona o forecasting do TreasuryOS

TreasuryOS é nosso motor de gestão de tesouraria powered por IA. Ele consome dados de transações em tempo real de todos os bancos conectados, roda modelos de ML para prever fluxos de caixa futuros, e automatiza o posicionamento de caixa na rede bancária.

Ingestão de dados: tempo real, multi-banco

TreasuryOS conecta a cada banco na rede do cliente via:

• Integrações API (para bancos com APIs modernas)
• Parsing de arquivos CNAB 240 / camt.053 (para bancos com interfaces baseadas em arquivo)
• Screen scraping via conectores regulados (para bancos sem API ou interface de arquivo)

Todas as transações são ingeridas em tempo real (ou near-real-time para bancos baseados em arquivo). Cada transação é automaticamente categorizada:

• Categorias de entrada: Pagamentos de clientes (PIX, boleto, TED, cartão), desembolsos de empréstimo, resgates de investimento, transferências intercompany
• Categorias de saída: Folha de pagamento, pagamentos a fornecedores, obrigações tributárias, amortização de empréstimos, aplicações de investimento, transferências intercompany
• Recorrente vs. pontual: O engine identifica padrões recorrentes (folha mensal, impostos trimestrais) vs. eventos pontuais

O pipeline de ML

TreasuryOS roda três modelos de forecasting simultaneamente, cada um otimizado para um horizonte diferente:

Modelo de curto prazo (1-7 dias):

• Arquitetura: LSTM (Long Short-Term Memory) neural network
• Features de entrada: Últimos 90 dias de fluxos diários, dia da semana, dia do mês, calendário de feriados, obrigações futuras conhecidas, padrões intraday
• Output: Previsão diária de fluxo de caixa com intervalos de confiança
• Precisão: 94% dentro de 10% de margem de erro (horizonte 7 dias)

Modelo de médio prazo (7-30 dias):

• Arquitetura: Ensemble gradient-boosted (XGBoost)
• Features de entrada: Últimos 12 meses de fluxos semanais agregados, padrões sazonais, indicadores macroeconômicos (taxa Selic, IPCA, dados de emprego), variáveis específicas do cliente (pipeline de vendas, renovações de contrato)
• Output: Previsão semanal de fluxo de caixa com intervalos de confiança
• Precisão: 87% dentro de 15% de margem de erro (horizonte 30 dias)

Modelo de longo prazo (30-90 dias):

• Arquitetura: Prophet (modelo de séries temporais do Facebook) + ajustes customizados
• Features de entrada: Últimos 24 meses de fluxos mensais, sazonalidade anual, eventos grandes conhecidos (13º salário em dezembro, deadlines fiscais), tendências da indústria
• Output: Previsão mensal de fluxo de caixa com intervalos de confiança largos
• Precisão: 78% dentro de 20% de margem de erro (horizonte 90 dias)

Engenharia de features: o que os modelos veem

Os modelos consomem 83 features. As mais preditivas:

Features temporais (12): Dia da semana, dia do mês, semana do ano, dia útil vs. feriado, dias até próxima data de pagamento importante, proximidade de fim de trimestre.

Features de fluxo histórico (24): Médias móveis (7, 14, 30, 60, 90 dias), comparações mesmo-dia-semana-passada e mesmo-dia-mês-passado, coeficientes de tendência, medidas de volatilidade.

Features sazonais (15): Índices de sazonalidade mensal, padrões anuais (aperto de caixa em janeiro, 13º em dezembro), coeficientes de impacto de feriados, padrões sazonais específicos da indústria.

Obrigações conhecidas (18): Valores e datas de folha programados, calendário de pagamento de impostos (IRPJ, CSLL, PIS, COFINS, ISS, ICMS), termos e valores de pagamento a fornecedores, cronogramas de amortização de empréstimos, entradas baseadas em contrato (receita recorrente, ciclos de billing SaaS).

Sinais externos (14): Taxa Selic (afeta retornos de investimento e custos de crédito), trajetória IPCA (afeta contratos indexados), PMI da indústria (indicador antecedente de atividade), KPIs específicos do cliente (volume de vendas, clientes ativos, taxa de churn).

Re-treinamento e detecção de drift

Modelos são re-treinados semanalmente com os dados mais recentes. Monitoramos concept drift continuamente. Se o erro de previsão do modelo aumenta mais de 2 desvios padrão por 3 dias consecutivos, o sistema sinaliza uma potencial mudança de regime.

Posicionamento automático de caixa: sweep e investimento

Forecasting sozinho não economiza dinheiro. O valor vem de agir com base na previsão — mover caixa de posições ociosas para posições geradoras de rendimento, automaticamente.

O engine de sweep

Toda manhã às 8:00 (antes da abertura do mercado), TreasuryOS roda a otimização de sweep:

1. Estado atual: Consultar saldos em todos os bancos

2. Previsão: Prever necessidades de caixa para os próximos 7 dias por banco

3. Cálculo de buffer: Determinar buffer mínimo por banco (previsão + margem de segurança baseada no intervalo de confiança)

4. Identificação de excesso: Caixa acima do buffer é "excesso" e pode ser investido

5. Execução de sweep: Transferir caixa excedente para o destino de maior rendimento

Destinos de sweep (em ordem de preferência):

• Aplicação CDI automática (mesmo banco): Zero custo de transferência, liquidez imediata
• CDB/LCI/LCA (mesmo banco): Rendimento maior que CDI, mas com período de lock-up
• Transferência interbancária + aplicação (banco diferente): Rendimento maior justifica custo de transferência

O engine de sweep respeita restrições: saldos mínimos contratuais, concentração máxima por banco, horários de corte de transferência, delays de liquidação.

Rebalanceamento intraday

Para operações de alto volume (processadores de pagamento, marketplaces), sweeps diários não bastam. TreasuryOS roda rebalanceamento intraday em intervalos configuráveis (default: a cada 2 horas), todas as transferências via PIX.

Escada de investimento automatizada

Para excesso de caixa de médio e longo prazo, TreasuryOS constrói uma escada de investimento:

• Excesso 0-7 dias: CDI automático (liquidez diária)
• Excesso 7-30 dias: CDB com prazo de 30 dias (CDI + 0,5%)
• Excesso 30-90 dias: LCI/LCA com prazo de 90 dias (CDI + 1,0%, isento de IR para PF)
• Excesso 90+ dias: Instrumentos de prazo mais longo baseados na política de tesouraria

A escada é dinamicamente ajustada com base nas previsões.

Visibilidade multi-banco: o painel único

Dashboard consolidado

TreasuryOS fornece um único dashboard mostrando: saldos em tempo real em todos os bancos, fluxo de caixa intraday, overlay de previsão com bandas de confiança, posições de investimento, histórico de sweeps, e analytics de performance por banco.

Otimização de capital de giro

Tracking de DSO (Days Sales Outstanding)

DSO em tempo real por segmento de cliente, método de pagamento e safra. O sistema detecta deterioração de DSO cedo — antes de impactar o fluxo de caixa.

Otimização de pagamento a fornecedores

TreasuryOS analisa termos de pagamento de fornecedores e identifica oportunidades: quais oferecem desconto por pagamento antecipado? O desconto (ex: 2% por pagar 20 dias antes) é melhor que o retorno CDI sobre aquele caixa? Quais podem ser movidos para prazos mais longos?

Ciclo de conversão de caixa

O sistema rastreia o ciclo completo: dias de estoque + dias de recebíveis - dias de pagáveis. Tendências são surfaceadas como recomendações acionáveis.

Os números de produção

Após 18 meses de TreasuryOS em produção em 23 clientes:

• 94% precisão de previsão (horizonte 7 dias, dentro de 10% de margem de erro)
• 87% precisão de previsão (horizonte 30 dias, dentro de 15% de margem de erro)
• 40% redução em caixa ocioso — de R$ 47M em média para R$ 28M em média na base de clientes
• R$ 8,2M em rendimento adicional gerado em 12 meses de caixa excedente investido
• 83 features consumidas pelos modelos de ML
• < 30 segundos da ingestão de dados à previsão atualizada
• 4 bancos em média por cliente, todos consolidados em um único dashboard
• 2,3 horas/dia economizadas por time de tesouraria (eliminado download manual de extratos e reconciliação em planilha)
• Zero incidentes de liquidez — nenhum cliente perdeu uma obrigação de pagamento por buffer insuficiente

Por que isso importa

Cada real parado ocioso em uma conta bancária é um real não rendendo. Para uma empresa com R$ 50M em caixa ocioso médio, o custo de oportunidade na taxa CDI é R$ 6,8M por ano. Isso não é erro de arredondamento — é impacto material no P&L.

A razão pela qual empresas mantêm excesso de caixa não é irracionalidade. É incerteza. Elas não sabem quanto vão precisar, então bufferizam conservadoramente. TreasuryOS substitui incerteza por previsões probabilísticas, e gestão manual de caixa por sweep-and-invest automatizado.

O resultado: menos caixa ocioso, mais rendimento, zero risco adicional de liquidez, e um time de tesouraria que gasta tempo em estratégia em vez de baixar extratos bancários.

Construímos o TreasuryOS porque acreditamos que gestão de tesouraria é um problema resolvido na teoria — mas a maioria das empresas ainda roda em planilhas e intuição. Modelos de ML que atualizam em tempo real, conectados a engines de sweep automatizados, mudam a economia fundamentalmente. E os números provam.