O marketing das instituições financeiras trabalha em criar produtos e serviços voltados às mais variadas necessidades das empresas e dos consumidores. Os serviços ofertados às empresas vão desde uma simples conta corrente com sistemas de pagamentos e cobranças até uma gama de créditos voltados a suportar e ampliar as operações das empresas de todos os portes. Ao analisar melhor estes produtos, é fácil identificar como as instituições financeiras segmentam o mercado, onde empresas de grande porte acabam recebendo uma maior fatia dos valores disponíveis para concessão de empréstimos. Isto ocorre devido ao menor risco de inadimplência e falência destas empresas, e por estas empresas serem um tipo de sociedade onde as informações são abertas, facilitando as análises de risco. Desde o final da década de 60, estudos vêm sendo realizados para identificar o risco de as empresas ficarem inadimplentes ou falirem. Estes estudos normalmente foram feitos sobre os dados das empresas abertas ou listadas em bolsa de valores, sabendo-se muito pouco sobre as empresas de pequeno e médio porte. Este estudo busca mostrar uma forma de analisar estas empresas de pequeno e médio porte através da utilização de redes neurais convolucionais (CNN). Através de uma base de dados contábeis de mais de 100 mil empresas, foi possível a geração de modelo de machine learning para mensurar a probabilidade de empresas falirem ou ficarem inadimplentes. Os modelos CNN (Convolutional Neural Networking) têm capacidade de tratar séries-temporais analisando-as como imagens; sendo assim, os dados contábeis mensais foram transformados em imagens com a capacidade da CNN reconhecer padrões comportamentais das empresas. Foram criadas mais 10.000 imagens e realizados 11 treinamentos para identificar as situações onde a CNN consegue ser mais assertiva e com menos possibilidade de ocorrência de erros de treinamento comuns neste método. Os resultados obtidos evidenciam uma capacidade elevada em previsão de falência de empresas, em especial de pequeno e médio porte. A contribuição da tese é de fundamentalmente de natureza metodológica e gerencial pela proposição e operacionalização de um método inovador em gestão de risco de falência de empresas.

The marketing strategies of financial institutions aim to create products and services tailored to the diverse needs of businesses and consumers. The services offered to companies range from simple checking accounts with payment and collection systems to a variety of credit options designed to support and expand the operations of businesses of all sizes. A closer analysis of these products reveals how financial institutions segment the market, with large enterprises receiving a larger share of available loan funds. This is due to their lower risk of default and bankruptcy, as well as the transparency of their information, which facilitates risk analysis. Since the late 1960s, studies have been conducted to identify the risk of businesses becoming delinquent or going bankrupt. These studies have typically focused on publicly traded companies, leaving a significant knowledge gap regarding small and medium-sized enterprises (SMEs). This study aims to demonstrate a method for analyzing SMEs using convolutional neural networks (CNNs). Utilizing a dataset of accounting records from over 100,000 companies, a machine learning model was developed to measure the likelihood of businesses failing or defaulting. CNN models have the capability to process time-series data by analyzing them as images. Therefore, monthly accounting data were transformed into images, enabling the CNN to recognize behavioral patterns of the companies. More than 10,000 images were created, and 11 training sessions were conducted to identify scenarios where the CNN could achieve higher accuracy and minimize common training errors associated with this method. The results obtained indicate a high predictive capability for business failures, especially among SMEs. The contribution of this thesis is fundamentally methodological and managerial, proposing and operationalizing an innovative method in the risk management of business failures.