A Caspian Advisory Partners é uma consultoria de investimentos transfronteiriça focada em transações de energia renovável em escala de utilidade pública na Ásia Central. Asel Bekova lidera a análise quantitativa de operações para o pipeline de mercados emergentes da empresa, cobrindo estruturação de financiamento de projetos, preparação para comitês de crédito e relatórios voltados a investidores. A empresa opera de forma enxuta, com profunda expertise em DCF e um cronograma de negócios medido em semanas.
Três estruturas de financiamento, nenhum template para o Cazaquistão
A tarefa: construir um DCF de 25 anos para um projeto solar PV em escala de utilidade pública no Cazaquistão, cobrindo três estruturas simultaneamente — 100% equity, um empréstimo de banco comercial e um empréstimo concessional de uma instituição de financiamento ao desenvolvimento. Cada uma exigia VPL, TIR do Equity e DSCR: nove resultados financeiros distintos a partir de um único horizonte de projeto.
Não existia template para esse mercado. O histórico de inflação do Cazaquistão e o mix energético doméstico não podiam ser substituídos por benchmarks europeus. O preço do PPA precisava ser ancorado aos níveis reais de fechamento dos leilões solares do Cazaquistão e à tabela tarifária regulada — não a estimativas de LCOE de outros mercados. Usar entradas genéricas produz números de VPL e TIR que não resistem à análise do comitê.
Três etapas encadeadas precederam qualquer análise de fato: localizar e interpretar arquivos macroeconômicos do Cazaquistão, configurar um ambiente Python com numpy_financial e recalibrar Capex e preço do PPA depois que os resultados iniciais não refletiram condições locais de mercado críveis. Feito manualmente e em sequência, isso arriscava fazer a empresa perder completamente o ciclo de financiamento.
Energent.ai se tornou a camada de modelo e entrega
O agente cuidou de cada etapa, da entrada bruta ao entregável final:
- Ingeriu arquivos de histórico de inflação e mix energético do Cazaquistão a partir do armazenamento local — localizando, lendo e interpretando antes de qualquer fórmula ser escrita
- Construiu um DCF em Python de 25 anos cobrindo receita, despesas operacionais, cronogramas de serviço da dívida e fluxos de caixa pós-dívida para o equity em todas as três estruturas simultaneamente
- Instalou numpy_financial, executou o modelo e revisou os resultados iniciais em relação às condições de mercado do Cazaquistão
- Recalibrou Capex e preço do PPA para os preços de fechamento dos leilões e os níveis tarifários regulados do Cazaquistão no meio da sessão, sem reiniciar o modelo
- Produziu um relatório analítico estruturado cobrindo metodologia DCF, comparações entre estruturas de financiamento, contexto macroeconômico do Cazaquistão e interpretação das métricas em linguagem simples
- Acionou um subagente de visualização para construir um dashboard interativo em HTML comparando VPL, TIR do Equity e DSCR entre todas as três estruturas ao longo de todo o horizonte de 25 anos
Nenhum modelador externo. Nenhuma etapa separada de configuração de ambiente. Nenhuma ferramenta secundária de visualização.
Calibração local, não apenas computação mais rápida
- Entradas macro específicas do Cazaquistão — o histórico de inflação e o mix energético foram ingeridos diretamente de arquivos locais, sem substituição por proxies genéricos de mercados emergentes que não resistem à revisão de credores
- Recalibração no meio da sessão — quando o Capex e o preço do PPA iniciais produziram uma faixa de viabilidade não crível, ambos os inputs foram corrigidos e o modelo foi executado novamente dentro da mesma sessão, não em um ciclo de revisão
- Produção paralela de entregáveis — o relatório analítico e o dashboard HTML foram produzidos simultaneamente, comprimindo um fluxo de trabalho de várias etapas em uma única sessão auditável
- Formato pronto para comitê — o dashboard não exigia formatação adicional nem acesso ao arquivo do modelo antes de poder ser distribuído aos membros do comitê
Nove resultados e um dashboard, em uma única sessão auditável
- Nove resultados financeiros — VPL, TIR do Equity e DSCR para cada uma das três estruturas de financiamento — produzidos e calibrados com entradas específicas do Cazaquistão
- Dois entregáveis prontos para apresentação: relatório analítico estruturado e dashboard interativo de comparação em HTML
- Correção das premissas concluída no meio da sessão, sem acionar um especialista externo nem reiniciar o modelo
- Um fluxo de trabalho que abrange coleta de dados, construção do modelo, revisão de premissas e produção do dashboard comprimido em uma única sessão
"Em uma operação de mercado emergente, a etapa de calibração das premissas é onde se gasta a maior parte do tempo. Ter isso feito durante a sessão — com os materiais para o comitê já prontos — significou que pudemos nos concentrar nas decisões de julgamento, não na construção do modelo." — Asel Bekova, Analista Sênior de Finanças na Caspian Advisory Partners