Aplicação das técnicas de machine learning na categorização de despesas de fluxo de caixa:  uma pesquisa-ação

Felippe Torres Dâmaso; Sonia Rosa Arbues Decoster; Leandro D'Avila da Silva; Julielton Brito

doi:10.5585/2025.27432

Autores

Felippe Torres Dâmaso Faculdade Fipecafi https://orcid.org/0009-0008-1030-3239
Sonia Rosa Arbues Decoster Faculdade Fipecafi https://orcid.org/0000-0002-0081-347X
Leandro D'Avila da Silva Faculdade Fipecafi https://orcid.org/0009-0007-7348-7234
Julielton Brito Faculdade Fipecafi https://orcid.org/0009-0005-6631-7427

DOI:

https://doi.org/10.5585/2025.27432

Palavras-chave:

Fluxo de caixa, Análise textual., Machine Learning., Pesquisa- Ação.

Resumo

A gestão financeira desempenha um papel fundamental na estabilidade e no crescimento das empresas. A categorização inadequada de despesas no fluxo de caixa pode acarretar consequências negativas, como relatórios financeiros imprecisos, dificuldades na previsão do fluxo de caixa e problemas na identificação de áreas com custos excessivos ou ineficientes (Silva e Navarro & Valverde, 2023). O objetivo deste relato técnico é apresentar a aplicação de uma ferramenta desenvolvida com base em técnicas de machine learning para resolver o problema da categorização incorreta de despesas em uma planilha de fluxo de caixa de uma empresa familiar alagoana do setor varejista de artigos e armarinhos. O método adotado foi a pesquisa-ação, que, no ambiente organizacional, busca frequentemente solucionar problemas de natureza técnica. Devido às inconsistências nas categorias atribuídas manualmente pelos funcionários, foi desenvolvida uma solução utilizando bibliotecas Python para análise de texto e classificação de dados. Modelos de Regressão Logística e Random Forest foram aplicados para automatizar a correção das categorias. Como resultado, a aplicação dessas técnicas permitiu uma melhora na precisão da categorização das despesas, alcançando uma acurácia de 94% com o modelo Random Forest. Este estudo evidencia a eficácia da integração de machine learning em processos financeiros, demonstrando como essas tecnologias podem contribuir para maior precisão e eficiência, reduzindo erros e otimizando a gestão empresarial.

Downloads

Não há dados estatísticos.

Biografia do Autor

Felippe Torres Dâmaso, Faculdade Fipecafi

Possui graduação em Ciências Contábeis - Faculdades da Seune , MBA em Gestão Financeira , Controladoria e Auditoria pela (FGV) , MBA International Financial Reporting Standards (IFRS ) pela Fipecafi. , Mestrando pela Fipecafi em Finanças e Controladoria com foco em pesquisa em Tecnologia , Inteligência Artificial e Machine Learning.

Sonia Rosa Arbues Decoster, Faculdade Fipecafi

Doutora (2015) e Mestre (2008) em Administração de Empresas pela Faculdade de Economia, Administração e Contabilidade (FEA) da Universidade de São Paulo (USP). Pós-graduada em Administração pela Escola de Administração de Empresas de São Paulo - FGV e graduada em Matemática pela Pontifícia Universidade Católica de São Paulo. Possui experiência profissional em TI de mais de 25 anos, desenvolvida em empresas multinacionais dos segmentos de prestação de serviços e industrial, atuando em cargos de liderança. Atua como consultora em TI e gestão e como professora nos cursos de graduação, MBA e mestrado. Professora e pesquisadora do núcleo de docentes permanentes do Mestrado Profissional em Controladoria e Finanças da Fipecafi. Tem como temas de interesse de pesquisa: transformação digital, inteligência artificial, data analytics, digital analytics, plataformas digitais, blockchain, fintechs, startups, e impactos das tecnologias no âmbito da Controladoria e Finanças. sonia.decoster@fipecafi.org

Leandro D'Avila da Silva, Faculdade Fipecafi

Mestrando pela Fipecafi em Finanças e Controladoria com foco de pesquisa em Contabilidade Financeira e Sustentabilidade, pós-graduado em Finanças e Contabilidade Empresarial pela FAE Business school, graduado em Ciências Contábeis e Administração de Empresas pela Univali – Universidade do Vale do Itajaí. Possui experiência profissional em auditoria, controladoria e contabilidade de mais de 30 anos, desenvolvida em empresas nacionais e multinacionais dos segmentos de auditoria, indústria, varejo, atuando em cargos de liderança. Atuou como professor nos cursos de graduação de UNIDAVI – Universidade de Rio do Sul e FAE Centro Universitário, nas disciplinas de Contabilidade Avançada e Planejamento Tributário

Julielton Brito, Faculdade Fipecafi

Possui graduação em Ciências Econômica – Fundação Nilton Lins, MBA em Finanças & Banking Faculdade Uninove, Especialização em Controladoria, Contabilidade e Finanças pela Fipecafi, Mestrando pela Fipecafi em Controladoria e Fianças com foco em Contabilidade financeira.

Referências

Aghware, F., Ojugo, A. A., Adigwe, W., Odiakaose, C. C., Ojei, E. O., Ashioba, N. C., Okpor, M. D., & Geteloma, V. O. (2024). Enhancing the Random Forest Model via Synthetic Minority Oversampling Technique for Credit-Card Fraud Detection. Journal of Computing Theories and Applications. https://doi.org/10.62411/jcta.10323

Altieri, M. P., Apro, P. H., & Basile, A. L. (2021). O uso de machine learning na classificação de textos com ênfase em fake news. SIBGRAPI. Disponível em https://adelpha-api.mackenzie.br/server/api/core/bitstreams/3bb2fb93-810c-494d-93af-69c90961f0b8/content

Avelar, E. A., Leocádio, V. A., Campos, O. V., Ferreira, P. O., & Orefici, J. B. P. (2022). Algoritmo random forest para previsão de comportamento de preços de ativos. Revista FSA 19(10). Disponível em http://www4.unifsa.com.br/revista/index.php/fsa/article/view/2592

Barbier, R. (2007). A pesquisa-ação. Brasília: Liber Livros Editora.

Bondielli, A., & Marcelloni, F. (2019). A survey on fake news and rumour detection techniques. Information Sciences, 497, 38–55. https://doi.org/10.1016/j.ins.2019.05.035

Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324

Chiu, B., Crichton, G., Korhonen, A., & Pyysalo, S. (2016). How to train good word embeddings for biomedical NLP. Proceedings of the 15th Workshop on Biomedical Natural Language Processing, 166–174. https://doi.org/10.18653/v1/W16-2922

Chopra, A., Prashar, A., & Sain, C. (2013). Natural language processing. International Journal of Technology Enhancements and Emerging Engineering Research, 1(4), 131–134. https://doi.org/10.1.1.407.6907&rep=rep1&type=pdf

Coelho, F. F., de Lima Amorim, D. P., & de Camargos, M. A. (2021). Analisando métodos de machine learning e avaliação do risco de crédito. Revista Gestão & Tecnologia, 21(1), 89–116. Disponível em https://revistagt.fpl.emnuvens.com.br/get/article/view/2089

Dumitrescu, E., et al. (2022). Machine learning for credit scoring: Improving logistic regression with non-linear decision-tree effects. European Journal of Operational Research, 297(3), 1178–1192. https://doi.org/10.1016/j.ejor.2021.06.053

Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems (3ª ed.). O'Reilly Media. Disponível em https://anayamultimedia.es/primer_capitulo/aprende-machine-learning-con-scikit-learn-keras-y-tensorflow-tercera-edicion.pdf

Gilani, S. A., Copiaco, A., Gernal, L., Yasin, N., Nair, G., & Anwar, I. (2023). Savior or distraction for survival: Examining the applicability of machine learning for rural family farms in the United Arab Emirates. Sustainability, 15(4), 3720. https://doi.org/10.3390/su15043720

Gitman, L. J., & Zutter, C. J. (2017). Princípios de administração financeira. São Paulo: Editora Pearson.

Halteh, K., Kumar, K., & Gepp, A. (2018). Financial distress prediction of Islamic banks using tree-based stochastic techniques. Managerial Finance, 44(6), 759–773. https://doi.org/10.1108/MF-12-2016-0372

Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., & Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2

Harris, M., Opp, C. & Opp, M. (2020). The Aggregate Demand for Bank Capital (September 2020). NBER Working Paper No. w27858, Available at SSRN: https://ssrn.com/abstract=3700686

Hendriksen, E. S., & Breda, M. F. V. (2014). Teoria da contabilidade (5ª ed.). São Paulo: Atlas.

Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3ª ed.). John Wiley & Sons. Disponível em

https://onlinelibrary.wiley.com/doi/epub/10.1002/9781118548387

Jurafsky, D., & Martin, J. H. (2021). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition. (3ª ed.). Prentice Hall.

Koralun-Bereźnicka, J. (2013). The relative importance of corporate working capital determinants: Evidence from Polish listed companies. Contemporary Economics, 7(3), 3–24. https://doi.org/10.5709/ce.1897-9254.87

Kumar, M., Charles, V., & Mishra, C. S. (2016). Evaluating the performance of the Indian banking sector using DEA during post-reform and global financial crisis. Journal of Business Economics and Management, 17(1), 156–172. https://doi.org/10.3846/16111699.2013.809785

Kumar, D., & Ratten, V. (2024). Artificial intelligence and family businesses: A systematic literature review. Journal of Family Business Management. https://doi.org/10.1108/JFBM-08-2024-0160

Lannon, F., Lyons, R., & O’Connor, C. (2023). Generation AI and family business: A perspective article. Journal of Family Business Management, 14(3), 470–474. https://doi.org/10.1108/JFBM-07-2023-0116

Lima, M. S. M., & Delen, D. (2020). Predicting and explaining corruption across countries: A machine learning approach. Government Information Quarterly, 37(3). https://doi.org/10.1016/j.giq.2019.101407

Macke, J. (2006). A pesquisa-ação como estratégia de pesquisa participativa. In C. K. Godoi, R. Bandeira-de-Mello, & A. B. Silva (Eds.), Pesquisa qualitativa em estudos organizacionais: Paradigmas, estratégias e métodos. São Paulo: Saraiva.

Maia, N. N., & Salton, G. D. (2022). Utilização de machine learning para classificação de sentimentos no idioma Português-Brasil. Brazilian Journal of Development, 8(6), 43568–43580. DOI: https://doi.org/10.34117/bjdv8n6-070

McCloskey, B. J., LaCasse, P. M., & Cox, B. A. (2024). Natural language processing analysis of online reviews for small business: Extracting insight from small corporations. Annals of Operations Research. https://doi.org/10.1007/s10479-023-05816-2

Menard, S. (2002). Applied logistic regression analysis (2ª ed.). SAGE Publications.

Montevechi, A. A., de Carvalho Miranda, R., Medeiros, A. L., & Montevechi, J. A. B. (2024). Advancing credit risk modelling with machine learning: A comprehensive review of the state-of-the-art. Engineering Applications of Artificial Intelligence, 137, 109082. https://doi.org/10.1016/j.engappai.2024.109082

Moraes, G., & Oliveira, L. (2014). A gestão financeira e sua importância nas empresas. Revista Brasileira de Administração Científica, 5(2), 100–112. https://sustenere.inf.br/index.php/rbadm/issue/view/59

Murphy, K. P. (2012). Machine learning: A probabilistic perspective. MIT Press.

O’Brien, R. (2001). An overview of the methodological approach of action research. In R. Richardson (Ed.), Theory and practice of action research. João Pessoa: Universidade Federal da Paraíba. Disponível em http://www.web.ca/~robrien/papers/arfinal.html

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830. https://www.jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf

Petropoulos, A. V., Stavroulakis, E., & Vlachogiannakis, N. E. (2020). Predicting bank insolvencies using machine learning techniques. International Journal of Forecasting, 36(3), 1092–1113. https://doi.org/10.1016/j.ijforecast.2019.11.005

Prati, R. C., Batista, G. E. A. P. A., & Monard, M. C. (2008). Evaluating Classifiers Using ROC Curves. Latin America Transactions, IEEE. Revista IEEE América Latina, 6(2), 215–222. https://doi.org/10.1109/TLA.2008.4609920

Russell, S., & Norvig, P. (2020). Artificial intelligence: A modern approach (4ª ed.). Prentice Hall.

Sandhof, K., & Filgueiras, L. V. L. (2015). Defeitos de software como erros humanos. II Workshop Um Olhar Sociotécnico sobre a Engenharia de Software – WOSE.

Santos, H. G. D., Nascimento, C. F. D., Izbicki, R., Duarte, Y. A. D. O., Chiavegatto Filho, P., & Dias, A. (2019). Machine learning para análises preditivas em saúde: Exemplo de aplicação para predizer óbito em idosos de São Paulo, Brasil. Cadernos de Saúde Pública, 35(7), e00050818.

Silva e Navarro, J. V.M.& Valverde, A. R. (2023). A importância da gestão financeira nas micro e pequenas empresas: O caso de uma empresa de pequeno porte no setor alimentício.Gestão – Revista Científica, 5(2). https://doi.org/10.5281/zenodo.13772993

Thiollent, M. (2009). Pesquisa-ação nas organizações (2ª ed.). São Paulo: Atlas.

Tripp, D. (2005). Pesquisa-ação: Uma introdução metodológica. Educação e Pesquisa, 31(3), 443–466.

Ulrich, P., Frank, V., & Buettner, R. (2023). Artificial intelligence in small and medium-sized family firms: An empirical study on the impact of family influence. Corporate Governance and Organizational Behavior Review, 7(1), 72–80. https://doi.org/10.22495/cgobrv7i1p7

Upadhyay, N., Upadhyay, S., Al-Debei, M. M., Baabdullah, A. M., & Dwivedi, Y. K. (2023). The influence of digital entrepreneurship and entrepreneurial orientation on intention of family businesses to adopt artificial intelligence: Examining the mediating role of business innovativeness. International Journal of Entrepreneurial Behavior and Research, 29(1), 80–115. https://doi.org/10.1108/IJEBR-02-2022-0154

Vergara, S. C. (2005). Métodos de pesquisa em administração (1ª ed.). São Paulo: Editora Atlas S.A.

Ying, X. (2019). An overview of overfitting and its solutions. Journal of Physics: Conference Series, 1168(2), 022022.

Zöller, M., & Huber, M. F. (2021). Benchmark and survey of automated machine learning frameworks. Journal of Artificial Intelligence Research, 70, 409–472. Disponível em https://arxiv.org/pdf/1904.12054