Aplicação das técnicas de machine learning na categorização de despesas de fluxo de caixa: uma pesquisa-ação
DOI:
https://doi.org/10.5585/2025.27432Palavras-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
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
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Felippe Torres Dâmaso, Sonia Rosa Arbues Decoster, Leandro D'Avila da Silva, Julielton Brito

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
- Resumo 65
- pdf 49