Resumo

Os algoritmos de Machine Learning (ML), ou aprendizado de máquina, têm tido sucesso ao serem capazes de igualar e superar o desempenho humano em diversos campos. Machine Learning é uma forma de Inteligência Artificial em que algoritmos fazem análise de dados e “aprendem” sem instruções específicas. As técnicas de ML podem trazer muitos benefícios às organizações, como prever o comportamento dos consumidores, aumentar a eficiência de processos de auditoria, estimar a probabilidade de ocorrência de fraude, inadimplência ou sinistro de seguros, entre outros.

O objetivo deste artigo é levantar e examinar pesquisas publicadas no Brasil sobre aplicações de mineração de dados e machine learning em contabilidade e identificar oportunidades e possíveis lacunas na literatura nacional. O trabalho utiliza a estrutura proposta por Amani e Fadlalla (2017), que analisa quais áreas da disciplina contábil têm maior utilização de mineração de dados e machine learning e as principais técnicas utilizadas nestas análises. É utilizada análise de conteúdo com base nas pesquisas existentes que descrevem as aplicações de mineração de dados na contabilidade.

Este trabalho é baseado na pesquisa de Amani e Fadlallab (2017), que examinaram pesquisas publicadas sobre aplicações de data mining na contabilidade. No Brasil, Silva et al (2010) analisaram o emprego de métodos de ML em trabalhos apresentados em três congressos brasileiros, Silva et al. (2017) catalogaram os três métodos e técnicas de pesquisas quantitativas mais utilizadas em contabilidade e finanças. Nenhum trabalho, porém, analisou conjuntamente as técnicas de ML e os tópicos da contabilidade que estas se aplicam.

Este trabalho utiliza a metodologia de pesquisa proposta por Amani e Fadlalla (2017), que consiste em 6 passos: Passo 1. Definição do escopo: Trabalhos que aplicam ML em contabilidade. Passo 2. Definição dos termos de pesquisa: Termos relacionados à contabilidade e à ML. Passo 3. Definição das fontes de dados: revistas brasileiras da área da contabilidade classificadas como A2 e B1, totalizando 7 publicações. Passo 4. Seleção de artigos: Totalizaram-se 182 artigos. Passo 5. Construção da base de dados com informações bibliográficas e tema. Passo 6. Síntese e análise das informações.

Após a análise dos resultados, identificou-se que grande parte dos artigos se utilizou das técnicas de regressão, dados em painel e análise de cluster. As técnicas menos utilizadas são mineração de textos, análise discriminante e simulações de monte carlo. Nenhum artigo apresentou técnicas como XGBoost ou Random Forest. Verificou-se que 41% dos artigos são relacionados à auditoria e compliance. Isto se deve à grande quantidade de estudos que objetivam estudar o risco de insolvência das empresas, ou um modelo de credit score.

Foram identificadas diversas lacunas na literatura nacional em todos os ramos da contabilidade, como auditoria, contabilidade financeira e contabilidade gerencial. Em auditoria, notou-se a ausência de estudos para identificação de dados discrepantes, análise do impacto dos relatórios de auditoria na inadimplência das empresas, utilização de modelos híbridos e text mining. Na contabilidade financeira, notou-se oportunidades na utilização de text mining na previsão dos resultados do balanço. Na contabilidade gerencial, pode-se aplicar ML na otimização de estoque e previsão do fluxo de caixa.

AMANI, F. A.; FADLALLA, A. M. Data mining applications in accounting: A review of the literature and organizing framework. International Journal of Accounting Information Systems, v. 24, p. 32–58, 2017. SILVA, A. C. DA; WANDERLEY, C. A. N.; SANTOS, R. Utilização de ferramentas estatísticas em artigos sobre Contabilidade Financeira – um estudo quantitativo em três congressos realizados no país. Revista Contemporânea de Contabilidade, v. 1, p. 11–28, 2010.