Abstract
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.

This publication has 29 references indexed in Scilit: