Contabilidade no processo de gestão

Prévia do material em texto

<p>SISTEMAS DE INFORMAÇÕES</p><p>CONTÁBEIS E GERENCIAIS</p><p>AULA 6</p><p>Prof.ª Edenise A. dos Anjos</p><p>2</p><p>CONVERSA INICIAL</p><p>Nesta etapa, trabalharemos os seguintes tópicos:</p><p>• tecnologias de captura, armazenamento, mineração e análise de dados;</p><p>• Big Data, Small Data e Data Warehouse;</p><p>• Inteligência de Negócios (Business Intelligence – BI), Inteligência Artificial</p><p>e robotização (automatização de processos);</p><p>• Data Analytics de Negócios;</p><p>• Data Visualisation, Storytelling de Dados, (KPIS, Scorecards e</p><p>Dashboards).</p><p>CONTEXTUALIZANDO</p><p>Segundo as análises de Davenport (2021), uma proporção considerável,</p><p>variando entre 20% e 37%, das principais corporações globais está adotando</p><p>tecnologias de inteligência artificial, especialmente o aprendizado de máquina,</p><p>em projetos de análise de negócios. Essas ferramentas visam explorar dados,</p><p>identificar padrões e tendências, bem como gerar insights operacionais.</p><p>Nesse contexto, as soluções de análise de dados estão exercendo um</p><p>impacto particularmente relevante no âmbito da contabilidade. Assim, este</p><p>material tem como objetivo apresentar algumas das mais importantes</p><p>ferramentas tecnológicas para armazenamento, análise e visualização de dados</p><p>emergentes.</p><p>TEMA 1 – TECNOLOGIAS DE CAPTURA E ARMAZENAMENTO E DATA</p><p>MINING: TECNOLOGIAS DE MINERAÇÃO E ANÁLISE DE DADOS</p><p>Nas últimas décadas, os avanços tecnológicos impulsionaram a geração</p><p>de dados e informações em volume jamais visto, superando, em muitos casos,</p><p>a capacidade dos sistemas de informação tradicionais implementados pelas</p><p>organizações. Essa explosão de dados se configura como um desafio, exigindo</p><p>das empresas a busca por ferramentas e dispositivos tecnológicos que otimizem</p><p>seus processos, desde a coleta e o tratamento até o armazenamento e a análise</p><p>dos dados.</p><p>3</p><p>1.1 Tecnologias de captura</p><p>As tecnologias de captura são métodos e ferramentas utilizados para</p><p>coletar dados de diversas fontes. Incluem desde uma simples entrada manual</p><p>até sistemas avançados que utilizam tecnologias como reconhecimento ótico de</p><p>caracteres (OCR), identificação por radiofrequência (RFIB), biometria, leitor,</p><p>entres outros.</p><p>A captura de dados refere-se à extração e conversão de dados de várias</p><p>fontes, como documentos físicos ou digitais, estruturados ou desestruturados,</p><p>em um formato que os sistemas de computador possam processar, analisar e</p><p>utilizar com facilidade. Envolve a captura de informações relevantes, como texto,</p><p>números, imagens ou códigos, e sua transformação em um formato estruturado</p><p>e legível por máquina.</p><p>No Quadro 1 a seguir, apresentamos alguns exemplos de tecnologias de</p><p>capturas.</p><p>Quadro 1 – Tecnologias de captura</p><p>Tecnologias de captura Descrição/aplicação</p><p>Captura Móvel de Dados</p><p>Utiliza dispositivos móveis como smartphones e tablets</p><p>para capturar e processar informações no local, como</p><p>fotografias, documentos, assinaturas e formulários.</p><p>Reconhecimento Ótico de</p><p>Caracteres (OCR)</p><p>Uma tecnologia que possibilita transformar imagens de</p><p>texto em texto estruturado que pode ser lido e processado</p><p>por máquinas.</p><p>Processamento Inteligente de</p><p>Documentos (IDP)</p><p>Automatiza a extração de informações relevantes de</p><p>documentos não estruturados, como faturas e ordens de</p><p>compra.</p><p>Identificação Automática e</p><p>Captura de Dados (AIDC)</p><p>Inclui uma variedade de tecnologias como código de</p><p>barras, RFID, biometria, cartão magnético, smart card e</p><p>reconhecimento de fala.</p><p>Fonte: Edenise A. dos Anjos, 2024.</p><p>As tecnologias de captura possibilitam a coleta de dados de maneira</p><p>rápida e eficiente, reduzindo significativamente o tempo necessário para reunir</p><p>informações relevantes. Isso é especialmente importante em um ambiente</p><p>empresarial em que a velocidade e a precisão são essenciais para tomar</p><p>decisões informadas.</p><p>Além disso, essas tecnologias proporcionam a coleta de dados de uma</p><p>variedade de fontes, sejam elas documentos físicos ou digitais, estruturados ou</p><p>desestruturados. Essa amplitude possibilita que as organizações integrem</p><p>4</p><p>informações de diferentes sistemas e origens, de modo a obter uma visão</p><p>holística e unificada das operações.</p><p>Saiba mais</p><p>Um exemplo de aplicação de tecnologias de captura no varejo são os</p><p>supermercados autônomos. Sugerimos a leitura da seguinte notícia veiculada</p><p>pela rádio CBN Curitiba, bem como a visualização de um vídeo sobre o</p><p>funcionamento de lojas autônomas em 2022. Disponível em:</p><p>. Acesso em: 6 jun. 2024.</p><p>CURITIBA GANHA PRIMEIRO SUPERMERCADO</p><p>100% AUTÔNOMO DA AMÉRICA LATINA</p><p>O conceito é simples: nada de caixas para pagamento, nem filas.</p><p>O consumidor chega até o supermercado, escolhe o que quer, retira da</p><p>prateleira, coloca na cesta e pronto. Já fica registrado o quanto ele gastou e o</p><p>débito é feito automaticamente no cartão de crédito. […]</p><p>Disponível em: . Acesso em: 6 jun. 2024.</p><p>Crédito: frantic00/Shutterstock.</p><p>Além das tecnologias de captura que otimizam os processos de entrada</p><p>e organização de dados nos sistemas, as ferramentas tecnológicas de</p><p>mineração de dados facilitam o processamento de informações para obtenção</p><p>de insights aprimorados, melhoria na tomada de decisão e na automação de</p><p>processos.</p><p>1.2 Data Mining: tecnologias de mineração e análise de dados</p><p>O termo “mineração de dados” (MD) foi cunhado em alusão ao processo</p><p>de mineração, uma vez que se explora uma base de dados (mina) usando</p><p>algoritmos (ferramentas) adequados para obter conhecimento (minerais</p><p>https://youtu.be/9cvdbAnlGhU</p><p>https://cbncuritiba.com.br/materias/curitiba-ganha-primeiro-supermercado-100-autonomo-da-america-latina/</p><p>https://cbncuritiba.com.br/materias/curitiba-ganha-primeiro-supermercado-100-autonomo-da-america-latina/</p><p>5</p><p>preciosos) (Castro; Ferrari, 2016). É uma abordagem multidisciplinar que</p><p>combina ferramentas de estatística e inteligência artificial (como redes neurais e</p><p>aprendizado de máquina) com gerenciamento de banco de dados para analisar</p><p>grandes coleções digitais, conhecidas como “conjuntos de dados”.</p><p>A mineração de dados é definida como a aplicação de algoritmos</p><p>específicos para extrair padrões de dados. Possibilita a descoberta automatizada</p><p>de padrões implícitos e conhecimento interessante escondido em grandes</p><p>quantidades de dados (Amani; Fadlalla, 2017). Também é conhecido como o</p><p>processo de extração ou mineração de conhecimento de grandes quantidades</p><p>de dados como Big Data (Han; Micheline, 2006), com o objetivo de aprimorar o</p><p>processo de tomada de decisão em abordagens específicas.</p><p>Existem muitos tipos de mineração de dados, tipicamente divididos pelo</p><p>tipo de informação (atributos) (Figura 1).</p><p>Figura 1 – Objetivos da Mineração de dados</p><p>Fonte: Amani; Fadlalla, 2017.</p><p>A mineração de dados descritiva é amplamente utilizada e</p><p>compreendida, cujo foco é entender o passado e o presente por meio dos dados</p><p>para tomadas de decisão informadas. Utiliza técnicas para categorizar,</p><p>caracterizar, consolidar e visualizar dados, transformando-os em informações</p><p>úteis para uma melhor compreensão dos negócios (Evans, 2017). Possibilita a</p><p>identificação de padrões, tendências e áreas de oportunidade nos dados.</p><p>A mineração de dados preditiva analisa o passado para prever o futuro,</p><p>por intermédio do exame de dados históricos e da detecção de padrões ou</p><p>relacionamentos. Por exemplo, em um sistema bancário, a MD pode alertar</p><p>sobre cobranças potencialmente fraudulentas em cartões de crédito (Evans,</p><p>2017). Essa abordagem orienta principalmente a tomada de decisões futuras.</p><p>1. DESCRITIVA</p><p>•Visa entender O</p><p>QUE ACONTECEU</p><p>No passado e no</p><p>presente, com foco</p><p>na compreensão</p><p>dos negócios e dos</p><p>dados.</p><p>2. PREDITIVA</p><p>•Envolve o uso de</p><p>algumas variáveis ou</p><p>campos no banco de</p><p>dados para prever</p><p>valores desconhecidos</p><p>ou futuros de</p><p>outras</p><p>variáveis de interesse-</p><p>(O QUE PODERIA</p><p>ACONTECER)</p><p>3. PRESCRITIVA</p><p>•Concentra-se em</p><p>fornecer a melhor</p><p>solução para o</p><p>problema dado. (O</p><p>QUE DEVERIA</p><p>ACONTECER)</p><p>6</p><p>A mineração de dados prescritiva utiliza técnicas de otimização para</p><p>determinar as melhores alternativas, buscando minimizar ou maximizar uma</p><p>função objetivo específica (Evans, 2017). Essa abordagem combina técnicas</p><p>matemáticas e estatísticas da mineração de dados preditiva com métodos de</p><p>otimização, o que possibilita a tomada de decisões que consideram a incerteza</p><p>nos dados.</p><p>Os objetivos da mineração de dados podem ser alcançados por meio de</p><p>várias tarefas, incluindo classificação, agrupamento, previsão, detecção de</p><p>anomalias, otimização e visualização. Essas tarefas variam de acordo com o</p><p>tipo de problema a ser resolvido e podem ser descritos conforme exposto no</p><p>Quadro 2 a seguir.</p><p>Quadro 1 – Tipos de acordo com o tipo de problema</p><p>CLASSIFICAÇÃO</p><p>• Concentra-se no mapeamento de dados para definir o</p><p>conjunto de atributos discretos qualitativos de classes, que</p><p>podem ser binárias ou mutilasses.</p><p>CLUSTERING • Concentra-se na segmentação de dados para algumas</p><p>classes ou grupos significativos.</p><p>PREVISÃO • Concentra-se em encontrar um valor numérico futuro</p><p>(previsão) ou valor não numérico (classificação).</p><p>OUTLIER DETECTION • Concentra-se em encontrar os dados que se desviam</p><p>significativamente do normal.</p><p>OTIMIZAÇÃO • Concentra-se em encontrar a melhor solução, dados</p><p>alguns recursos.</p><p>VISUALIZAÇÃO • Concentra-se na apresentação visual e compreensão dos</p><p>dados.</p><p>REGRESSÃO • Concentra-se na estimativa de uma variável dependente de</p><p>um conjunto de variáveis independentes.</p><p>Fonte: Amani; Fadlalla, 2017.</p><p>No mercado, há uma ampla variedade de técnicas de mineração de dados</p><p>que as organizações empresariais podem fazer uso, tais como: redes neurais</p><p>artificiais (ANNs), raciocínio baseado em casos (CBR), algoritmos genéticos</p><p>(AG), árvores de decisão (DT), regras de associação (AR), máquinas de vetores</p><p>de suporte (SVM), regressão, mapas auto-organizáveis (SOM), vizinho mais</p><p>próximo (KNN) e análise discriminante (Amani; Fadlalla, 2017). O uso de uma ou</p><p>mais técnicas deve ser aplicada de acordo com o propósito específico, ou seja,</p><p>problema e necessidade da organização.</p><p>7</p><p>Em síntese, a mineração de dados é uma ferramenta poderosa que</p><p>oferece às organizações uma ampla variedade de benefícios e capacidades.</p><p>Entre esses benefícios, destacam-se a previsão eficaz de tendências futuras no</p><p>desenvolvimento corporativo, auxiliando os gerentes a tomarem decisões mais</p><p>informadas e, o que, consequentemente, aumenta a competitividade da</p><p>empresa. Em vista disso, vem sendo aplicada a quase todas as disciplinas não</p><p>comerciais, bem como a de negócios, incluindo a contabilidade.</p><p>1.3 Tecnologias de mineração e análise de dados e a aplicação contábil</p><p>A contabilidade é a base de qualquer empresa e abrange uma ampla</p><p>gama de atividades, incluindo relatórios internos e externos, custos,</p><p>estimativa, avaliação, análise e auditoria e muitas destas atividades</p><p>envolvem incertezas, riscos e complexidades (Amani; Fadlalla, 2017).</p><p>Embora as discussões sobre a implementação de novas tecnologias na</p><p>contabilidade sejam recentes, a área já tem um histórico de aplicações</p><p>inteligentes que remontam mais de três décadas (Baldwin; Brown; Trinkle, 2006).</p><p>Na verdade, a contabilidade foi uma das primeiras disciplinas de negócios a</p><p>utilizar a mineração de dados para aprimorar suas atividades.</p><p>Na área contábil, a aplicação da mineração de dados atende a diferentes</p><p>domínios contábeis, tanto em organizações privadas quanto governamentais.</p><p>Amani e Fadlalla (2017) elaboraram uma revisão sistemática da literatura</p><p>buscando evidências sob o uso e a aplicação de mineração de dados na área</p><p>contábil. No Quadro 3 a seguir, apresentamos algumas das aplicações</p><p>encontradas.</p><p>Qiaudro 3 – Aplicação e uso de mineração de dados na contabilidade</p><p>Domínios Uso da mineração de dados</p><p>Auditoria</p><p>contábil</p><p>• Contribui para melhoria significativamente emissão de opinião, de</p><p>transação e a conformidade na auditoria.</p><p>• Detecção de fraudes em auditorias de demonstrações financeiras.</p><p>• Além disso, facilita a implementação da auditoria eletrônica e a</p><p>automatização de processos.</p><p>Auditoria</p><p>fiscal</p><p>• Aplicada principalmente por órgãos da administração pública para</p><p>auditar as declarações dos contribuintes para a redução da evasão</p><p>fiscal.</p><p>• Cruzar dados dos contribuintes e traçar perfis etc.</p><p>(continua)</p><p>(Quadro 3 – conclusão)</p><p>8</p><p>Domínios Uso da mineração de dados</p><p>Contabilidade</p><p>financeira</p><p>• Previsão de ganhos contábeis trimestrais, comparação do valor</p><p>informativo de dados numéricos versus textuais para medição de</p><p>desempenho, benchmarking de desempenho financeiro.</p><p>• Identificação de fatores de risco em relatórios anuais.</p><p>• Visualização de padrões em dados contábeis.</p><p>• Avaliação da qualidade dos dados contábeis subjacentes aos relatórios</p><p>financeiros e ao impacto dos anúncios gerenciais e seus tons na</p><p>resposta do mercado, entre outros.</p><p>Contabilidade</p><p>gerencial</p><p>• A mineração de dados é amplamente aplicada para análise de cenários</p><p>e projeções orçamentárias.</p><p>• Identificar as relações estatísticas em ferramentas de avaliação de</p><p>desempenho.</p><p>• Análise de riscos e probabilidade de ocorrências de eventos para</p><p>suporte do processo de tomada de decisão baseada em dados.</p><p>Gestão de</p><p>custos</p><p>• Estimar o custo de fabricação de equipamentos para melhorar a</p><p>precisão da inspeção e reparo do equipamento.</p><p>• Rastreamento dos custos de substituição de equipamentos.</p><p>• Classificação de estoque, custeio, otimização e controle.</p><p>Fonte: elaborado com base em Amani; Fadlalla, 2017.</p><p>No entanto, apesar do potencial significativo da mineração de dados na</p><p>contabilidade, sua adoção varia consideravelmente entre diferentes setores e</p><p>áreas de prática. Enquanto algumas empresas e setores já estão adotando</p><p>ativamente tecnologias emergentes, outras ainda estão em estágios iniciais de</p><p>exploração ou até mesmo não a utilizam. Essa disparidade na adoção pode ser</p><p>atribuída a uma série de fatores, incluindo familiaridade com a tecnologia,</p><p>recursos disponíveis, cultura organizacional e regulamentações específicas do</p><p>setor.</p><p>Embora a intensidade de uso varie de uma empresa para outra, a</p><p>contabilidade está evidentemente incorporando recursos tecnológicos, como os</p><p>oferecidos pela mineração de dados, para realizar análises preditivas, detectar</p><p>padrões, segmentar clientes e identificar oportunidades de melhoria de</p><p>processos. À medida que a tecnologia avança e as empresas se tornam mais</p><p>proficientes em sua aplicação, espera-se que a integração entre contabilidade e</p><p>mineração de dados se torne ainda mais difundida e essencial para o</p><p>funcionamento eficaz das empresas no futuro.</p><p>TEMA 2 – BIG DATA, SMALL DATA, DATA WAREHOUSE</p><p>2.1 Big Data</p><p>Como surgiu o Big Data? Laudon e Laudon (2023) relatam que, com o</p><p>advento da internet e a evolução das tecnologias de informação e comunicação,</p><p>9</p><p>as organizações foram “inundadas” com um volume de dados tão grande que</p><p>ultrapassou em muito a capacidade de seus sistemas tradicionais de suporte.</p><p>Além do volume, se depararam, ainda, com dados dos mais variados tipos</p><p>possíveis, provenientes da navegação na web, mensagens de e-mail e conteúdo</p><p>de mídias sociais, incluindo também dados capturados por sensores – usados</p><p>em medidores inteligentes, sensores de fabricação, medidores elétricos e</p><p>sistemas eletrônicos de negociação.</p><p>Crédito: NicoElNino/Shutterstock.</p><p>Nessas condições, os sistemas de armazenamento de dados tradicionais,</p><p>que anteriormente eram capazes de lidar facilmente com dados estruturados em</p><p>planilhas e bancos de dados relacionais, tornaram-se inadequados para tratar,</p><p>analisar e distribuir uma ampla variedade de tipos de dados, desde quantitativos</p><p>a qualitativos, de estruturados</p><p>a não estruturados, envolvendo textos, imagens,</p><p>cliques, vídeos etc. Assim, o Big Data surge como solução para esse problema.</p><p>A expressão “Big Data” (em tradução literal do inglês, “grandes dados”) é</p><p>um conceito atribuído a “um conjunto de dados tão grandes ou não estruturados</p><p>que não podem ser processados e analisados facilmente usando a maioria dos</p><p>sistemas de gerenciamento de banco de dados e programas de software”</p><p>(Gartner, 2019). Ou seja, dados que cresceram exponencialmente em volume e</p><p>tipo além da capacidade dos métodos tradicionais de dados associados ao</p><p>armazenamento, processamento e análise.</p><p>10</p><p>No contexto do Big Data, o crescimento exponencial dos dados pode</p><p>originar-se tanto de sistemas de transações tradicionais quanto de novas fontes</p><p>não estruturadas, como e-mails, arquivos de áudio, fluxos de cliques na internet,</p><p>mídias sociais, notícias on-line, registros de sensores, vídeos, etiquetas de</p><p>radiofrequência (RFID) e dados de sensores do Sistema de Posicionamento</p><p>Global (GPS), entre outros. Essas fontes criam, coletam, armazenam e</p><p>compartilham volumes significativos de dados variados (Zhang; Yang;</p><p>Appelbaum, 2015).</p><p>Inicialmente, o Big Data era caracterizado por três características</p><p>principais, que incluem: volume, variedade e velocidade. Recentemente, no</p><p>intuito de ampliar o foco na qualidade dos dados e resultados necessários, foram</p><p>adicionados veracidade e valor. Dessa forma, o Big Data passou a ser</p><p>reconhecido por cinco características principais conforme exposto no Quadro 4</p><p>a seguir.</p><p>Quadro 4 – Características do Big Data</p><p>Volume • Refere-se a magnitude dos dados. O crescimento exponencial do Big</p><p>Data exigiu aumentos semelhantes na capacidade de memória,</p><p>dispositivos de armazenamento e bancos de dados.</p><p>Velocidade • Refere-se à capacidade da empresa de processar dados com</p><p>sucesso em alta velocidade. Isso inclui dados que fluem em tempo</p><p>real de várias fontes, como mídias sociais, sensores e transações on-</p><p>line.</p><p>• A capacidade de lidar com fluxos de dados rapidamente é crucial para</p><p>insights e tomadas de decisão oportunos.</p><p>Variedade • A Big Data vem em diversos formatos e tipos, incluindo dados</p><p>estruturados, semiestruturados e não estruturados. Abrange textos,</p><p>imagens, vídeos, dados de sensores, postagens em mídias sociais e</p><p>muito mais.</p><p>• Gerenciar e analisar esses tipos de dados diversificados requer</p><p>ferramentas e técnicas flexíveis.</p><p>Veracidade • A veracidade tem a premissa de que a identificação de dados que é</p><p>verdadeiro é mais importante do que identificar dados válidos.</p><p>• Veracidade refere-se à qualidade e confiabilidade dos dados (o Big Data</p><p>muitas vezes inclui dados ruidosos, incompletos ou inconsistentes de</p><p>múltiplas fontes).</p><p>• Garantir a qualidade dos dados é essencial para obter insights precisos</p><p>e tomar decisões informadas.</p><p>Valor • O valor do Big Data é evidente quando seu valor de uso é maior do</p><p>que seu valor de troca.</p><p>• Refere-se a “alta em que o Big Data gera insights economicamente</p><p>dignos e/ou benefícios através da extração e transformação”. Diz</p><p>respeito à relação custo-efetividade geral do Big Data medido em termos</p><p>dos benefícios monetários e não monetários obtidos em comparação</p><p>com os custos, em relação à qualidade e aos custos das fontes</p><p>alternativas para a tomada de decisões.</p><p>Fonte: Wilkin et al., 2020; Laudon; Laudon, 2023.</p><p>11</p><p>O termo “Big Data” não é atribuído a qualquer quantidade específica, mas</p><p>normalmente a dados na faixa de terabytes, petabytes, exabytes; em outras</p><p>palavras, milhões, bilhões, trilhões de registros, todos oriundos de fontes</p><p>diversas (Laudon; Laudon, 2023). Para entender um pouco sobre essa</p><p>quantidade de dados, vamos fazer uma analogia criada pela inteligência artificial</p><p>Co-pilot da Microsoft a seguir.</p><p>Assim, dadas as características do Big Data em processar informações,</p><p>isso requer “uso de técnicas analíticas avançadas contra conjuntos de dados</p><p>muito grandes e diversos” (Wilkin et al., 2020). Essas técnicas incluem</p><p>ferramentas avançadas de data analytics – análise analítica de dados, incluindo</p><p>“análise de texto, aprendizado de máquina, análise preditiva, mineração de</p><p>dados, estatísticas e processamento de linguagem natural” para obter novos</p><p>insights de fontes de dados anteriormente inexplorados de forma independente</p><p>ou em conjunto com dados corporativos existentes.</p><p>Por fim, as empresas se interessam pelo Big Data pelo potencial de</p><p>revelar padrões e relações mais significativos do que conjuntos de dados</p><p>menores de forma rápida e precisa. Essa capacidade pode fornecer novos</p><p>insights sobre o comportamento dos clientes, padrões climáticos, atividade do</p><p>mercado financeiro e muito mais (Laudon; Laudon, 2023).</p><p>Imagine que cada terabyte de dados é um livro de 500 páginas.</p><p>- Se cada livro tiver aproximadamente dois centímetros de espessura, então:</p><p>• 10 terabytes seria equivalente a 10 mil livros, que empilhados alcançariam a altura de</p><p>um prédio de 20 andares.</p><p>O Facebook gera cerca de 4 petabytes de dados por dia a partir de fotos, vídeos, cliques e</p><p>outras interações dos usuários.</p><p>• 4 petabytes gerados por dia do Facebook seriam equivalentes a 4 bilhões de livros, que,</p><p>se estendidos lado a lado, cobririam aproximadamente 8 mil quilômetros, o</p><p>equivalente à distância entre Nova York e Roma ou de norte a sul do Brasil.</p><p>Os telescópios astronômicos, como o SKA (Square Kilometre Array), geram</p><p>aproximadamente 700 terabytes de dados por hora.</p><p>• 700 terabytes gerados por hora (SKA) seriam equivalentes a 700 mil livros por hora,</p><p>criando uma pilha que cresceria mais rápido do que a altura do Monte Everest em um</p><p>único dia.</p><p>12</p><p>2.2 Big Data e contabilidade</p><p>O profissional contábil tem amplo conhecimento no tratamento de dados</p><p>estruturados. No entanto, o surgimento de tecnologias emergentes como Big</p><p>Data e aprendizado de máquina, capazes de tratar tanto dados estruturados</p><p>quanto não estruturados, apresenta-se, segundo Wilkin et al. (2020), como um</p><p>desafio e uma oportunidade para os contadores.</p><p>Warren, Moffitt e Byrnes (2015) delinearam as limitações e os riscos do</p><p>uso do Big Data na contabilidade, destacando que muitas organizações</p><p>enfrentam obstáculos como a falta de dados relevantes, a qualidade</p><p>questionável dos dados ou a falta de expertise na extração de informações.</p><p>Enfatizam, ainda, que a identificação e avaliação adequadas dos dados são</p><p>cruciais para integrar o Big Data aos registros contábeis e que esse processo</p><p>pode resultar na terceirização da análise. Concluem que a não realização</p><p>adequada desse processo pode diminuir a qualidade dos registros contábeis e a</p><p>confiança subjacente nos resultados financeiros.</p><p>Em contrapartida, Warren, Moffitt e Byrnes (2015) destacam algumas</p><p>contribuições do Big Data para a contabilidade. Na contabilidade financeira,</p><p>por exemplo, o Big Data pode complementar o conjunto de demonstrações</p><p>contábeis elaboradas de acordo com as normas e princípios contábeis com</p><p>informações não financeiras. Entre essas informações, inclui: a) os ativos</p><p>extrapatrimoniais, que incluem a base de clientes, recursos humanos,</p><p>compromissos, qualidade do produto, base de fornecedores, reputação da</p><p>empresa; b) avaliação de ativos, completude e precisão dos registros</p><p>contábeis, estimativas contábeis; c) transparência dos relatórios, questões</p><p>contábeis a um valor justo, convergência das normas contábeis e evolução das</p><p>normas contábeis; d) eficiência e eficácia dos processos de auditoria interna ou</p><p>externa.</p><p>Na área da contabilidade gerencial, o Big Data pode ser incorporado ao</p><p>Sistema de Controle Gerencial da empresa, tais como na Gestão Orçamentária,</p><p>no monitoramento do processo de fabricação e produtividade dos funcionários,</p><p>na satisfação do cliente, em ferramentas de avaliação de desempenho, entre</p><p>outros.</p><p>Por fim, Wilkin et al. (2020) ressalvam que, para incorporar as tecnologias</p><p>emergentes como o Big Data</p><p>ao escopo da contabilidade, ainda é necessário</p><p>13</p><p>que os profissionais da área se especializem em ferramentas analíticas de</p><p>dados, como coleta, mineração, transformação e análise estatística de dados.</p><p>2.3 Small Data – “Pequenos” dados</p><p>A distinção entre big data e small data é recente. Antes de 2008, os dados</p><p>raramente eram considerados em termos de serem “pequenos” ou “grandes”;</p><p>todos os dados eram, na verdade, o que agora é por vezes referido como</p><p>“pequenos dados”, independentemente do seu volume (Dimas; Goldkind;</p><p>Konrad, 2023). Isso significa que os dados geralmente eram em menor escala e</p><p>mais gerenciáveis em comparação com os conjuntos de dados enormes e</p><p>complexos associados ao Big Data.</p><p>Small data, embora possa se referir ao tamanho absoluto, descreve de</p><p>forma mais ampla a escala geral, incluindo a amplitude e a profundidade do que</p><p>os dados representam e como podem ser utilizados. Também são</p><p>caracterizados pela noção de que são gerados para responder a um conjunto</p><p>específico de perguntas (Kitchin; Lauriault, 2015). Segue um exemplo gerado</p><p>pelo ChatGPT para melhor visualizar small data.</p><p>Saiba mais</p><p>Vamos imaginar que temos uma pequena loja de bairro que vende café.</p><p>Mantemos manualmente em um caderno o registro do nome e da preferência de</p><p>café de cada cliente que entra na loja e usamos essas informações para oferecer</p><p>recomendações personalizadas quando os clientes retornam.</p><p>Crédito: LightField Studios/Shutterstock.</p><p>14</p><p>Inserindo no contexto de small data:</p><p>• tamanho absoluto – o caderno contém uma quantidade limitada de</p><p>informações, como os nomes e as preferências de café dos clientes. É um</p><p>conjunto pequeno de dados em comparação com os enormes conjuntos</p><p>de dados que empresas de grande porte podem ter;</p><p>• amplitude e profundidade – embora os dados sejam limitados em</p><p>quantidade, estes apresentam uma amplitude e profundidade</p><p>significativas. Representam informações específicas sobre cada cliente e</p><p>suas preferências de café, o que pode ser usado para personalizar a</p><p>experiência do cliente e melhorar as vendas;</p><p>• resposta a um conjunto específico de perguntas – os dados no</p><p>caderno são gerados para responder a perguntas específicas, como “qual</p><p>é a bebida favorita do cliente X?” ou “quantas vezes o cliente Y compra</p><p>café por semana?”.</p><p>Esses dados são coletados com um propósito claro: melhorar o</p><p>atendimento ao cliente e impulsionar as vendas.</p><p>Crédito: grapestock/Shutterstock.</p><p>Mas não nos deixemos enganar, o small data não se resume somente</p><p>em termos absolutos a pequenos dados, como o exemplo da cafeteria. Alguns</p><p>conjuntos de small data podem ser muito grandes, como os censos nacionais</p><p>(Kitchin; Lauriault, 2015). Embora um censo nacional como o realizado pelo</p><p>Instituto Brasileiro de Geografia e Estatística (IBGE) seja realizado na amplitude</p><p>de um país, sobre sua população, em termos de coleta e análise de dados é</p><p>considerado como small data. Isso ocorre porque o conjunto de dados do</p><p>censo é bem definido e gerenciável em termos de escopo e tamanho.</p><p>15</p><p>Os dados do censo têm uma amplitude e profundidade significativas,</p><p>pois buscam coletar uma ampla gama de informações sobre a população, como</p><p>idade, sexo, estado civil, ocupação, educação, entre outros (Kitchin; Lauriault,</p><p>2015). Portanto, os dados são estruturados e têm uma resolução específica, o</p><p>que os torna mais fáceis de analisar e interpretar.</p><p>Os dados do censo são coletados para responder a um conjunto</p><p>específico de perguntas, como quantas pessoas vivem em uma determinada</p><p>área, qual é a distribuição demográfica, entre outras, e são projetados para</p><p>fornecer uma imagem detalhada da população em um determinado ponto no</p><p>tempo. Portanto, embora os dados do censo nacional possam ser</p><p>considerados grandes em termos de cobertura populacional, ainda são</p><p>classificados como small data em razão de sua estrutura definida, falta de</p><p>velocidade, variedade limitada de perguntas e pouca flexibilidade para ajustes</p><p>durante a coleta de dados.</p><p>A contabilidade de uma empresa pode ser considerada um exemplo de</p><p>small data, especialmente quando comparada aos conjuntos de dados</p><p>associados ao Big Data.</p><p>Por fim, embora, o termo “small data” sugira dados em uma escala menor,</p><p>é fundamental entender que a classificação não se baseia apenas no tamanho</p><p>absoluto dos dados. Pode se referir a conjuntos de dados que são relativamente</p><p>menores em tamanho, mas também pode abranger dados que, mesmo grandes</p><p>em quantidade, são bem estruturados, específicos e gerenciáveis para</p><p>análise (Kitchin; Lauriault, 2015).</p><p>•Os dados contábeis de uma empresa, embora possam aumentar com o tempo,</p><p>são relativamente menores em comparação com os conjuntos de dados do "big</p><p>data". Eles são gerados principalmente por meio de transações financeiras,</p><p>registros de receitas e despesas, e outros documentos financeiros.</p><p>VOLUME DE DADOS:</p><p>•Os dados contábeis são altamente estruturados e específicos, seguindo</p><p>métodos, princípios e normas contábeis bem definidos. Isso contrasta com os</p><p>dados do "big data", que muitas vezes são não estruturados e podem vir de</p><p>uma variedade de fontes diferentes.</p><p>ESTRUTURA E ESPECIFICIDADE DOS DADOS:</p><p>•Os dados contábeis têm um propósito claro e específico, que é gerar</p><p>informações para os usuários interessados na saúde financeira e no</p><p>desempenho de uma empresa. São essenciais para a elaboração e divulgação</p><p>das demonstrações contábeis, análise de desempenho, planejamento e tomada</p><p>de decisões empresariais.</p><p>PROPÓSITO ESPECÍFICO:</p><p>16</p><p>2.4 Data Warehouse</p><p>É importante diferenciar a capacidade de armazenar dados e a</p><p>capacidade de acessá-los de forma eficiente. A grande questão é, onde estão</p><p>os dados?</p><p>Em resposta a essa questão, surge o Data Warehouse, também</p><p>conhecido como Armazém de Dados. Essa ferramenta tradicional se destaca</p><p>por sua capacidade de armazenar e processar grandes volumes de dados</p><p>corporativos.</p><p>O Data Warehouse atua como um repositório centralizado que reúne</p><p>dados atuais e históricos provenientes de diversos sistemas operacionais da</p><p>organização. Essa integração é ilustrada no primeiro conjunto de dados da</p><p>Figura 2 (dados operacionais, dados históricos, dados de Internet das Coisas –</p><p>LoT, dados da web e mídia social, dados de áudio e vídeo e demais dados</p><p>externos). As principais vantagens de um Data Warehouse em comparação com</p><p>outras formas de armazenamento empregadas na análise de dados são os</p><p>“lagos de dados” (ver Figura 2), que incluem o esquema integrado limpo</p><p>otimizado para análise, o que facilita a comparação de dados de várias fontes.</p><p>Essa estrutura possibilita a combinação dos dados com outras fontes externas,</p><p>bem como sua transformação para corrigir imprecisões e incompletudes, antes</p><p>de serem armazenados no Data Warehouse. Isso viabiliza a elaboração de</p><p>relatórios de gestão e análise mais precisos e completos (Laudon; Laudon,</p><p>2023).</p><p>Figura 2 – Ambiente do Data Warehouse</p><p>Fonte: Laudon; Laudon, 2023.</p><p>17</p><p>As empresas podem montar Data Warehouses organizacionais, nos quais</p><p>um depósito central de dados atende à organização inteira, ou podem criar</p><p>depósitos menores, descentralizados, denominados data marts. Conforme</p><p>exposto no exemplo da Figura 3, uma empresa pode desenvolver seu Data</p><p>Warehouse e criar vários Datas Marts para organizar e tratar assuntos</p><p>separadamente dentro de uma mesma base de dados.</p><p>Figura 3 – Data Warehouse e Data Marts</p><p>Crédito: Edenise A. dos Anjos, 2024.</p><p>Assim, um data mart pode ser definido como um subconjunto de um Data</p><p>Warehouse, no qual uma porção resumida ou altamente focalizada dos dados</p><p>da organização é colocada em um banco separado destinado a uma população</p><p>específica de usuários (Laudon; Laudon, 2023).</p><p>Por meio da introdução de regras de análise, um Data Warehouse ativo</p><p>possibilita a gestão baseada em fatos dos processos de negócios (Al-Okaily,</p><p>2023). Nesse ambiente,</p><p>as técnicas de mineração de dados podem ser usadas</p><p>para descobrir padrões inexplorados de dados que proporcionam a criação de</p><p>novas informações, por extensão, o uso de tecnologias como armazenamento</p><p>de dados, mineração de dados e outras tecnologias de inteligência artificial</p><p>podem aprimorar os processos de criação, armazenamento, disseminação e</p><p>gerenciamento de conhecimento (Makhija; Chacko, 2021).</p><p>Assim, o foco principal por trás do Data Warehouse é suportar o</p><p>processamento de dados estáticos ou streaming de dados a uma taxa muito</p><p>baixa (Costa, 2021).</p><p>Saiba mais</p><p>Qual é a unidade de medida da memória de um computador?</p><p>VENDAS</p><p>CONTROLAD</p><p>ORIA</p><p>DATA WAREHOUSE</p><p>DATA MART DATA MART</p><p>18</p><p>Bits e bytes são unidades de memória do computador. A principal</p><p>diferença entre bits e bytes é que um bit é a menor unidade de memória do</p><p>computador, que tem a capacidade de armazenar no máximo dois valores</p><p>diferentes, enquanto um byte, composto por 8 bits, pode conter 256 valores</p><p>diferentes.</p><p>Diferença entre bytes e bits</p><p>Bit Byte</p><p>O bit é a menor unidade de dados em um</p><p>computador.</p><p>O byte é composto por 8 bits.</p><p>É representado pelos dígitos 0 e 1. É usado para expressar tamanhos de</p><p>armazenamento.</p><p>Os bits são usados para transmitir dados</p><p>e determinar a velocidade de</p><p>transmissão entre componentes do</p><p>computador, como CPU e registradores,</p><p>RAM e CPU, bem como a velocidade de</p><p>recebimento de dados em redes.</p><p>Exemplo: 2 Mbps ou 1 Gbps.</p><p>O byte é a unidade mais comum usada em</p><p>computação.</p><p>Representa 256 valores diferentes (de 0 a 255).</p><p>Exemplo: –10001110.</p><p>Relações de tamanho:</p><p>1024 bytes = 1 kilobyte (KB)</p><p>1024 KB = 1 megabyte (MB)</p><p>Os bits são usados para velocidades de</p><p>transmissão (como a velocidade da</p><p>internet).</p><p>Os bytes são usados para representar tamanhos</p><p>de armazenamento (como arquivos de filmes e</p><p>imagens).</p><p>A velocidade de dados da internet é</p><p>medida em kilobits, megabits e gigabits.</p><p>O armazenamento de dados no computador é</p><p>medido em kilobytes, megabytes e gigabytes.</p><p>Fonte: Nipun, 2015.</p><p>TEMA 3 – INTELIGÊNCIA DE NEGÓCIOS, INTELIGÊNCIA ARTIFICIAL E</p><p>ROBOTIZAÇÃO (AUTOMATIZAÇÃO DE PROCESSOS)</p><p>3.1 Inteligência De Negócios (Business Intelligence – BI)</p><p>Inteligência de negócios (BI, do inglês business intelligence) é um termo</p><p>usado por fornecedores de hardware, software e consultores de tecnologia da</p><p>informação para descrever a infraestrutura de armazenamento, integração,</p><p>elaboração de relatórios e análise de dados que vêm do ambiente empresarial,</p><p>inclusive Big Data (Laudon; Laudon, 2023).</p><p>O BI pode ser definido como um processo intensivo e abrangente de</p><p>transformar grande quantidade de dados dispersos e diferentes em</p><p>informações funcionais e, em seguida, em conhecimento para as</p><p>necessidades organizacionais, necessidades e satisfação dos clientes,</p><p>concorrência e meio ambiente no setor (Olszak, 2016).</p><p>19</p><p>Crédito: Singular Fact/Shutterstock.</p><p>As funções comuns das tecnologias de BI são relatórios, processamento</p><p>analítico on-line, análises, mineração de dados, gerenciamento de desempenho</p><p>de negócios, benchmarking, mineração de texto e análises preditivas. A</p><p>inteligência de negócios visa apoiar uma melhor tomada de decisões de</p><p>negócios (Olszak, 2016). Assim, um sistema de BI pode ser chamado de</p><p>“sistema de apoio à decisão” (SAD).</p><p>Isso posto, o BI pode ser compreendido sob duas perspectivas distintas.</p><p>Sob o ponto de vista técnico, representa um conjunto integrado de ferramentas,</p><p>tecnologias e produtos de software utilizados para a coleta de dados</p><p>heterogêneos de fontes diversas. Esses dados são então integrados e</p><p>analisados para torná-los acessíveis de forma unificada. Já do ponto de vista</p><p>organizacional, representa uma abordagem abrangente e sofisticada para o</p><p>suporte à tomada de decisões em um contexto interorganizacional.</p><p>Por fim, de acordo com Olszak (2016), com o avanço tecnológico, o BI</p><p>evoluiu para incluir outras ferramentas, tecnologias e produtos de software que</p><p>ajudam na coleta de dados de diversas fontes dispersas, bem como na análise</p><p>e compartilhamento desses dados. Isso inclui tecnologias como Data Warehouse</p><p>(DW), Online Analytical Processing (OLAP) e Data Mining.</p><p>3.2 Inteligência artificial</p><p>A inteligência artificial (IA) pode ser definida como o comportamento das</p><p>máquinas em aprender, com base em experiências, e se adaptar, conforme o</p><p>ambiente, para simular a inteligência humana em tomadas de decisão e em</p><p>processos racionais (Borges et al., 2021; Silva; Costa; Pimenta, 2022).</p><p>20</p><p>Crédito: thinkhubstudio/Shutterstock.</p><p>O aprendizado de máquina desempenha um papel vital na inteligência</p><p>artificial, porém, esta última é muito mais abrangente, pois engloba também a</p><p>capacidade de um sistema em perceber dados, como o processamento de</p><p>linguagem natural ou o reconhecimento de voz/imagem, além da habilidade de</p><p>controlar, movimentar e manipular objetos com base nas informações</p><p>adquiridas. Isso pode se aplicar a uma variedade de dispositivos, desde robôs</p><p>até outros dispositivos conectados (Kaplan; Haenlein, 2019).</p><p>A classificação dos diferentes tipos de IA está relacionada à presença</p><p>de três habilidades ou competências: inteligência cognitiva (por exemplo,</p><p>reconhecimento de padrões e pensamento sistemático); inteligência emocional</p><p>(por exemplo, adaptabilidade, autoconfiança, autoconsciência emocional); e</p><p>inteligência social (por exemplo, empatia, trabalho em equipe, liderança</p><p>inspiradora).</p><p>Embora pareça ser relativamente simples aplicar a inteligência cognitiva</p><p>na classificação da IA, a aplicabilidade da inteligência emocional e social requer</p><p>uma análise mais detalhada. Na psicologia, a visão predominante é que a</p><p>inteligência é geralmente inata, embora as competências emocionais e sociais</p><p>específicas possam ser aprendidas pelos indivíduos e imitadas pelos sistemas</p><p>de IA. Ou seja, apesar de as máquinas e sistemas de IA não poderem</p><p>experienciar emoções por si mesmos, podem ser treinados para reconhecê-las</p><p>(por exemplo, por meio da análise de microexpressões faciais) e ajustar suas</p><p>reações de acordo.</p><p>Em relação aos métodos de aprendizagem, a IA pode ser classificada</p><p>em: supervisionada, não supervisionada e por reforço.</p><p>21</p><p>Os métodos de aprendizagem supervisionada mapeiam entradas para</p><p>saídas rotuladas e são geralmente mais familiares para os gestores. Incluem</p><p>técnicas como regressão linear e árvores de classificação, além de redes</p><p>neurais. Um exemplo é o uso de um banco de dados de imagens rotuladas para</p><p>distinguir entre imagens de chihuahua e muffin (Kaplan; Haenlein, 2019).</p><p>Nos métodos de aprendizagem não supervisionada, as entradas são</p><p>rotuladas, mas não as saídas. O algoritmo precisa inferir a estrutura subjacente</p><p>dos dados, como na análise de cluster, que agrupa elementos em categorias</p><p>semelhantes sem conhecimento prévio da estrutura ou número de clusters.</p><p>Como a saída é derivada pelo algoritmo, não é possível avaliar sua precisão</p><p>diretamente, o que pode deixar os gestores desconfortáveis. O reconhecimento</p><p>de fala, como o usado pela Siri e pela Alexa, pode ser realizado por meio da</p><p>aprendizagem não supervisionada (Kaplan; Haenlein, 2019).</p><p>Já nos métodos de aprendizagem por reforço, o sistema busca</p><p>maximizar uma variável de saída específica recebendo uma série de decisões</p><p>que podem influenciar essa saída. Por exemplo, um sistema de IA pode aprender</p><p>a jogar Pac-Man com o objetivo de maximizar a pontuação, usando apenas a</p><p>informação de que o Pac-Man pode se mover em quatro direções. Empresas</p><p>como a Microsoft aplicam o aprendizado por reforço para selecionar manchetes</p><p>no MSN.com, recompensando o sistema com uma pontuação mais alta quando</p><p>mais visitantes clicam em determinados links (Kaplan; Haenlein, 2019).</p><p>Em relação aos diferentes tipos de aprendizagem, a IA pode ser</p><p>classificada conforme a seguir.</p><p>Tipos Descrição</p><p>Analítica (Analitical AI)</p><p>A AI Analítica</p><p>tem apenas características consistentes com a</p><p>inteligência cognitiva. Esses sistemas de IA geram uma representação</p><p>cognitiva do mundo e utilizam o aprendizado baseado em experiências</p><p>passadas para informar decisões futuras.</p><p>Inspiração Humana</p><p>(Human-Inspired AI)</p><p>A IA Inspirada na Humanidade tem elementos tanto da inteligência</p><p>cognitiva quanto emocional. Esses sistemas podem, além dos</p><p>elementos cognitivos, compreender emoções humanas e considerá-las</p><p>em suas tomadas de decisão.</p><p>Humanizada</p><p>(Humanized AI)</p><p>A IA Humanizada demonstra características de todos os tipos de</p><p>competências (ou seja, cognitiva, emocional e social). Tais sistemas,</p><p>que seriam capazes de ser autoconscientes e conscientes de si</p><p>mesmos em suas interações com os outros, ainda não estão</p><p>disponíveis.</p><p>Fonte: Kaplan; Haenlein, 2019.</p><p>Por fim, a Inteligência Artificial (IA) está revolucionando o mundo dos</p><p>negócios e a contabilidade, proporcionando uma série de aplicações que</p><p>22</p><p>otimizam processos, aumentam a eficiência e fornecem insights valiosos. Na</p><p>contabilidade, por exemplo, sistemas de IA podem automatizar tarefas rotineiras,</p><p>como classificação de transações e reconciliação de contas, reduzindo o tempo</p><p>necessário para executar essas atividades e minimizando erros humanos.</p><p>3.3 Robotic Process Automation (RPA): Automação de Processos</p><p>Robóticos</p><p>A robótica tradicional engloba o projeto, a construção, a operação e a</p><p>aplicação de máquinas móveis capazes de executar tarefas que substituem</p><p>seres humanos, utilizando sistemas de computador para controle, feedback</p><p>sensorial e processamento de informações. Embora os robôs não possam</p><p>substituir completamente as pessoas, são programados para realizar uma série</p><p>específica de ações automaticamente (Laudon; Laudon, 2023).</p><p>As organizações frequentemente utilizam a robótica tradicional em</p><p>ambientes perigosos, como detecção e desativação de bombas, e,</p><p>recentemente, para a entrega de suprimentos médicos em locais contaminados</p><p>pelo coronavírus. Além disso, é aplicada em processos de fabricação, operações</p><p>militares (drones) e procedimentos médicos (robôs cirúrgicos) (Laudon; Laudon,</p><p>2023). Por exemplo, nas linhas de montagem de automóveis, os robôs são</p><p>empregados para realizar trabalhos pesados, soldagem, aplicação de cola e</p><p>pintura. No entanto, as pessoas ainda são responsáveis pela maior parte da</p><p>montagem final dos carros, especialmente na instalação de peças pequenas ou</p><p>de fiação, que requer precisão (Laudon; Laudon, 2023).</p><p>Ao contrário da robotização tradicional, a Automação de Processos</p><p>Robóticos (RPA) é uma tecnologia que utiliza robôs de software para</p><p>automatizar tarefas comuns de negócios, geralmente realizadas por humanos</p><p>usuário (Perdana; Lee; Kim, 2023). Ou seja, não envolve robôs físicos</p><p>executando processos operacionais, mas, sim, aplicativos de software</p><p>orientados por lógica e programas de entrada estruturada para executar tarefas</p><p>de trabalho digital designadas no nível da interface do usuário (Perdana; Lee;</p><p>Kim, 2023). Em vez disso, são utilizados bots digitais que podem ser facilmente</p><p>configurados e treinados para realizar diversas tarefas e operar 24 horas por dia,</p><p>7 dias por semana.</p><p>A RPA tem sido amplamente adotada em um conjunto diversificado de</p><p>funções de negócios, como contabilidade, recursos humanos, finanças,</p><p>23</p><p>conformidade, gestão da cadeia de suprimentos, marketing, compras e TI</p><p>(Protiviti, 2019). Ao implementar o RPA para improvisar as atividades rotineiras,</p><p>as empresas podem efetivamente aumentar a capacidade em todos os níveis.</p><p>A aplicação RPA na contabilidade está transformando a maneira como as</p><p>atividades rotineiras são realizadas, por exemplo, na automatização de</p><p>processos como escrituração contábil e fiscal, o que pode aumentar</p><p>significativamente a eficiência e reduzir erros. Por exemplo, os robôs de software</p><p>podem ser programados para realizar tarefas repetitivas como captura e</p><p>manipulação de dados, disparo de e-mails e comunicação com outros sistemas</p><p>de forma autônoma. Isso significa que tarefas como registro e armazenamento</p><p>de dados, padronização e otimização de processos, conciliação contábil e fiscal,</p><p>e até mesmo a apuração de tributos podem ser executadas automaticamente,</p><p>liberando os profissionais de contabilidade para se concentrarem em atividades</p><p>mais estratégicas.</p><p>Na auditoria, por exemplo, as ferramentas de RPA possibilitam que os</p><p>auditores automatizem o processo de coleta de informações, capturando dados</p><p>relevantes para a auditoria dos documentos de origem antes de apresentá-lo em</p><p>um formato padronizado dentro dos documentos de trabalho de auditoria</p><p>(Kokina; Blanchette, 2019). O software de análise de dados é usado para</p><p>importar os dados registrados de registros contábeis, que podem ser</p><p>combinados com os dados relevantes para a auditoria coletados por meio do</p><p>RPA usando testes de auditoria pré-programados. A RPA, portanto, ajuda a</p><p>facilitar o trabalho dos auditores por meio do acesso mais simplificado à</p><p>informação.</p><p>Em última análise, a implementação de RPA no setor contábil ainda é uma</p><p>novidade e não foi amplamente explorada, estando, por enquanto, mais presente</p><p>em grandes organizações. Isso se aplica tanto às firmas de contabilidade quanto</p><p>aos seus clientes. No entanto, a prática da contabilidade em tempo real,</p><p>realizada em um ambiente digital, sugere que a RPA está se tornando uma</p><p>tendência inegável.</p><p>24</p><p>TEMA 4 – DATA ANALYTICS</p><p>4.1 Business Analytics</p><p>Para abordamos a expressão Data Analytics (“análise de dados”), é</p><p>preciso, inicialmente, situá-la no contexto do Business Analytics (“análise de</p><p>negócios”). O Business Analytics (BA) se caracteriza pelo uso de dados, análises</p><p>estatísticas e métodos quantitativos para fornecer aos gestores insights</p><p>aprimorados sobre suas operações, possibilitando que tomem decisões mais</p><p>informadas e baseadas em dados.</p><p>O Business Analytics (BA) se caracteriza pela aplicação de tecnologia da</p><p>informação, análise estatística, modelos matemáticos e computacionais para</p><p>auxiliar os gestores na obtenção de uma visão mais abrangente de suas</p><p>atividades e na tomada de decisões mais fundamentadas (Araújo; Behr; Schiavi,</p><p>2023; Davenport; Harris, 2017). Sua modelagem se baseia na aplicação das</p><p>características da mineração de dados em três dimensões.</p><p>A primeira dimensão trata do domínio, que se refere a disciplinas de</p><p>negócios tradicionais, como contabilidade, administração, incluindo</p><p>subdomínios, como os diversos setores de uma empresa.</p><p>A segunda dimensão é a orientação, relacionada à finalidade do esforço</p><p>analítico (jornada analítica). Pensemos nessa análise em termos do que se visa</p><p>alcançar. Esse esforço pode auxiliar na compreensão de uma situação, na</p><p>realização de previsões, na avaliação de cenários ou na tomada de decisões</p><p>(Holsapple et al., 2014). Um exemplo de análise com foco na compreensão é a</p><p>análise SWOT, que identifica pontos fortes, pontos fracos, oportunidades e</p><p>ameaças de uma empresa. Outro exemplo é a análise de benchmarking, que</p><p>visa comparar o desempenho de uma empresa com seus concorrentes, servindo</p><p>como base para avaliações e decisões estratégicas.</p><p>A análise da dimensão de orientação é dividida em três tipos de</p><p>orientações:</p><p>a. a orientação descritiva busca responder a perguntas sobre o que ocorreu</p><p>e seus desdobramentos, por meio de relatórios, consultas ad hoc e</p><p>visualizações interativas;</p><p>b. a orientação preditiva visa entender o futuro, respondendo sobre o que</p><p>poderia ocorrer, usando-se de mineração de dados e técnicas</p><p>25</p><p>estatísticas para descobrir modelos explicativos e preditivos por meio de</p><p>dados históricos acumulados para calcular probabilidades de eventos</p><p>futuros;</p><p>c. a orientação prescritiva busca responder o que deve ser feito com base</p><p>nos resultados analíticos descritivos e preditivos (Araújo; Behr; Schiavi,</p><p>2023).</p><p>A terceira dimensão é a</p><p>técnica, que se refere à forma como uma tarefa</p><p>analítica é executada, a técnica aplicada, e pode ser vista sob múltiplas</p><p>perspectivas (mineração de dados ou de imagem, armazenamento, análise de</p><p>painéis, entre outros) (Holsapple et al., 2014).</p><p>Importante observar que na literatura contábil alguns autores segregam</p><p>as ferramentas de Business Analytics e Data Analytics e outros tratam como</p><p>tema único – Business Data Analytics (BDA). Como não há um consenso,</p><p>tratamos os temas como complementares, em que o Data Analytics é resultante</p><p>das técnicas das ferramentas de Business Analytics seguindo parcialmente a</p><p>perspectiva dos autores Davenport e Harris (2017).</p><p>4.2 Data Analytics</p><p>O Data Analytics – em tradução literal do inglês, “análise de dados” – inclui</p><p>ferramentas que aproveitam as tecnologias atuais para extrair e analisar</p><p>informações. À medida que a tecnologia muda e a variedade e o volume de</p><p>dados aumentam, as ferramentas de análise de dados também evoluem</p><p>(Schneider et al., 2015).</p><p>Assim, o Data Analytics pode ser definido com base no uso de métodos</p><p>sofisticados de matemática, estatística, aprendizado de máquina e ciência de</p><p>rede, juntamente com uma variedade de dados e conhecimento especializado –</p><p>para apoiar a tomada de decisões melhores e mais rápidas. Portanto, a análise</p><p>de negócios pode ser considerada como um facilitador para a tomada de</p><p>decisões e resolução de problemas (Delen; Ram, 2018).</p><p>As ferramentas de análise de dados são compreendidas como um</p><p>desenvolvimento evolutivo dentro da prática de Big Data e inteligência de</p><p>negócios, que combinam a coleta e o armazenamento de dados operacionais</p><p>em sistemas de informação corporativos e Data Warehouses com ferramentas</p><p>26</p><p>analíticas para apresentar informações complexas aos tomadores de decisão</p><p>(Schneider et al., 2015).</p><p>Todavia, há distinção entre ferramentas de Data Analytics e Business</p><p>Intelligence. A aplicação do Data Analytics mantém seu foco em inferência e</p><p>previsão aplicados na busca de resultados aproximados, enquanto o Business</p><p>Intelligence é caracterizado por consultas e relatórios de informações</p><p>passadas que são precisas, confiáveis e verificáveis.</p><p>As primeiras aplicações da análise de dados na área de negócios se</p><p>concentraram em áreas como marketing e redes sociais, governo eletrônico,</p><p>sistemas de informação especializados e outros sistemas de informação</p><p>específicos de domínio que lidam com dados não estruturados. Atualmente, a</p><p>análise de dados oferece aos contadores diversas oportunidades para gerar</p><p>valor para as empresas.</p><p>As técnicas de Data Analytics utilizadas no domínio contábil, conforme</p><p>apontado por Appelbaum et al. (2017), destacam modelos de agrupamento e</p><p>classificação, mineração de dados e texto e visualização, além de redes neurais</p><p>artificiais, árvores de decisão, regressões e diferentes técnicas estatísticas.</p><p>A análise de dados oferece ferramentas para a contabilidade examinar</p><p>informações sob três diferentes perspectivas: a) inferência, pois consegue</p><p>entender o padrão das transações contábeis e, com isso, inferir plano de ações;</p><p>b) predição, pois possibilita prever, por exemplo, a demanda futura de vendas ou</p><p>o desempenho do estoque e, assim, ajudar na tomada de decisão; e c)</p><p>monitoramento, pois possibilita realizar tarefas de conformidade (Schneider et</p><p>al., 2015; Araújo; Behr; Schiavi, 2023). Logo, entende-se que a área contábil</p><p>pode fazer uso das três orientações de analytics.</p><p>TEMA 5 – DATA VISUALISATION: STORYTELLING DE DADOS</p><p>Nesta etapa, estudamos sobre ferramentas tecnológicas aplicadas no</p><p>ambiente dos negócios que utilizam modelos matemáticos e estatísticos para</p><p>armazenamento, tratamento e análise de dados. Mas como esses dados e</p><p>informações são apresentados?</p><p>27</p><p>5.1 Data Visualisation: Kpis, Scorecards e Dashboards</p><p>O Data Visualisation ou visualização de dados é definido como a</p><p>transformação e apresentação de dados em uma forma visual para facilitar</p><p>a concepção e compreensão. Essa técnica possibilita extrair insights e explorar</p><p>grandes volumes de dados de forma rápida e eficiente (Veel, 2018).</p><p>Os principais objetivos da visualização de dados são comunicar as</p><p>informações de forma clara e garantir sua compreensão pelo público-alvo. Em</p><p>essência, a visualização de dados busca decodificar e apresentar conjuntos</p><p>complexos de informações por meio de imagens ou gráficos, facilitando assim a</p><p>compreensão de conceitos ou ideias que possam ser difíceis ou abstratas para</p><p>os tomadores de decisão (Lea; Yu; Min, 2018).</p><p>Os painéis ou Dashboards são ferramentas poderosas para visualizar</p><p>indicadores-chaves de desempenho financeiro (KPIs) e outras métricas</p><p>importantes dentro de uma organização.</p><p>Os Dashboards são ferramentas de análise de negócios mais usadas em</p><p>empresas modernas. São usados para visualizar grandes conjuntos de dados</p><p>por intermédio de gráficos, mapas e outros recursos visuais agrupados. Além</p><p>disso, os painéis fornecem uma visão geral instantânea das principais métricas</p><p>para suporte do processo de tomada de decisão como os apresentados em</p><p>ferramentas de Power Business Intelligence.</p><p>Um Scorecard é uma ferramenta de relatórios de gerenciamento de</p><p>desempenho que é usada para comparar as atividades atuais em sua empresa</p><p>com os objetivos e resultados planejados. Essa ferramenta se concentra no</p><p>fornecimento de uma visão global estática da organização em um momento</p><p>específico, o que significa que não é realmente adequado para análises</p><p>automáticas, atualizações em tempo real ou para mostrar detalhes mais</p><p>granulares.</p><p>No contexto dos Scorecard, definir os KPIs e métricas é um dos passos</p><p>mais importantes para a construção de um do painel de controle para medir o</p><p>desempenho. Os principais elementos a serem analisados incluem se as</p><p>métricas fornecem contexto, são mensuráveis e podem evoluir ao longo do</p><p>tempo.</p><p>28</p><p>Quadro 5 – Diferenças-chave entre o Dashboard e o Scorecard</p><p>Categoria Dashboard Scorecard</p><p>Uso Monitora a melhoria do</p><p>desempenho e, em seguida, toma</p><p>as ações corretivas necessárias.</p><p>Mostra marcos de desempenho e</p><p>identifica continuamente qualquer espaço</p><p>para melhoria</p><p>Atualização Em tempo real Periódicos</p><p>Dados Registro de eventos Resumos de registros</p><p>Medida Principalmente com base em</p><p>métricas e medidores</p><p>relacionados ou não relacionados</p><p>Principalmente baseado em indicadores</p><p>de desempenho chave (KPIs) inter-</p><p>relacionados</p><p>Contexto Contém exceções e alertas Inclui metas/metas e limiares</p><p>Fonte: Lea; Yu; Min, 2018.</p><p>São exemplos de ferramentas de visualização de dados: Tableau, Google</p><p>charts, SAP Lumira, QlikView, SAS JMP e Visual Analytics, MicroStrategy,</p><p>Microsoft PowerBI entre outros. Por fim, o uso de representações visuais</p><p>interativas de resumos e dados não físicos pode fortalecer a cognição e fornecer</p><p>um meio para explorar dados e informações em uma escala mais ampla.</p><p>5.2 Data storytelling</p><p>Existem várias metodologias para a apresentação de dados, e o conceito</p><p>de Storytelling com Dados ou Narrativa com Dados se destaca ao envolver a</p><p>construção de uma narrativa com base nos dados coletados. Essa abordagem</p><p>tem ganhado reconhecimento por sua capacidade de proporcionar uma</p><p>compreensão clara e objetiva das informações, destacando apenas os aspectos</p><p>relevantes, o que facilita a interpretação do painel de controle por meio da</p><p>narrativa construída (Edmond; Bednarz, 2021).</p><p>O Data Storytelling é uma técnica que integra a visualização de dados</p><p>com elementos narrativos, visando transformar dados complexos em narrativas</p><p>simples e concisas. Diferencia-se da mera visualização de dados, que se</p><p>concentra exclusivamente na representação gráfica das informações.</p><p>No âmbito do Data Storytelling, além de apresentar os dados de forma</p><p>atrativa, também se explica como e por que os dados evoluíram ao longo do</p><p>tempo. Para isso, é necessário considerar:</p><p>• uma narrativa – a história que</p><p>se pretende comunicar;</p><p>• contexto – o ambiente no qual os dados estão inseridos;</p><p>• personagens – os elementos envolvidos na narrativa.</p><p>29</p><p>A narrativa tem o poder de converter dados brutos em insights visuais</p><p>memoráveis, acessíveis até para aqueles não familiarizados com análises</p><p>complexas. Assim, a adoção da visualização narrativa e a criação de “histórias</p><p>de dados” são processos desafiadores que requerem profundo conhecimento</p><p>técnico e de negócios (Boldosova; Luoto, 2020). A habilidade de contar uma</p><p>história convincente com dados é considerada essencial em uma era de Big Data</p><p>e ampla disseminação de tecnologias emergentes de aprendizado de máquina.</p><p>O conceito de Storytelling na análise de negócios abre novas</p><p>possibilidades de melhorar a interpretação de dados, a tomada de decisões e a</p><p>adoção da análise de negócios nas organizações (Boldosova; Luoto, 2020).</p><p>Esse método pode contribuir significativamente para uma cultura de tomada de</p><p>decisão orientada por Big Data.</p><p>Espera-se que as organizações incorporem a narrativa de forma</p><p>deliberada ao longo do tempo e possam alcançar níveis elevados de uso diário</p><p>da análise de negócios entre os funcionários, promovendo uma mentalidade de</p><p>tomada de decisão orientada por dados em longo prazo. A capacidade de contar</p><p>uma história convincente com dados é considerada uma das habilidades mais</p><p>relevantes na era atual da análise digital.</p><p>Como exemplo de storytelling, segue uma analogia criada por IA.</p><p>Saiba mais</p><p>Na cidade industrial de Vale do Rio, Carlos é o contador de uma empresa</p><p>de fabricação de móveis personalizados, a WoodCraft. Sua responsabilidade é</p><p>analisar os custos da empresa para encontrar maneiras de aumentar a eficiência</p><p>e reduzir despesas desnecessárias.</p><p>A WoodCraft observou um aumento nos custos de produção por causa de</p><p>desperdícios de materiais e atrasos na linha de montagem. Para lidar com esse</p><p>desafio, Carlos decidiu usar storytelling de dados.</p><p>Assim, começa reunindo todos os dados relacionados aos custos de</p><p>produção, incluindo custo de matéria-prima, mão de obra, custos de manutenção</p><p>de equipamentos e despesas gerais da fábrica. Esses dados são como as peças</p><p>de um quebra-cabeça que precisa juntar para contar uma história convincente</p><p>sobre os custos da empresa.</p><p>30</p><p>Assim como um contador usa dados para contar a história financeira de</p><p>uma empresa, o storytelling de dados possibilita que se transforme números</p><p>complexos em insights acionáveis, tornando a análise de custos mais envolvente</p><p>e compreensível para todos os envolvidos.</p><p>TROCANDO IDEIAS</p><p>Nesta etapa, estudamos vários temas e alguns conseguimos associar</p><p>diretamente à área contábil como a Automação de Processos Robóticos (RPA).</p><p>A Automação de Processos Robóticos (RPA), também conhecida como “robótica</p><p>de software”, usa tecnologias de automação para imitar tarefas de funções</p><p>administrativas de apoio de trabalhadores humanos, como extração de dados,</p><p>preenchimento de formulários, movimentação de arquivos etc.</p><p>Com base no exposto, vamos discutir no fórum com os colegas: qual o</p><p>impacto do RPA na contabilidade? Procuremos identificar, por exemplo:</p><p>• os principais desafios e limitações enfrentados ao utilizar a RPA na área</p><p>contábil;</p><p>• como a RPA está impactando o trabalho dos profissionais contábeis.</p><p>Em uma reunião com os gerentes de</p><p>produção e financeiro, destaca os</p><p>principais pontos latentes, como o</p><p>aumento nos custos de matéria-prima e</p><p>os gastos excessivos com manutenção</p><p>de equipamentos.</p><p>Gera gráficos e visualizações para</p><p>ilustrar esses pontos, como um gráfico</p><p>de pizza que compara a distribuição dos</p><p>custos de produção ao longo do último</p><p>trimestre.</p><p>Para tornar a história mais interessante,</p><p>compartilha estudos de caso de</p><p>iniciativas anteriores de redução de</p><p>custos que foram bem-sucedidas.</p><p>Por fim, destaca como a implementação</p><p>de um programa de gestão de estoque</p><p>reduziu significativamente os custos de</p><p>matéria-prima em um determinado</p><p>período.</p><p>Ao concluir sua apresentação, oferece</p><p>recomendações claras e acionáveis de</p><p>como revisar os processos de produção</p><p>para reduzir o desperdício de materiais</p><p>ou investir em treinamento para a equipe</p><p>de manutenção de equipamentos.</p><p>31</p><p>NA PRÁTICA</p><p>O Business Analytics refere-se ao uso de dados, análises estatísticas e</p><p>métodos quantitativos para fornecer aos gestores insights aprimorados sobre</p><p>suas operações, o que lhes possibilita tomar decisões mais informadas e</p><p>baseadas em fatos entendidos sob três dimensões, domínio, orientação e</p><p>técnica.</p><p>Considerando o contexto, AVALIE as afirmações seguintes.</p><p>I. A primeira dimensão é o “domínio” e se refere a disciplinas tradicionais,</p><p>como a contabilidade.</p><p>II. A segunda dimensão trata da “técnica”, envolvendo disciplinas de</p><p>negócios tradicionais, como a contabilidade.</p><p>III. A terceira dimensão trata da “orientação”, dividindo-se em descritiva,</p><p>preditiva ou prescritiva, e refere-se ao porquê do uso de Business</p><p>Analytics.</p><p>IV. A segunda dimensão, de orientação preditiva, envolve a aplicação de</p><p>tecnologia da informação, análise estatística, modelos matemáticos e</p><p>computacionais para ajudar os gerentes a terem uma visão mais</p><p>abrangente de suas atividades.</p><p>V. A orientação prescritiva busca responder o que deve ser feito com base</p><p>nos resultados analíticos descritivos e preditivos.</p><p>Dessa maneira, é correto o que se afirmar em:</p><p>A. I, apenas.</p><p>B. I e V, apenas.</p><p>C. I, III e V, apenas.</p><p>D. I, IV e V, apenas.</p><p>E. I, III e IV, apenas.</p><p>FINALIZANDO</p><p>Estudar esses temas é crucial para o profissional contábil, pois lhe</p><p>possibilita ter a compreensão e aplicação de tecnologias emergentes para</p><p>capturar e analisar dados. Isso habilita a tomada de decisões baseada em dados</p><p>(BI), otimiza processos por meio da automatização e melhora a comunicação de</p><p>32</p><p>insights por intermédio da visualização de dados. Portanto, essas habilidades</p><p>são fundamentais para a contabilidade moderna.</p><p>33</p><p>REFERÊNCIAS</p><p>AL-OKAILY, A. et al. An empirical study on data warehouse systems effectiveness:</p><p>the case of Jordanian banks in the business intelligence era. EuroMed Journal of</p><p>Business, v. 18, n. 4, p. 489-510, 2023.</p><p>AMANI, F. A.; FADLALLA, A. M. Data mining applications in accounting: A review</p><p>of the literature and organizing framework. International Journal of Accounting</p><p>Information Systems, v. 24, p. 32-58, 2017.</p><p>APPELBAUM, D. et al. Impact of business analytics and enterprise systems on</p><p>managerial accounting. International journal of accounting information</p><p>systems, v. 25, p. 29-44, 2017.</p><p>ARAÚJO, L.; BEHR, A.; SCHIAVI, G. S. Adoção de business analytics na</p><p>contabilidade. Revista Contabilidade & Finanças, v. 34, p. e1771, 2023.</p><p>BIG Data. In: Gartner, 2019. Disponível em: . Acesso em: 6 jun. 2024.</p><p>BALDWIN, A. A.; BROWN, C. E.; TRINKLE, B. S. Opportunities for artificial</p><p>intelligence development in the accounting domain: the case for</p><p>auditing. Intelligent Systems in Accounting, Finance & Management:</p><p>International Journal, v. 14, n. 3, p. 77-86, 2006.</p><p>BOLDOSOVA, V.; LUOTO, S. Storytelling, business analytics and big data</p><p>interpretation: Literature review and theoretical propositions. Management</p><p>Research Review, v. 43, n. 2, p. 204-222, 2020.</p><p>BORGES, A. F. S. et al. The strategic use of artificial intelligence in the digital era:</p><p>Systematic literature review and future research directions. International journal</p><p>of information management, v. 57, p. 102225, 2021.</p><p>CASTRO, D. G.; FERRARI, L. N. de. Introdução à Mineração de Dados:</p><p>conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016.</p><p>COSTA, F. J. Analytical Management and Data Science: an Analysis from the</p><p>Perspective of Administration and Business. Data Science and Business</p><p>Review, v. 1, n. 1, 2021.</p><p>34</p><p>DELEN, D.; RAM, S. Research challenges</p><p>and opportunities in business analytics.</p><p>Journal of Business Analytics, v. 1, n. 1, p. 2-12, 2018. Disponível em:</p><p>. Acesso em: 6 jun. 2016.</p><p>DAVENPORT, Thomas H. Enterprise adoption and management of artificial</p><p>intelligence. Management and Business Review, v. 1, n. 1, 2021.</p><p>DAVENPORT, T.; HARRIS, J. Competing on analytics: Updated, with a new</p><p>introduction: The new science of winning. Harvard Business Press, 2017.</p><p>DIMAS, G. L.; GOLDKIND, L.; KONRAD, R. Big ideas, small data: Opportunities</p><p>and challenges for data science and the social services sector. Big Data &</p><p>Society, v. 10, n. 1, 2023. Disponível em: . Acesso em: 6 jun. 2024.</p><p>EDMOND, C.; BEDNARZ, T. Three trajectories for narrative visualisation. Visual</p><p>Informatics, v. 5, n. 2, p. 26-40, 2021.</p><p>EVANS, J. R. Business analytics: Methods, models, and decisions. London:</p><p>Pearson, 2017.</p><p>HAN, J.; MICHELINE, K. Data mining: concepts and techniques. Morgan</p><p>kaufmann, 2006.</p><p>HOLSAPPLE, Clyde; LEE-POST, Anita; PAKATH, Ram. A unified foundation for</p><p>business analytics. Decision support systems, v. 64, p. 130-141, 2014.</p><p>KAPLAN, A.; HAENLEIN, M. Siri, Siri, in my hand: Who’s the fairest in the land?</p><p>On the interpretations, illustrations, and implications of artificial</p><p>intelligence. Business horizons, v. 62, n. 1, p. 15-25, 2019.</p><p>KITCHIN, R.; LAURIAULT, T. P. Small data in the era of big data. GeoJournal, v.</p><p>80, p. 463-475, 2015.</p><p>KOKINA, J.; BLANCHETTE, S. Early evidence of digital labor in accounting:</p><p>Innovation with Robotic Process Automation. International Journal of</p><p>Accounting Information Systems, v. 35, p. 100431, 2019.</p><p>LEA, B.-R.; YU, W.-B.; MIN, H. Data visualization for assessing the biofuel</p><p>commercialization potential within the business intelligence framework. Journal of</p><p>Cleaner Production, v. 188, p. 921-941, 2018.</p><p>LAUDON, K. C.; LAUDON, J. P. Sistemas de informação gerenciais:</p><p>administrando a empresa digital. Porto Alegre: Bookman, 2023.</p><p>35</p><p>MAKHIJA, Priya; CHACKO, Elizabeth. Efficiency and advancement of artificial</p><p>intelligence in service sector with special reference to banking industry. Fourth</p><p>Industrial Revolution and Business Dynamics: Issues and Implications, p.</p><p>21-35, 2021.</p><p>NIPUN. Difference Between Bits and Bytes. Pediaa, 2015. Disponível em:</p><p>. Acesso em: 6 jun. 2024.</p><p>OLSZAK, C. M. Toward better understanding and use of business intelligence in</p><p>organizations. Information systems management, v. 33, n. 2, p. 105-123, 2016.</p><p>PERDANA, A.; LEE, W. E; KIM, C. M. Prototyping and implementing Robotic</p><p>Process Automation in accounting firms: Benefits, challenges and opportunities to</p><p>audit automation. International Journal of Accounting Information Systems, v.</p><p>51, p. 100641, 2023.</p><p>PROTIVITI. Taking RPA to the next level: 2019 Global RPA Survey Results.</p><p>California, 2019. Disponível em: . Acesso em: 10 jun. 2024.</p><p>SCHNEIDER, G. P. et al. Infer, predict, and assure: Accounting opportunities in</p><p>data analytics. Accounting Horizons, v. 29, n. 3, p. 719-742, 2015.</p><p>SILVA, D. R.; COSTA, D. F.; PIMENTA, A.. A Influência da Inteligência Artificial</p><p>na Contabilidade e na Tributação das Organizações: uma revisão de literatura.</p><p>In: CONFERENCIA INTERNACIONAL DE CONTABILIDADE, São Paulo.</p><p>Anais… São Paulo: USP, 2022.</p><p>VEEL, K. Make data sing: The automation of storytelling. Big Data & Society, v.</p><p>5, n. 1, 2018. Disponível em: .</p><p>Acesso em: 6 jun. 2024.</p><p>WARREN, J. D.; MOFFITT, K. C.; BYRNES, P. How big data will change</p><p>accounting. Accounting horizons, v. 29, n. 2, p. 397-407, 2015.</p><p>WILKIN, C. et al. Big data prioritization in SCM decision-making: Its role and</p><p>performance implications. International Journal of Accounting Information</p><p>Systems, v. 38, p. 100470, 2020.</p><p>ZHANG, J.; YANG, X.; APPELBAUM, D. Toward effective big data analysis in</p><p>continuous auditing. Accounting Horizons, v. 29, n. 2, p. 469-476, 2015.</p><p>36</p><p>Gabarito</p><p>É correto o que se afirma na opção B.</p><p>I. Correta: A primeira dimensão é o domínio e se refere a disciplinas</p><p>tradicionais, como a contabilidade.</p><p>II. Errada. A segunda dimensão é de orientação.</p><p>III. Errada: A terceira dimensão é a técnica.</p><p>IV. Errada: Embora a orientação preditiva use ferramentas de mineração de</p><p>dados e técnicas estatísticas, não tem como objetivo fornecer uma visão</p><p>abrangente das atividades que estão sendo realizadas no presente como</p><p>ferramentas de avaliação de desempenho; visa entender o futuro,</p><p>respondendo sobre o que poderia ocorrer.</p><p>V. Correta: A orientação prescritiva busca responder o que deve ser feito</p><p>com base nos resultados analíticos descritivos e preditivos.</p>