Detalhes bibliográficos
| Ano de defesa: |
2022 |
| Autor(a) principal: |
Guanaes, Danielle [UNIFESP] |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de São Paulo
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.unifesp.br/handle/11600/65522
|
Resumo: |
O surgimento de grandes bases de dados aumentou a complexidade dos problemas de identificação de padrões em todas as áreas do conhecimento, que passaram a contar com a mineração de dados como uma aliada nessas atividades. Na avaliação de risco de fraude durante a auditoria externa, não podia ser diferente, havendo ainda o agravante de uma maior exigência por parte dos stakeholders por relatórios de auditorias que identificassem qualquer indício de fraude. Essa etapa é de grande importância, pois auxilia no planejamento da extensão dos procedimentos a serem executados pelo auditor. Ainda que, em muitas vezes, essa avaliação seja baseada na apenas experiência do auditor, na literatura há estudos sobre a aplicação da mineração de dados na identificação de fraudes financeiras, e em especial nas demonstrações contábeis. O objetivo do presente trabalho foi verificar a aplicabilidade da mineração de dados na detecção de empresas fraudulentas utilizado um conjunto de dados público disponível no UCI Machine Learning Repository. Para treinar e testar os modelos foram utilizados métodos de mineração individuais e combinações descritos na literatura. O desempenho dos modelos desenvolvidos foi avaliado comparativamente com base na acurácia, nos falsos negativos e nos custos relacionados aos falsos negativos |
