Acessar Dashboard Sobre Metodologia Código-Fonte
A Lei de Benford, um dos pilares metodológicos deste dashboard, é um fenômeno estatístico que postula que em muitas coleções naturais de dados numéricos, a distribuição dos primeiros dígitos não é uniforme. Pelo contrário, o dígito 1 aparece como primeiro dígito em aproximadamente 30% dos números, enquanto dígitos maiores ocorrem com frequência progressivamente menor. Esta lei matemática tem aplicações poderosas na detecção de fraudes, pois dados manipulados ou fabricados tendem a não seguir este padrão natural de distribuição, permitindo aos auditores identificar conjuntos de dados que merecem investigação mais aprofundada.
Sobre Este Projeto
Utilizando a Lei de Benford, este Dashboard Analítico de Auditoria foi desenvolvido para demonstrar uma aplicação prática de técnicas de ciência de dados à auditoria. Ele apresenta:
- Habilidades Técnicas: Programação em R, análise estatística, ciência de dados, visualização de dados
- Conhecimento de Auditoria: Aplicação de técnicas de auditoria aceitas como a Lei de Benford
- Conhecimento de Negócios: Interpretação de anomalias financeiras no contexto empresarial
Processo de Desenvolvimento
- Análise de Requisitos: Identificação de preocupações-chave de auditoria e abordagens analíticas
- Modelagem de Dados: Estruturas de dados projetadas para suportar a detecção de anomalias
- Desenvolvimento do Dashboard: Criação de visualizações interativas usando Shiny e Echarts
- Documentação: Fornecimento de explicações metodológicas claras e guias de usuário
Extensões Potenciais
- Integração com sistemas de monitoramento contínuo
- Modelos de Machine Learning para detecção de anomalias mais sofisticada
- Incorporação de fatores de risco específicos do setor
- Funcionalidades de relatórios automatizados
Metodologia
Este dashboard emprega três técnicas principais para detecção de anomalias em dados financeiros:
1. Análise da Lei de Benford
A Lei de Benford afirma que em muitos conjuntos de dados numéricos de ocorrência natural, os primeiros dígitos seguem uma distribuição específica, com 1 aparecendo como primeiro dígito em cerca de 30% das vezes. Dados financeiros que se desviam significativamente desse padrão podem justificar uma investigação mais aprofundada.
Foi utilizado o pacote benford.analysis do R para realizar testes estatísticos na distribuição do primeiro dígito:
- Teste qui-quadrado para medir o ajuste geral
- Desvio Médio Absoluto (DMA) para quantificar o desvio das frequências esperadas
2. Análise de Z-Score
Os Z-scores medem quantos desvios padrão um ponto de dados está da média. Calculamos z-scores para cada valor de transação dentro do contexto de sua conta:
\[ Z = \frac{X - \mu}{\sigma} \]
Onde:
- X é o valor da transação
- μ é o valor médio da transação para aquela conta
- σ é o desvio padrão dos valores de transação para aquela conta
Quanto maior o valor absoluto do z-score, mais incomum a transação é:
- Z-score próximo de 0: Quantia da transação é próxima da média
- Z-score > 2.5: A transação é classificada com outlier
- Z-score > 3: A transação é altamente incomum
- Z-score positivos indicam quantidades acima da média
- Z-scores negativos indicam quantidades abaixo da média
3. Análise de Séries Temporais
O dashboard visualiza volumes e valores de transações ao longo do tempo para identificar padrões incomuns ou picos que possam indicar períodos problemáticos que requerem exame mais detalhado.