Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/6843
Título: Utilização de dados pela auditoria para prevenção de fraudes no processo de recebimento de madeira de fomento.
Autor(es): Andrade, Gustavo Perpétuo
Orientador(es): Leite, Harlei Miguel de Arruda
Membros da banca: Solimani, Luciana Cerqueira Souza
Haddad, Matheus Nohra
Leite, Harlei Miguel de Arruda
Palavras-chave: Análise de dados
Madeira
Papel - indústria
Redes neurais - computação
Aprendizado de máquina
Data do documento: 2024
Referência: ANDRADE, Gustavo Perpétuo. Utilização de dados pela auditoria para prevenção de fraudes no processo de recebimento de madeira de fomento. 2024. 33 f. Monografia (Especialização em Ciência de Dados) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2024.
Resumo: O abastecimento de madeira para as indústrias de papel e celulose é uma atividade essencial que requer uma logística eficiente para garantir a continuidade da produção. Nesse contexto, a medição precisa do volume de madeira entregue é crucial para garantir transações justas e evitar perdas financeiras devido a práticas fraudulentas. Este trabalho aborda o desenvolvimento de um modelo de classificação de fraudes no processo de medição de madeira, com foco na distinção entre medições legítimas e fraudulentas. Para atingir esse objetivo, foram utilizadas técnicas de aprendizado de máquina, incluindo regressão linear e redes neurais, para analisar e classificar os dados de medição. Os resultados indicaram que a rede neural MLP superou a regressão linear em termos de precisão e capacidade de detecção de fraudes. A matriz de confusão revelou uma baixa taxa de erros de classificação, validando a eficácia do modelo proposto. Este estudo demonstra o potencial das técnicas de aprendizado de máquina para melhorar a eficiência e a precisão na detecção de fraudes no processo de medição de madeira, contribuindo para aprimorar a gestão e a integridade das operações florestais. Como trabalhos futuros, sugere-se a expansão da análise com a inclusão de novas variáveis, bem como a identificação de outros métodos de aprendizado de máquina para aprimorar o desempenho do modelo de classificação de fraudes.
Resumo em outra língua: The supply of wood for the paper and cellulose industries is an essential activity that requires efficient logistics to ensure continuity of production. In this context, accurate measurement of the volume of wood delivered is crucial to ensure fair transactions and avoid financial losses due to fraudulent practices. This work addresses the development of a fraud classification model in the wood measurement process, focusing on the distinction between legitimate and fraudulent measurements. To achieve this goal, machine learning techniques, including linear regression and neural networks, were used to analyze and classify the measurement data. The results indicated that the MLP neural network outperformed linear regression in terms of accuracy and fraud detection capabilities. The confusion matrix revealed a low rate of classification errors, validating the effectiveness of the proposed model. This study demonstrates the potential of machine learn- ing techniques to improve efficiency and accuracy in detecting fraud in the wood measurement process, contributing to improving the management and integrity of forestry operations. As future work, it is suggested to expand the analysis with the inclusion of new variables, as well as the identification of other machine learning methods to improve the performance of the fraud classification model.
URI: http://www.monografias.ufop.br/handle/35400000/6843
Licença: Este trabalho está sob uma licença Creative Commons BY-NC-ND 4.0 (https://creativecommons.org/licenses/by-nc-nd/4.0/?ref=chooser-v1).
Aparece nas coleções:Especialização - Ciência dos Dados

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_UtilizaçãoDadosAuditoria.pdf2,89 MBAdobe PDFVisualizar/Abrir


Os itens na BDTCC estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.