← Todos os artigos
Contabilidade e dados

O limite das regras na auditoria contínua: por que a estatística aumenta o recall de 66,7% para 100%

Projeto open source em Python, plano de contas COSIF e dados 100% fictícios.

Roberto Fogaça · 10 de novembro de 2026 · 4 min de leitura · Publicado originalmente no LinkedIn

Regras simples identificam aproximadamente 2 em cada 3 anomalias em lançamentos contábeis. O terço restante exige abordagem estatística.

Desenvolvi um projeto open source em Python para detecção de lançamentos anormais no razão, utilizando o plano de contas COSIF completo (4.401 contas) e uma base 100% sintética. O modelo foi avaliado em uma amostra de 20 mil lançamentos com 12 tipos de anomalias intencionalmente injetadas.

66,7%recall só com regras (800 de 1.200 anomalias)
100%recall com regras + estatística (1.200 de 1.200)
98,3%precision nos alertas de severidade média ou alta

O resultado

MétodoRecallPrecision
Somente regras66,7%88,9%
Regras + estatística100%63,0%
Como ler: recall e precision são duas perguntas diferentes sobre os mesmos alertas.
  • Recall: das anomalias que existem, quantas o método encontrou.
  • Precision: dos alertas gerados, quantos eram anomalia de verdade.

Ganhar recall custa precision. O score organiza a fila de revisão.

O que a estatística detectou além das regras

Cada detector marca um sinal; o score soma os pesos.

Interpretando os resultados

Recall

Regras identificam apenas comportamentos previamente definidos. Dos 12 tipos de anomalia avaliados, 4 não possuíam regra específica implementada e foram detectados exclusivamente pelos modelos estatísticos.

Precision

A maior parte dos falsos positivos veio de detectores comportamentais que sinalizam grupos (conta, usuário ou período) e não um lançamento individual. Por esse motivo, esses sinais receberam peso reduzido no score final. Considerando apenas alertas de severidade média ou alta, a precision alcançou 98,3%.

CenárioDe onde vêm as falhas
Precision de 88,9% só com regras100 falsos alarmes, todos de duplicidade: a regra marca o par inteiro.
Precision de 63,0% com estatística705 falsos alarmes; 456 vêm do pico mensal, que marca a conta no mês inteiro.
Nível médio ou alto98,3% de precision (9 falsos em 516 alertas).

Duas validações de COSIF que merecem destaque

Limitação importante

O recall de 100% foi obtido sobre anomalias artificiais inseridas na base de testes, com sinais relativamente fortes. Em dados reais, geralmente não existem rótulos confiáveis, e a calibração depende de revisão especializada dos alertas gerados.

Próximo passo

Validar o detector em uma base externa com aproximadamente 500 mil lançamentos.

Regras continuam sendo a primeira linha de defesa, mas a estatística permite identificar desvios que não foram antecipados no desenho dos controles.

Qual tipo de anomalia aparece com mais frequência no fechamento contábil da sua empresa? Conta nos comentários do post original.

Código e resultados: o projeto é aberto e está no GitHub, com o gerador do razão fictício, os detectores e a comparação entre regras, estatística e machine learning.

Ver o projeto no GitHub ↗

Continuação: Rodei meu detector em 500 mil lançamentos de outra base. Ele marcou 100% como suspeito, a validação externa do projeto.

Compartilhar: LinkedIn WhatsApp Baixar carrossel (PDF) Comentar no post original ↗
#Contabilidade #Python #ControlesInternos #COSIF #Auditoria

A conversa continua no LinkedIn

Roberto Fogaça
Roberto Fogaça

Accounting Manager em instituições de pagamento reguladas pelo Banco Central. Contabilidade, tributário, regulatório BACEN e FP&A. Conheça minha trajetória.

As opiniões deste texto são pessoais e não representam a posição de nenhuma empresa. Os dados do projeto são 100% fictícios.