← Todos os artigos
Contabilidade e dados

Rodei meu detector de anomalias contábeis em 500 mil lançamentos. Ele marcou 100% como suspeito.

Base de outra pessoa, com 5 tipos de anomalia rotulados e plano de contas COSIF.

Roberto Fogaça · 12 de novembro de 2026 · 3 min de leitura · Publicado originalmente no LinkedIn

Depois de validar o projeto em dados que eu mesmo gerei, quis testar em uma base que eu não construí: 500 mil lançamentos fictícios, 5 tipos de anomalia rotulados por outra pessoa, plano de contas no formato COSIF.

100%da base sinalizada na 1ª rodada · precision 7%
7%da base sinalizada depois de calibrar
99,7%precision, com recall de 99,9%

Mesma base, duas configurações

ConfiguraçãoBase sinalizadaPrecisionRecall
Padrão do projeto (só renomeando as colunas)100%7%—
Calibrada7%99,7%99,9%

500 mil lançamentos em 13 segundos no meu teste.

Por que quebrou

  1. As contas da base não estavam no meu elenco COSIF (estrutura anterior, DV diferente), então a regra de conta inválida marcou tudo.
  2. 28% dos lançamentos, normais inclusive, caem em fim de semana: a regra de dia não útil não separava nada.
  3. Só 1 dos meus detectores funcionava. Para documento repetido, centro de custo, histórico e usuário incomuns, precisei de detectores de raridade que não dependem de plano nem de perfil.

O que foi ajustado

AjusteO que faz
Plano próprioDesliga as regras de conta inválida e de vigência.
Sem dia não útilFim de semana é normal nessa base.
Detectores de raridadeDocumento repetido, centro de custo, histórico e usuário.
Colunas ausentesDetectores sem a coluna se desligam sozinhos.

Duas lições

  1. Regra de controle carrega premissas (plano, calendário, perfil). Em outra base, a premissa quebra e o alerta vira ruído. Calibrar é parte do trabalho.
  2. Os pesos do score não transferem: aqui só 77 lançamentos chegaram a nível alto.
Um aviso honesto: nessa base as anomalias se entregam por um valor exato (um centro de custo "INEXISTENTE", um único usuário). O resultado de ~100% mostra que o pipeline escala e se adapta, não que ele acha anomalia sutil.

O projeto agora lê CSV ou Excel com mapeamento de colunas e desliga sozinho os detectores que dependem de colunas ausentes.

Que premissa de controle você já viu virar ruído em outra base? Conta nos comentários do post original.

Código e resultados: o projeto é aberto e está no GitHub.

Ver o projeto no GitHub ↗

Leia também: O limite das regras na auditoria contínua: por que a estatística aumenta o recall de 66,7% para 100%, o primeiro teste do projeto, em dados que eu mesmo gerei.

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. As bases usadas são fictícias.