Nome: Vladimir Borges Araújo, André Luís Araújo Maciel

E-mail: vladimir.araujo@fnde.gov.br; andre.maciel@fnde.gov.br; mateus.ananias@fnde.gov.br

Instituição: Fundo Nacional de Desenvolvimento da Educação

Departamento/Unidade: Coordenação-Geral de Contabilidade e Acompanhamento de Prestação de Contas – CGCAP/DFIN

Tipo de Proposta: Apresentação de 20 minutos no Plenário

Eixo Temático: Prestação de Contas, Mineração de Dados, Data Science, Machine learning.

Foco Principal da Apresentação: Apresentação técnica de projeto em desenvolvimento no FNDE destinado a processos de automatização na tomada de decisão de prestações de contas, utilizando técnicas de machine learning, com objetivo de prover eficiência e eficácia da aplicação e monitoramento dos recursos públicos repassados.

Fase do trabalho apresentado: O projeto se encontra em fase de preparação dos dados dentro da metodologia CRISP-DM. Com o objetivo de selecionar os atributos/variáveis que melhor se relacionam a classificação de uma prestação de contas quanto ao risco de reprovação. Esta fase se dá após uma descrição completa dos dados, evidenciando a dificuldade do FNDE em analisar as prestações de contas.

Descrição da apresentação: O Fundo Nacional de Desenvolvimento da Educação (FNDE) pode ser considerado o principal agente executor de politicas publicas da educação.
                     É possível afirmar que as boas práticas na gestão e controle do enorme volume de recurso repassado as entidades participantes do sistema de educação é fundamental, não apenas de uma ponte de vista financeiro, como também de um ponto de vista qualitativo em relação à educação.
Gerada a obrigação de prestar contas, analisam-se os aspectos declarados pelo os entes executores e em caso de mau uso do dinheiro público, exige-se a reparação ao erário.
                     O FNDE hoje se depara com o grande desafio de analisar todas as prestações de contas a ele endereçadas. Atualmente são geradas até 35mil obrigações de prestar contas anualmente, sendo a capacidade de análise manual de apenas 10% da entrada anual.
Neste contexto, criou-se o Projeto de Gestão de Risco Baseado em Dados, com o objetivo de analisar os dados disponíveis e desenvolver modelos de aprendizado de maquina para classificação automática das prestações de conta de acordo com as regras já definidas.
                     Muitos avanços já foram obtidos desde o início do projeto. O avanço inicial se dá pelo aprendizado dos gestores sobre a possibilidade que a tecnologia através da ciência de dados, técnicas de estatística e de machine learnig podem trazer como informação gerencial à instituição.
                     Necessitou-se o desenvolvimento de uma estrutura adequada para aplicação do projeto, com softwares e servidores com a capacidade necessária para o volume de dados.
                     O projeto encontra-se na etapa de seleção de atributos, encontrando quais fatores que realmente influenciam na tomada de decisão sobre as prestações de contra.
                     Por fim, espera-se que a aplicação do melhor modelo preditivos possível, possa classificar automaticamente as prestações de contas do passado e do ano correte. Selecionando aquelas com maior probabilidade de representarem malversação, disponibilizando processos à analise conclusiva, de acordo com a capacidade do FNDE.

Detalhes técnicos: As linguagens utilizadas são R e python e SQL Oracle. Com objetivo de se obter o modelo de melhor capacidade preditiva, serão utilizados diversos modelos, como por exemplo, redes neurais, SVM, Random Tree, Random Forest, Modelos lineares generalizados entre outros. Serão utilizadas também técnicas de redução de dimensão e seleção de atributos como, estratégia LASSO e componentes principais.

Mini-currículo:

Vladimir Araújo
Experiência em 5 anos de auditoria em recursos públicos da educação, coordenador geral da prestação de contas do FNDE, graduado em Engenharia Elétrica pela UNESP e especializado em auditoria governamental.

André Luís Araújo Maciel
Graduado em Engenharia de Produção pela UFMG, Especialista em BI pela PUC-RIO e Mestre em Informática Aplicada pela UNIFOR-CE.

Mateus Carbone Ananias
Graduado em Estatística pela UNB, Mestrando em Estatística pela UNB