Deteção de Anomalias em Registos Contabilísticos com AI Builder e Power Platform

A deteção de anomalias do AI Builder na Power Platform permite às organizações melhorar os seus processos financeiros. Este é o terceiro caso de automação inteligente de processos financeiros desta série de artigos sobre a utilização do AI Builder da Power Platform e centra-se na deteção de anomalias em lançamentos contabilísticos e transações financeiras. Trata-se de uma solução de grande valor, que potencia o trabalho dos profissionais destas áreas.

Porque é importante a deteção de anomalias nas transações contabilísticas?

A principal vantagem de automatizar este processo é a eliminação do trabalho manual. Todos os anos, empresas de todas as dimensões gastam recursos significativos a validar e a corrigir transações contabilísticas.

Outro grande benefício é a redução do risco de erro e de fraude. Com o AI Builder, é possível identificar padrões irregulares ou transações suspeitas em tempo real, permitindo respostas proativas e evitando perdas financeiras significativas.

Além disso, esta automação ajuda a garantir o cumprimento da regulamentação. As empresas operam em ambientes cada vez mais regulados, onde o respeito pelas normas contabilísticas e fiscais é essencial. A deteção rápida de erros e inconsistências facilita as auditorias e assegura demonstrações financeiras exatas, reduzindo o risco de coimas.

Aumenta também a eficiência e a produtividade das equipas financeiras. Em vez de passarem tempo a rever manualmente centenas ou milhares de transações, os profissionais podem concentrar-se na análise estratégica e na tomada de decisões informadas. Isto melhora a qualidade do trabalho e aumenta a motivação da equipa, ao eliminar tarefas repetitivas.

Por fim, esta tecnologia dá uma visão mais clara da saúde financeira de uma empresa. Ao identificar padrões invulgares ou potenciais discrepâncias, as organizações podem tomar medidas corretivas rapidamente, melhorando a fiabilidade dos relatórios e o controlo global das operações.

Deteção de anomalias baseada em regras vs. baseada em machine learning

As anomalias podem ser detetadas através de regras predefinidas ou de modelos preditivos baseados em inteligência artificial. Ambas as abordagens têm as suas vantagens e são usadas em contextos diferentes.

Deteção de anomalias baseada em regras

Este método utiliza regras fixas para determinar se uma transação é considerada anómala. Estas regras assentam no conhecimento do negócio e na experiência dos analistas financeiros.

Exemplos de regras usadas habitualmente pelos auditores:

  • As transações acima de um determinado valor exigem aprovação manual.
  • As transações duplicadas dentro de um dado intervalo de tempo são assinaladas.
  • Os lançamentos registados em contas invulgares para uma determinada operação são considerados suspeitos.
  • As divergências entre fatura e pagamento acima de uma determinada percentagem são assinaladas para revisão.

Vantagens:

  • Simples de implementar e de compreender.
  • Proporciona um controlo forte, assente na regulamentação e nas políticas internas.
  • Transparente: os utilizadores sabem exatamente como as anomalias são identificadas.

Desvantagens:

  • Rígido e inflexível — não se adapta à evolução dos padrões.
  • Pode produzir muitos falsos positivos e falsos negativos.
  • Exige atualizações constantes para refletir as mudanças no negócio.

Deteção de anomalias baseada em machine learning

Este método utiliza algoritmos de machine learning para detetar anomalias com base em padrões dos dados históricos. O modelo aprende com o comportamento passado e consegue assinalar atividade inesperada, mesmo que não corresponda a nenhuma regra predefinida.

Como funciona:

  • O modelo analisa grandes volumes de transações históricas para aprender o que é considerado comportamento normal.
  • Cada nova transação é comparada com os padrões aprendidos.
  • Se a transação se desviar significativamente do comportamento normal, é assinalada como anómala.

Exemplos de modelos:

  • Modelos supervisionados: treinados com dados etiquetados (normal vs. anómalo). Exemplos: regressão logística, árvores de decisão.
  • Modelos não supervisionados: trabalham com dados não etiquetados e identificam automaticamente desvios estatísticos. Exemplos: clustering, redes neuronais, autoencoders.

Vantagens:

  • Adapta-se automaticamente a novos padrões de fraude e de erro.
  • Reduz a necessidade de atualizações manuais constantes das regras.
  • Deteta anomalias complexas ou subtis que as regras não conseguem apanhar.
  • Menos falsos positivos, por ter em conta o contexto dos dados.

Desvantagens:

  • Exige grandes volumes de dados históricos para o treino.
  • Pode ser mais difícil de interpretar: a razão por detrás de uma anomalia assinalada nem sempre é clara.
  • Requer mais recursos computacionais e mais conhecimentos técnicos.

Treinar um modelo de deteção de anomalias com o AI Builder

Como referido no artigo anterior desta série, o AI Builder exige que os dados de treino estejam guardados numa tabela do Dataverse. Neste caso, utilizámos uma tabela com milhares de lançamentos contabilísticos, com a seguinte estrutura:

  • Data e hora
  • Conta
  • Descrição
  • Valor a débito
  • Valor a crédito
  • Saldo

Um ponto essencial: como se trata de um modelo preditivo, a coluna isAnomaly é usada como etiqueta (label). Este campo binário indica se uma transação é anómala (1) ou não (0). É também a coluna mais difícil de obter.

Como se trata de um problema de classificação binária com um conjunto de dados muito desequilibrado (apenas 2% de anomalias), é necessário um grande volume de dados. O modelo precisa de ver exemplos suficientes de ambas as classes para um treino eficaz.

Na fase de recolha e pré-processamento dos dados, utilizámos também técnicas de sobreamostragem (oversampling) para equilibrar a classe minoritária — um tema que vamos explorar noutro artigo.

Resolvidos estes aspetos técnicos, treinar o modelo no AI Builder é simples. A interface é intuitiva e totalmente sem código.

O primeiro passo é selecionar a coluna a prever (isAnomaly) e, depois, as colunas de entrada relevantes — como se vê acima. Podem também aplicar-se filtros opcionais, caso se pretenda excluir ou reservar parte dos dados para teste.

Para treinar o modelo, basta clicar em “Train” — não podia ser mais fácil:

O AI Builder vai tentar identificar padrões preditivos para detetar anomalias. No nosso conjunto de dados de treino, obtivemos os seguintes resultados:

O modelo foi classificado com “B”, com um R² de 81%. É um resultado sólido, tendo em conta a complexidade de treinar modelos com conjuntos de dados desequilibrados. A plataforma fornece também explicações dos resultados. No nosso caso, a data e o valor da transação foram as variáveis mais importantes, seguidas das despesas relacionadas com hotéis.

As métricas detalhadas podem ser exportadas como ficheiro JSON. No nosso caso:

{
  "metrics": [
    { "name": "Mean Absolute Percentage Error", "value": 13.60 },
    { "name": "Mean Absolute Error", "value": 0.1177 },
    { "name": "Normalized RMSE", "value": 0.2159 },
    { "name": "R2 Score", "value": 0.8121 },
    { "name": "Performance Score", "value": 0.8121 },
    { "name": "Root Mean Squared Error", "value": 0.2159 },
    { "name": "Spearman", "value": 0.8390 }
  ]
}

Testar o modelo com dados novos

Antes de o implementar, temos de testar o modelo. Embora o AI Builder faça internamente a divisão entre treino e teste, testámos também o modelo com dados novos, que nunca tinha visto. A matriz de confusão abaixo mostra o desempenho:

As células verdes são previsões corretas; as células cor de laranja indicam erros.

Implementar o modelo

O modelo pode ser executado com uma periodicidade regular (por exemplo, diariamente) e atualizar os resultados no Dataverse, ou pode ser integrado num fluxo de automação inteligente com o Power Automate.

Por exemplo, sempre que uma nova transação é registada, podemos chamar o modelo para obter uma previsão. Se for uma anomalia, pode ser disparado um alerta — como um email automático a avisar a equipa de uma transação que precisa de ser revista.

Partilhe o seu amor
Nuno Nogueira
Artigos: 46