Título:	Uso de modelos preditivos na gestão de riscos da Fiscalização Tributária
Autor(es):	Venturini, Fabíola Cristina
Orientador(es):	Chaim, Ricardo Matos
Assunto:	Gestão de riscos Indícios de irregularidades fiscais Avaliação de risco Mineração de dados Modelos preditivos Regressão logística Redes neurais
Data de publicação:	13-Ago-2021
Data de defesa:	27-Abr-2021
Referência:	VENTURINI, Fabíola Cristina. Uso de modelos preditivos na gestão de riscos da Fiscalização Tributária. 2021. 91 f., il. Dissertação (Mestrado Profissional em Computação Aplicada)—Universidade de Brasília, Brasília, 2021.
Abstract:	With the objective of verifying how the use of predictive data mining models can improve the risk management of the tax administration of the Federal District, this study started from the characterization of the risk management process used by the District Tax Administration, followed by the identification of the models applicable, of its implementation and finally of its evaluation, which considered the result of the tax actions already carried out. In this exploratory and applied research, the theoretical review was guided by a bibliometric research that resulted in the choice of predictive models based on logistic regression and neural networks; meetings were held to obtain information from the auditors responsible for selecting the companies to be inspected and a questionnaire was applied to collect the opinions of the auditors responsible for the audits; the data stored in corporate systems were studied and extracted to obtain the information related to the identified variables of interest, which were used in the creation and training of the models. Predictive models were created capable of mapping sets of companies that correspond to approximately half of the audited companies and to more than 80 % of the constituted credit (89 % in the case of the neural network model). Thus, it was possible to conclude that the use of predictive models has the potential to optimize the application of available resources and maximize the results achieved.
Unidade Acadêmica:	Instituto de Ciências Exatas (IE) Departamento de Ciência da Computação (IE CIC)
Informações adicionais:	Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2021.
Programa de pós-graduação:	Programa de Pós-Graduação em Computação Aplicada, Mestrado Profissional
Licença:	A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Aparece nas coleções:	Teses, dissertações e produtos pós-doutorado

Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.