UNIVERSIDADE FEDERAL DE UBERLÂNDIA

MADSON CAETANO DE CARVALHO

A MINERAÇÃO DE DADOS COMO FERRAMENTA DE GESTÃO DE RECURSOS

FINANCEIROS EM UNIVERSIDADE FEDERAL: proposta de um Sistema de
Informação Gerencial.

Uberlândia
2022
 RESUMO

As universidades federais administram e produzem quantias consideráveis de recursos

públicos e de informações. São detentoras de orçamentos bilionários e seus gestores
necessitam de ferramentas e técnicas para geri-los. Assim, construir e implantar uma
ferramenta para compor um Sistema de Informação Gerencial (SIG) juntamente com a
mineração de dados se mostra como alternativa pois possibilita encontrar informações não-
explícitas e que podem ser significativas para os tomadores de decisões. Assim, a finalidade
desta pesquisa é analisar padrões e comportamentos implícitos nos dados produzidos na
gestão orçamentária da Universidade Federal de Uberlândia através de algoritmos (modelos
preditivos e descritivos, árvores de decisão, clusters, sumarizações, regras de associações,
regressão e covariância) e criar modelos que possam subsidiar o processo de tomada de
decisão na execução orçamentária na universidade, tanto a nível administração superior
quanto nas unidades acadêmicas e ou administrativas. Para tanto, utilizar-se-á o Python©
(sistema livre de computação gráfica e estatística) e MySQL© (sistema livre de
gerenciamento de banco de dados). Estas tecnologias são gratuitas e suas finalidades é
melhorar o desempenho na análise de grande quantidade de dados; melhorar a velocidade de
execução de tarefas; criar relatórios e gráficos em dashboards dinâmicos, rápidos e com
aparência agradável; evitar perda de dados; oferecer maior segurança na gestão de dados; ser
possível disponibilizar em rede interna ou na internet e buscar informações implícitas de
modo a criar um SIG que oriente os tomadores de decisões. Os dados serão abertos,
disponíveis nos portais do Governo Federal e nos sistemas de gestão da universidade. A
gestão subsidiada pela mineração de dados poderá trazer economia de recursos públicos além
de fornecer modelos de análise de informações e tendências.

Palavras-chave: mineração de dados, modelos, SIG, gestão orçamentária, universidade

federal.
 3

INTRODUÇÃO

As instituições públicas vêm cada vez mais aproveitando-se da mineração de dados

para tomar decisões. Isto se deve ao fato de que o volume de dados que são produzidos em
seus múltiplos processos de gestão (pessoas, finanças, ativos e conhecimentos) podem
esconder informações significativas que podem apresentar conhecimentos implícitos e
valiosos.
Com orçamentos na ordem de bilhões de reais, os gestores destas universidades
precisam buscar ferramentas e técnicas que os auxiliem em seus processos decisórios
orçamentários.
Para se dimensionar o montante de recursos públicos previstos para o MEC em 2022
foram orçados o valor de R$ 159,58 bi, cerca de R$ 50 bi para o ensino superior e R$ 1,48 bi
para a Fundação Universidade Federal de Uberlândia (STN, 2022).
Na execução deste orçamento são produzidos milhares de dados e informações. Sem a
análise em profundidade destes dados e ou informações, os gestores podem ser levados a
tomar decisões não-baseadas em dados que podem levar ao erro ou desperdício de recursos.
Neste contexto, o tema desta pesquisa é a mineração de dados aplicada à base de dados
da execução orçamentária da Universidade Federal de Uberlândia em busca de padrões,
tendências, comportamentos de informações e propor a construção de um SIG para subsidiar
os tomadores de decisão.
Sem a análise em profundidade destes dados, os gestores podem ser levados a tomar
decisões não-baseadas em dados que, muitas vezes, levam ao erro ou desperdício de recursos.
Assim, a mineração de dados pode ser útil para a descoberta e a análise de informações
válidas, inesperadas e compreensíveis aos tomadores de decisão (TORGO, 2011).

REFERENCIAL TEÓRICO

Trabalhos Acadêmicos tratam da mineração de dados para prever a evasão acadêmica

em cursos de graduação e desempenho acadêmico (MANHÃES, 2015; TAMADA, 2022;
BITENCOURT et al. 2021). Tais modelos de previsão servem de suporte informacional para
subsidiar os gestores universitários a traçar estratégias para conter a evasão nos cursos de
graduação que consomem consideráveis quantidades de recursos públicos.
No entanto, trabalhos científicos que tratam da mineração de dados aplicados à
execução orçamentária nas IFES são escassos.
 4

Assim, a mineração de dados pode ser útil para a descoberta e a análise de

informações válidas, inesperadas e compreensíveis aos tomadores de decisão (TORGO,
2011).
É necessário fazer análises dessa quantidade de dados, estabelecendo-se indicadores
para descobrir padrões de comportamento implícitos nos dados, assim como relações de causa
e efeito. Processar e analisar as informações geradas pelas enormes bases de dados estão entre
os requisitos essenciais para uma boa tomada de decisão (HAN et al., 2011).
Num ambiente mutável, como o das organizações na atualidade, torna-se necessária a
aplicação de técnicas e ferramentas automáticas que agilizem o processo de extração de
informações relevantes de grandes volumes de dados. Uma metodologia emergente, que tenta
solucionar o problema da análise de grandes quantidades de dados e ultrapassa a habilidade e
a capacidade humanas, é a descoberta de conhecimento em banco de dados (TERZI, 2012).
A mineração de dados é uma técnica que faz parte de uma das etapas da descoberta de
conhecimento em banco de dados. Ela é capaz de revelar, automaticamente, o conhecimento
que está implícito em grandes quantidades de informações armazenadas nos bancos de dados
de uma organização (SILVA; COSTA, 2015). Essa técnica pode fazer, entre outras, uma
análise antecipada dos eventos, possibilitando prever tendências e comportamentos futuros,
permitindo aos gestores a tomada de decisões baseada em fatos e não em suposições
(NHACUONGUE, 2015).

OBJETIVOS E JUSTIFICATIVA

A hipótese a ser testada é: A mineração de dados como subsídio informacional nos

processos decisórios de execução orçamentária na Universidade Federal de Uberlândia
poderia constituir-se em um SIG efetivo no processo de tomada de decisões?
Para tanto, o objetivo principal é utilizar-se das técnicas e ferramentas da mineração de dados
para construir modelos estatísticos (preditivos e ou descritos) com a finalidade de responder à
hipótese a ser testada.
Assim, como resultados da pesquisa espera-se que os modelos criados possam ajudar
os gestores a responder questões relevantes na execução de seus respectivos orçamentos
(tanto a nível Administração Superior quanto às Unidades Acadêmicas, Administrativas,
Hospitais e Escolas Técnicas) tais como exemplificados a seguir:
 Qual o perfil dos custos e despesas realizados com a produção científica da graduação,
pesquisa e extensão?
 5

 Estes custos e despesas poderiam ser centralizados em ambientes multiusuários? Qual

seria o impacto orçamentário desta ação no orçamento?
 Os gastos com imobilizado são necessários ou podemos (re)alocar bens móveis dentro
da universidade ou unidade acadêmica? Comprar ou (re)alocar?
 A universidade adota sistema on-line para expedientes administrativos. Justifica-se os
gastos com uso e consumo?
 Os veículos oficiais realizam viagens ao mesmo tempo e local? Podemos formar
grupos de viagens? Existem veículos que saem da rota prevista em documentação
oficial?
Desta forma, justifica-se esta pesquisa pelo fato de que modelos analíticos descritivos
e ou preditivos fornecidos pela mineração de dados podem suprir as necessidades
informacionais aos tomadores de decisões, e consequentemente, evitar desperdícios e erros,
otimizar as decisões e reconhecer tendências na aplicação de recursos públicos da educação
superior federal aos quais vem sofrendo, nos últimos anos, considerável contingenciamento.

ASPECTOS METODOLÓGICOS

Esta proposta é de caráter descritivo e exploratório. Inicialmente, realizar-se-ia revisão teórica

de modo a refinar os objetivos da pesquisa bem como realizar planejamento inicial.
Em seguida, coletar-se-iam os dados originados da execução orçamentária no período de 2010
a 2022 dos seguintes processos de gestão:
[1] bens móveis do ativo imobilizado,
[2] materiais de uso e consumo e
[3] frota de veículos.
Estes dados estão disponíveis no Portal Brasileiro de Dados Abertos, Controladoria-
Geral da União e nos Sistemas de Gestão da universidade (SG – Sistema de Gestão; STP –
Sistema de Transferência Patrimonial; SME – Sistema de Manutenção; SIPAT – Sistema de
Controle Patrimonial e SIAFI – Sistema Integrado de Administração Financeira).
A seguir, proceder-se-iam com as fases para a descoberta de conhecimento (TERZI, 2012, p.
2):
[1] definir tarefas de análise (descrever e ou predizer);
[2] limpar, remover ruídos e inconsistências nos dados;
[3] integrar múltiplas fontes de dados;
 6

[4] selecionar os dados relevantes para a pesquisa;

[5] formatar dados;
[6] minerar, utilizando-se de algoritmos tais como árvores de decisão, clusters, regras de
associação, sumarizações, regressões, outras aplicáveis e;
[7] medir e analisar o produto obtido.
Por fim, visualizar, compreender e testar os modelos obtidos.

CRONOGRAMA

Atividade Período de cumprimento

1 estudos teóricos e refinamento do (s)
Fevereiro/2023 a novembro/2023 – 9 meses
objetivo (s).
2 planejar, coletar e preparar os dados. Dezembro/2023 a agosto/2024 – 9 meses
3 minerar dados, construir e ou buscar
Setembro/2024 a dezembro/2025 – 16 meses
modelos descritivos e ou preditivos.
4 testar modelos, descobrir padrões e
Janeiro/2025 a fevereiro/2026 – 14 meses
conhecimentos implícitos.

REFERENCIAL TEÓRICO

BITENCOURT, Wanderci Alves; SILVA, Diego Mello; XAVIER, Gláucia do Carmo. Pode a
inteligência artificial apoiar ações contra evasão escolar universitária? Ensaio: Avaliação e
Políticas Públicas em Educação, 2021. Disponível em:
https://www.scielo.br/j/ensaio/a/LXh449mpMVTMNsbj3B4CpVP/abstract/?lang=pt . Acesso
em: 18 de out. 2022.

BRASIL. Ministério da Economia. Secretaria do Tesouro Nacional (STN). Gastos Sociais e

Setoriais da União. Execução Orçamentária e Financeira. Disponível em: < 107
http://sisweb.tesouro.gov.br/apex/cosis/thot/transparencia/arquivo/29534:930746:inline>.
Acesso em: 20 de out. 2022.

HAN, Jiawei; PEI, Jian; KAMBER, Micheline. Data mining: concepts and techniques.
Third Edition. Elsevier, 2011.
 7

MANHÃES, Laci Mary Barbosa. Predição do desempenho acadêmico de graduandos

utilizando mineração de dados educacionais. Doutorado em Engenharia de Sistemas e
Computação Instituição de Ensino: Universidade Federal do Rio de Janeiro, Rio de Janeiro.
Biblioteca Depositária: BIBLIOTECA DO CT, 2015. Disponível em:
https://www.cos.ufrj.br/index.php/pt-BR/publicacoes-pesquisa/details/15/2524TAMADA,
Acesso em: 12 de out. 2022.

NHACUONGUE, Januário Albino. O campo da Ciência da Informação: contribuições,

desafios e perspectivas da mineração de dados para o conhecimento pós-moderno.
Programa de Pós-graduação em Ciência da Informação: Universidade Estadual Paulista,
Marília, 2015. Disponível em: https://repositorio.unesp.br/handle/11449/126578. Acesso em:
22 de out. 2022.

SILVA, Glauco Barbosa da; COSTA, Helder Gomes. Mapeamento de um núcleo de partida
de referências em Data Mining a partir de periódicos publicados no Brasil. Gestão &
Produção, v. 22, n. 1, p. 107-118, 2015. Disponível em: https://www.scielo.br/scielo.php?
pid=S1413-99362015000200003&script=sci_arttext&tlng=pt. Acesso em: 16 de nov. 2022.

TAMADA, Mariela Mizota. Predição de evasão de cursos técnicos em EaD através de

técnicas de aprendizado de máquina em duas etapas. 2022. Disponível em:
https://tede.ufam.edu.br/handle/tede/9066. Acesso em: 12 de nov. 2022.

TERZI, Özlem. Monthly rainfall estimation using data-mining process. Applied

computational intelligence and soft computing, v. 2012, 2012. Disponível em:
https://www.hindawi.com/journals/acisc/2012/698071/. Acesso em: 12 de nov. 2022.

TORGO, Luis. Data mining with R: learning with case studies. CRC press, 2016.

INDICAÇÃO DE DOIS DOCENTES E JUSTIFICATIVAS DE ESCOLHA

Sugiro as Professoras Doutoras Marli Auxiliadora da Silva e Edvalda Araújo Leal pois
trabalham com temáticas ligadas aos sistemas de informação gerencial.