ÊNFASE 7: ANÁLISE DE SISTEMAS – SAP - FINANÇAS E CONTABILIDADE 1.

ERP - Sistema de
Gestão Integrada (baseado no SAP-ERP - versão superior à 4.7): 1.1 ERP: conceitos, objetivos,
vantagens e desvantagens; 1.2 Processos Funcionais de Finanças / Custos e Resultados /
Consolidação Orçamentária e Contábil / Fluxo de Caixa; 1.3 Configuração, teste e suporte do
SAP-ERP nas funcionalidades dos módulos: FI-AP/AR/GL/TRM/FM/BCS/CO; Aula 04
1.4 Processos Funcionais de Logística - compra e venda; 1.5 Configuração, teste e suporte do
SAP-ERP nas funcionalidades dos módulos: MM/SD; 1.6 Processos Funcionais de Gestão de
Pessoas; 1.7 Configuração, teste e suporte do SAP-ERP nas funcionalidades do módulo: HCM;
1.8 Modelagem de soluções para Informações Gerenciais com foco no Planejamento
Estratégico e Econômico Financeiro; 1.9 Configuração, teste e suporte do SAP-BI; Integrações
entre os processos funcionais dos módulos do SAP-ERP; 1.10 Ferramentas de geração de
Relatórios Report Writer e Report Painter; 1.11 Desenho de perfil de acesso de usuário no SAP-
ERP. 2. Modelagem de Sistemas de Informação: 2.1 Sistemas de Informação: conceitos, tipos,
características e tecnologias; 2.2 Ciclos de vida de Sistemas de Informação; 2.3 Processos de
Desenvolvimento de Software; 2.4 Requisitos: conceitos, características, tipos de requisitos,
técnicas de análise e elicitação; 2.5 Modelagem de Processos de Negócio: processos de
negócios, Aris-EPC, BPMN, Diagrama de Atividade UML, regras de negócios; 2.6 Modelo de
Entidades e Relacionamentos; 2.7 Processo Unificado, UML 2.5 e seus diagramas. 3. Business
Intelligence: 3.1 Extração, Transformação e Carga de Dados: Processos de Extração,
Transformação e Carga de Dados (ETL); 3.2 Armazenamento de Metadados; 3.3 Conceitos de
Data Warehouse e Data Marts; 3.4 Exploração, Análise e Apresentação de Informações; 3.5
Conceitos de On Line Analytical Process (OLAP): Modelagem Multidimensional (Star / Snow
Flake Schema); Drill down/ drill up / drill across; Slice and dice; Pivotagem. 4. Mineração de
dados: 4.1 Conceitos; 4.2 Classificação e Agrupamento de Dados; 4.3 Algoritmos de Mineração
de Dados; 4.4 Conceitos de Balanced Scorecard. 5. Gestão de Projetos: 5.1 Conceitos de
Gestão de Projetos; 5.2 PMBoK; 5.3 Processos Ágeis: SCRUM e KANBAN; 5.4 Metodologias,
técnicas e ferramentas da gerência de projetos.
EDITAL TRF 2ª
Contabilidade:
Conhecimentos gerais Português Raciocínio Lógico-Matemático Noções de Direito
Administrativo Noções de Direito Constitucional Noções de Direito Penal Noções de
Sustentabilidade Noções de Gestão Estratégica Noções de Direitos Humanos e Fundamentais
Conhecimentos específicos em Contabilidade Prova de Redação.

Analista Adm:
Conhecimentos gerais Português Raciocínio Lógico-Matemático Noções de Sustentabilidade
Noções de Governança Noções de Gestão Estratégica Noções de Direitos Humanos e
Fundamentais Conhecimentos específicos Noções de Direito Administrativo Noções de Direito
Constitucional Noções de Direito Penal Noções de Direito do Trabalho Noções de
Administração Geral e Pública Noções de Gestão Orçamentária e Financeira Noções de Gestão
de Pessoas Noções de Gestão de Materiais Noções de Contabilidade Pública Prova de Redação

RESUMO
Mineração de Dados

No método de classificação para mineração de dados, a filiação dos

objetos é obtida por meio de um processo não supervisionado de
aprendizado, em que somente as variáveis de entrada são apresentadas
para o algoritmo.

Alternativas
Certo
Errado

R. E

Data mining classificação → Aprendizado supervisionado

Agrupamento de dados → Aprendizado não-supervisionado.

Agrupamento (Clustering) / Associação => NÃO supervisionado

Classificação / Regressão / Detecção de desvios => Supervisionada

Aprendizagem supervisionada:

A aprendizagem é feita a partir de exemplos, em que o analista ajuda o

sistema a construir o modelo, através da definição das classes e dos
exemplos em cada classe. O sistema tem que determinar a descrição
para cada classe, ou seja, o conjunto de propriedades comuns nos
exemplos que lhe são fornecidos. Estando a descrição determinada, é
possível formular a regra de classificação que pode ser utilizada para
prever a classe de um objeto que não tenha sido considerado aquando da
aprendizagem.

Aprendizagem não supervisionada:

Esta é efetuada com base em observação e descoberta. Não são

definidas classes, pelo que o sistema de DM necessita de observar os
exemplos e reconhecer os padrões por si próprio. Daqui resulta um
conjunto de descrições de classes, uma para cada classe descoberta no
ambiente, isto é, na base de dados.

Quem supervisiona é porque CRÊ

→ Classificação

→ Regressão

→ Estimação

A respeito de mineração de dados, julgue o item que se segue.

O fator de suporte e o fator de confiança são dois índices utilizados para

definir o grau de certeza de uma regra de associação.

Alternativas
Certo
Errado

R. C
REGRAS DE ASSOCIAÇÃO: visa descobrir o relacionamento ou
correlação entre variáveis de um banco de dados.

Suporte / Prevalência: Trata-se da frequência com que um conjunto de

itens específico ocorre no banco de dados, isto é, o percentual de
transações que contém todos os itens em um conjunto (Ex: 50% das
compras realizadas em um mercado contém arroz e refrigerante).

Confiança / Força: Trata-se da probabilidade de que exista uma relação

entre itens (Ex: 70% dos clientes que compram fraldas também compram
cerveja).

Fonte: Estratégia Concursos.

A respeito de mineração de dados: o fator de suporte e o fator de

confiança são dois índices utilizados para definir o grau de certeza de
uma regra de associação.

A respeito de mineração de dados, julgue o item que se segue.

Os principais métodos de análise de agrupamentos em mineração de

dados incluem redes neurais, lógica difusa, métodos estatísticos e
algoritmos genéticos.

R. C

Principais métodos de análise de agrupamentos em mineração de dados:

1. redes neurais,
2. lógica difusa,
3. métodos estatísticos e
4. algoritmos genéticos.

Julgue o item que segue, relativo a noções de mineração de dados, big

data e aprendizado de máquina.
Situação hipotética: Na ação de obtenção de informações por meio de
aprendizado de máquina, verificou-se que o processo que estava sendo
realizado consistia em examinar as características de determinado
objeto e atribuir-lhe uma ou mais classes; verificou-se também que os
algoritmos utilizados eram embasados em algoritmos de aprendizagem
supervisionados. Assertiva: Nessa situação, a ação em realização está
relacionada ao processo de classificação.

R. C
  Data mining descrição: Descrever novos
padrões,exceções, tendências e aprendizados adquiridos com a
mineração.
 Data mining classificação: Identifica as classes existentes e
compara com os dados.
 Data mining associação: compara atributos minerados, pode
identificar possíveis problemas futuros.
 Agrupamento de dados(clustering): Técnica de organização,por
semelhança ou não.

Se um sistema de informação correlaciona os dados da tabela em

questão com outros dados não estruturados, então, nesse caso, ocorre
um processo de mineração de dados.

R. C

Mineração de dados: Possibilita tomadas de decisão rápida e precisa.

 Extrai informação válida, previamente desconhecida a partir de

grandes bases de dados para efetuar decisões cruciais;
 Análise de dados para tomada de decisões e prever o
comportamento futuro;
 Processo de análise de conjunto de dados a descoberta de padrões
que representam informações úteis

Em um big data, alimentado com os dados de um sítio de comércio

eletrônico, são armazenadas informações diversificadas, que consideram
a navegação dos usuários, os produtos comprados e outras preferências
que o usuário demonstre nos seus acessos.
Tendo como referência as informações apresentadas, julgue o item
seguinte.
Pelo monitoramento do tráfego de rede no acesso ao sítio em questão,
uma aplicação que utiliza machine learning é capaz de identificar, por
exemplo, que os acessos diminuíram 20% em relação ao padrão de
acesso em horário específico do dia da semana.

R. C

Machine learning quer dizer “aprendizado de máquina”.

ferramenta de análise de dados orienta os computadores a aprender

por contra própria, no intuito de melhorar o desempenho diante de
problemas específicos.

As máquinas utilizam de algoritmos precisos, além de comandos pré-

determinados e imutáveis. Já com o machine learning, elas têm a
possibilidade de tomar decisões e interpretar dados.

Os programas conseguem aprender por meio do processamento de

dados, sem que seja necessária a intervenção humana. A ferramenta
pertence a um dos extensos campos de estudo da Inteligência Artificial
(AI).

Em um big data, alimentado com os dados de um sítio de comércio

eletrônico, são armazenadas informações diversificadas, que consideram
a navegação dos usuários, os produtos comprados e outras preferências
que o usuário demonstre nos seus acessos.
Tendo como referência as informações apresentadas, julgue o item
seguinte.
Dados coletados de redes sociais podem ser armazenados,
correlacionados e expostos com o uso de análises preditivas.

R. C

PREDITIVA = FUTURA, PREVER.

PRESCRITIVA = CONSEQUÊNCIAS , É MAIS MINUCIOSA QUE A

PREDITIVA.

DIAGNÓSTICA= ANÁLISE DAS TOMADAS DE DECISÕES, ANÁLISE DO QUE

DECIDIU.

DESCRITIVA= URGÊNCIA, ANÁLISE TEMPO REAL.

TODAS SÃO EM CIMA DA TOMADA DE DECISÃO.

DES.A DI.CO.CA CON.PRES PRE-RESULTADO

DES.A : DESCRITIVA = ATUAL

DI.CO.CA : DIAGNOSTICO = CAUSA E CONSEQUÊNCIA

CON.PRES: PRESCRITIVA = CONSEGUENCIA

PRE-RESULTADO: PREDITIVA = RESULTADO

O resultado da mineração de dados pode ser a descoberta de tipos de

informação “nova”. Supondo-se que um cliente compre uma máquina
fotográfica e que, dentro de três meses, compre materiais fotográficos,
há probabilidade de que, dentro dos próximos seis meses, ele comprará
um acessório. Um cliente que compra mais que duas vezes, em um
período de baixa, deverá estar propenso a comprar, pelo menos uma vez,
no período do Natal. Esse tipo de informação pode ser verificado através
de

R. PADROES SEQUENCIAIS
Realmente, os conceitos de regras de associação e de padrões
sequenciais se confundem às vezes.

Para efeito de resolução de questões, o ponto chave é a variação tempo,

presente nos padrões sequenciais e teoricamente inexistente nas regras
de associação.

No que concerne a data mining (mineração de dados) e big data, julgue

o seguinte item.

A finalidade do uso do data mining em uma organização é subsidiar a

produção de afirmações conclusivas acerca do padrão de
comportamento exibido por agentes de interesse dessa organização.

R. C

-> Busca de padrões consistentes e/ou relacionamentos sistemáticos

entre variáveis e, então, validá-los aplicando os padrões detectados a
novos subconjuntos de dados.

Questões que ajudam:

O data mining tem por objetivo a extração de informações úteis para

tomadas de decisão com base nos grandes volumes de dados
armazenados nas organizações. Os dados para o data mining são
originados restritamente dos data warehouses, pois estes são os que
aglomeram enorme quantidade de dados não voláteis e organizados por
assunto. ERRADO

Descobrir conexões escondidas e prever tendências futuras é um dos

objetivos da mineração de dados, que utiliza a estatística, a inteligência
artificial e os algoritmos de aprendizagem de máquina. CERTO
Prezado Senhor Samir,

Eu, Thaísa escrevo esta carta para demonstrar minha indignação em

relação a fatos ocorridos na cooperativa de saúde na qual trabalhava.

Em 2019 tivemos a vista de fiscais do CRC RJ na cooperativa de saúde

Unimed Centro Sul Fluminense, onde constataram que no setor contábil
havia profissional formado e sem habilitação técnica para exercício da
profissão. Foi solicitado então a imediata inscrição para o exame de
suficiência e não houve autuação. Recentemente, com algumas
mudanças de cargos e salários ocorridas no setor, a contadora
novamente agiu em desacordo ao mencionado no art. 1º da RESOLUÇÃO CFC N.º
1.554 “Somente poderá exercer a profissão contábil, em qualquer modalidade de serviço ou
atividade, segundo normas vigentes, o contador ou o técnico em contabilidade registrado em
CRC”, e passou de assistente contábil para analista, um profissional sem a
habilitação técnica para desempenhar ambas funções. Ocorre que ao
presenciar o fato, eu e outra colega também habilitada questionamos
sobre o que consta na lei citada e decorrente ao questionamento fomos
demitida em outubro do ano em curso.

Diante dos fatos, se considerarmos o ordenamento jurídico, percebemos

a falta de ética tanto da cooperativa quanto da contadora responsável
pela mesma e a reincidência na prática de infração e desta vez com o
agravante de injustiça praticado com profissionais legalmente
habilitadas.

Mediante o exposto, reforço minha repulsa à prática irregular de

profissional e envio para conhecimento do órgão fiscalizador apurar e
tomar as medidas cabíveis. Aguardo retorno para a reclamação.

Certo de poder contar com a eficiência e serenidade do conselho, desde

já agradeço pela atenção.