26 de outubro de 2026
Aplicação da metodologia CRISP-DM no mapeamento do fluxo de dados na área de finanças
Alexandre Barbosa de Souza; Elaine Barbosa de Figueiredo
DOI: 10.22167/2675-6528-202600480
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
Aplicou-se a metodologia CRISP-DM para mapear o fluxo de dados na área de planejamento financeiro e orçamentos de uma empresa industrial. O estudo abordou o desafio de processos manuais e o uso intensivo de planilhas na consolidação de dados financeiros, que comprometiam a produtividade, precisão, governança e estratégias. O objetivo foi desenvolver uma solução de dados capaz de automatizar o fluxo de informações, reduzir a interferência humana, aprimorar a governança corporativa e a qualidade dos dados, e agilizar as estratégias empresariais. A metodologia seguiu as seis fases do modelo CRISP-DM: compreensão do negócio, compreensão dos dados, preparação dos dados, modelagem, avaliação e implantação. A arquitetura técnica envolveu a extração de dados do sistema de gestão para um banco de dados, utilizando Python para processar e enriquecer os registros, e focou na engenharia, manipulação e integração de dados, além da produção de visualizações no Power BI, sem modelagem de algoritmos de aprendizado de máquina. Os resultados preliminares indicaram uma melhora significativa na eficiência operacional, com redução do tempo total de processamento de três horas e quarenta minutos para um intervalo entre dez e dezessete minutos. Observou-se maior agilidade na identificação de classificações ausentes e uma redução nos erros de classificação de 14% para menos de 0,05%. Painéis interativos foram implementados para facilitar a visualização e o monitoramento. A aplicação do método CRISP-DM viabilizou o desenvolvimento ágil e seguro da solução, proporcionando uma visão abrangente do negócio e indicadores para decisões estratégicas e monitoramento contínuo.
Palavras-chave: Automação; Eficiência Operacional; Engenharia de Dados; Governança de Dados; Planejamento Financeiro.
1. Introdução
O cenário empresarial contemporâneo é marcado por uma crescente dependência de dados para a tomada de decisões estratégicas, especialmente em áreas críticas como o planejamento financeiro e orçamentário. A capacidade de coletar, processar e analisar informações de forma eficiente tornou-se um diferencial competitivo, impulsionando a busca por soluções que otimizem o fluxo de dados e garantam a integridade das informações. Empresas do setor industrial, em particular, enfrentam o desafio de gerenciar grandes volumes de dados provenientes de diversas fontes, exigindo abordagens sistemáticas para transformar esses dados em inteligência acionável.
Em muitas organizações, a gestão de dados financeiros ainda se baseia em processos manuais e no uso intensivo de planilhas eletrônicas para a consolidação de informações. Essa dependência de métodos tradicionais, conforme observado no contexto de uma empresa industrial de médio porte em crescimento, resulta em impactos negativos significativos na produtividade, precisão dos dados, escalabilidade e governança corporativa. A manipulação manual de dados e a criação de vínculos entre múltiplos arquivos e planilhas elevam o risco de erros, comprometem a confiabilidade e dificultam a auditoria, fatores cruciais para a gestão e monitoramento da estratégia empresarial, conforme apontado por Carvalho et al. (2020) ao discutir a importância da conformidade (compliance) com leis e normas institucionais.
A ausência de uma metodologia estruturada para projetos de dados agrava essa problemática. Pesquisas indicam que a maioria dos projetos de dados não emprega uma metodologia, o que leva ao insucesso e ao desperdício de recursos, como destacado por Shimaoka et al. (2024). Além disso, a compreensão da necessidade de uma engenharia de dados robusta é fundamental, conforme exposto por Reis e Housley (2024). A engenharia de dados compreende a preparação de dados brutos de diversas fontes por meio de um processo conhecido como ETL (Extract, Transform and Load), que abrange o tratamento e a transformação para consumo em fluxos de análise, também chamado de pipeline de dados, essencial para a tomada de decisão (Inmo, 2005; Escovedo e Kalinowski, 2023).
Nesse contexto, a metodologia CRISP-DM (Cross Industry Standard Process for Data Mining) surge como uma alternativa consolidada. Ela é reconhecida por sua robustez, flexibilidade e eficácia em diversos ambientes corporativos, incluindo o setor financeiro (Shearer, 2000; Plotnikova et al., 2022). Definida como uma sistematização estruturada que guia desde fases gerais até instâncias de processos específicos (Chapman et al., 2000), a CRISP-DM oferece um arcabouço para o desenvolvimento ágil e seguro de soluções de dados. Sua aplicação é adaptável a diferentes segmentos, como a engenharia de equipamentos ou infraestrutura, e pode ser integrada a ferramentas de controle de qualidade, como o Seis Sigma, para melhoria contínua e redução de falhas (Huber et al., 2018; Araújo e Silva, 2019).
A inteligência de dados, ou Business Intelligence, conforme descrito por Oliveira e Rondina (2023), é um componente essencial para transformar grandes volumes de dados em visualizações gráficas que apoiam a tomada de decisões estratégicas. No âmbito financeiro, isso se traduz em uma visão clara dos impactos no fluxo de caixa (visão financeira) e no desempenho e rentabilidade do negócio (visão orçamentária), conforme elucidado por Padoveze (2012). A capacidade de categorizar despesas operacionais (Opex) e investimentos de capital (Capex) (Assaf Neto, 2021; Gitman, 2017) é crucial para uma análise financeira detalhada e estratégica.
A lacuna identificada na gestão de dados financeiros, caracterizada pela ineficiência dos processos manuais e pela ausência de uma metodologia padronizada, justifica a busca por soluções inovadoras. A aplicação da metodologia CRISP-DM representa uma oportunidade para mitigar os riscos associados à manipulação de dados, otimizar a produtividade e aprimorar a governança. Diante desse cenário, o presente trabalho teve como objetivo aplicar a metodologia CRISP-DM no mapeamento do fluxo de dados da área de finanças, visando sistematizar as fases do projeto, desenvolver uma solução de dados para elevar a produtividade, preservar os dados, automatizar o processo de ETL, aumentar a confiabilidade nas etapas de engenharia, reduzir a interferência humana, aprimorar mecanismos de auditoria e governança, unificar bases de dados primárias e elevar a qualidade da classificação dos dados, possibilitando análises mais assertivas para direcionar as estratégias do negócio.
2. Material e Métodos
O presente estudo caracterizou-se como uma pesquisa aplicada, de natureza descritiva, com abordagem metodológica baseada na aplicação do Processo Padrão Interindústrias para Mineração de Dados (CRISP-DM). O objetivo central foi mapear o fluxo de dados da área de planejamento financeiro e orçamentário de uma empresa industrial, visando sistematizar as fases do projeto e desenvolver uma solução de dados para otimizar processos e aprimorar a gestão de informações.
A pesquisa foi conduzida em uma empresa industrial de médio porte, de sede brasileira, que tem apresentado crescimento consistente nos últimos anos. Para preservar a confidencialidade e a privacidade, o nome da organização e os dados específicos de sua operação foram mantidos em anonimato. A unidade de análise concentrou-se nos processos e fluxos de dados da área de finanças e orçamentos.
A metodologia CRISP-DM foi selecionada por sua robustez e adaptabilidade, sendo amplamente reconhecida no mercado para projetos de dados (Shearer, 2000; Plotnikova et al., 2022). O processo foi estruturado em seis fases interligadas, conforme proposto por Chapman et al. (2000) e pela Data Science Process Alliance (2024): Compreensão do Negócio, Compreensão dos Dados, Preparação dos Dados, Modelagem, Avaliação e Implantação.
Na fase de Compreensão do Negócio, foram realizadas reuniões com os gestores da área de finanças para determinar os objetivos do projeto, que incluíam a automação do processo de classificação de dados e a utilização de softwares já existentes na empresa. Avaliou-se o contexto atual, identificando riscos associados ao controle manual de dados em planilhas e a múltiplas fontes de informação, que poderiam impactar a produtividade e a precisão.
Os objetivos de mineração de dados foram definidos para construir uma base de dados enriquecida com variáveis como contas de resultado, centros de lucro, divisão, NCM de produto, responsáveis e classificação do tipo de registro (Opex ou Capex), além de um indicador de governança. Um plano de trabalho foi elaborado, abrangendo sete semanas, com atividades de mapeamento, desenho da solução, testes unitários e integrados, e solicitação de acessos a sistemas e ferramentas.
A fase de Compreensão dos Dados envolveu a análise do dicionário de dados em conjunto com a área de negócio. Os dados necessários foram obtidos de múltiplas fontes, incluindo o sistema de gestão (ERP) e planilhas Excel recebidas por e-mail ou em pastas compartilhadas. Realizou-se uma descrição detalhada dos dados de diversas áreas, como pagamentos, faturamento, compras, vendas, controladoria, recursos humanos e contabilidade.
Durante a exploração dos dados, observou-se a relação entre insumos metálicos e serviços de tratamento. Na avaliação da qualidade, identificou-se que aproximadamente 11% dos dados da variável de pedido de compra foram excluídos, cerca de 99,8% dos dados de centro de lucro estavam ausentes, e 99,9% das ordens de venda também apresentavam ausência. Aproximadamente 40% dos dados da conta contábil foram incorretamente atribuídos, conforme registros de log.
A fase de Preparação dos Dados, considerada a mais intensiva em tempo (Jung, 2024), focou na seleção, limpeza e construção de novos atributos. Os dados foram selecionados a partir do ERP, abrangendo 19 variáveis, como empresa pagadora/recebedora, códigos de fornecedor e cliente, conta contábil, pedido de compra, ordem de venda, documento de compensação, documento contábil de origem, divisão, centro de lucro, tipo de documento, código de bloqueio, datas de documento, lançamento e vencimento, condição de pagamento, código do item, código da moeda e código de débito/crédito (Iudicibus, 2019).
Os dados foram limpos, corrigindo-se informações ausentes ou incorretas, e novos atributos foram construídos, como a razão social vinculada ao código do cliente/fornecedor e a descrição do tipo de registro financeiro (Opex ou Capex). A integração de outras fontes foi suprimida, pois o sistema de gestão tornou-se a fonte primária, e o conjunto de dados final não exigiu nova formatação, estando em conformidade com as características especificadas.
Para a arquitetura técnica, os dados foram armazenados em um banco de dados relacional SQL. Desenvolveram-se interfaces de programação de aplicações (APIs) para extrair dados diretamente do ERP (Saudate, 2017). O processo de transformação foi realizado em Python, utilizando as bibliotecas Pandas, Numpy, Polars, Requests e OpenPyXL, para tratar registros, analisar dados nulos e duplicados, e enriquecer a tabela de saída com novas variáveis. O resultado foi um arquivo Excel, posteriormente integrado ao Power BI para visualizações interativas.
Na fase de Modelagem, não houve a necessidade de aplicar algoritmos complexos de aprendizado de máquina. O modelo inicial foi criado com base no escopo e nas diretrizes das fases anteriores do CRISP-DM. Durante os testes, identificaram-se e corrigiram-se erros relacionados à identificação de sinais de valores, tamanho de caracteres em campos específicos e descrições vinculadas ao tipo de registro financeiro. O modelo foi construído pela equipe de desenvolvimento e validado com uma base de dados históricos de até três anos.
A fase de Avaliação concentrou-se na qualidade dos dados de saída, verificando a ausência de perdas, duplicidade de registros e consistência com o esquema do banco de dados. Observou-se uma redução de aproximadamente 92% no tempo de processamento para a entrega do produto. Os logs da solução foram implementados para permitir a auditoria e rastreabilidade da classificação financeira. O processo foi revisado em cada fase, e não foram identificadas falhas que exigissem retrabalho, permitindo a transição para a fase de implantação.
Por fim, a fase de Implantação (Deployment) envolveu o planejamento da disponibilização da solução em produção, em conjunto com as equipes de tecnologia e finanças da empresa e da consultoria. Uma operação assistida de trinta dias foi realizada, com suporte da equipe de desenvolvimento. Mecanismos de alerta para falhas e períodos de manutenção foram desenvolvidos, e a documentação do projeto foi elaborada e revisada continuamente. Os desafios e sucessos foram registrados para compor uma base de conhecimento para futuros projetos.
3. Resultados e Discussão
A aplicação da metodologia CRISP-DM no contexto do planejamento financeiro e orçamentário da empresa industrial revelou uma série de achados significativos, que se desdobraram ao longo das seis fases do processo, desde a compreensão do negócio até a implantação da solução. Os resultados demonstraram uma transformação substancial na gestão do fluxo de dados, abordando os desafios iniciais de processos manuais e a dependência de planilhas, que comprometiam a produtividade, a precisão e a governança corporativa. A solução desenvolvida não apenas automatizou o fluxo de informações, mas também elevou a qualidade dos dados e a agilidade na tomada de decisões estratégicas, conforme o objetivo central do estudo.
Na fase inicial de Compreensão do Negócio, o estudo identificou claramente a necessidade de automação do processo de classificação de registros para o fluxo de caixa e orçamentos. A atividade, anteriormente executada de forma manual, dependia de múltiplas fontes de dados e do uso intensivo de planilhas Excel, que funcionavam como um “banco de dados” e ferramenta de ETL (Extract, Transform and Load) rudimentar, com automação via macros. Essa abordagem, conforme apontado por Shimaoka et al. (2024), eleva significativamente o risco de insucesso em projetos de dados, superando 80% quando não há uma base metodológica estruturada. A intervenção humana direta na digitação e na criação de vínculos entre arquivos e planilhas era um fator crítico de risco para a integridade dos dados e a produtividade.
A estruturação de um cronograma de atividades de sete semanas para a entrega da solução foi um passo fundamental para mitigar os riscos associados à ausência de uma metodologia. A clareza dos objetivos, focados em elevar a produtividade, preservar os dados, sistematizar o processo de ETL, aumentar a confiabilidade da engenharia de dados, reduzir a interferência humana, aprimorar a auditoria e governança, unificar bases de dados e melhorar a classificação, guiou todas as etapas subsequentes. Essa abordagem sistemática, inerente à CRISP-DM, foi crucial para o direcionamento eficaz do projeto e para a alocação otimizada de recursos, evitando o desperdício frequentemente associado a projetos de dados sem metodologia.
A fase de Compreensão dos Dados permitiu um mapeamento detalhado das múltiplas fontes de dados e a criação de um dicionário de dados abrangente. A análise aprofundada revelou que a fonte primária dos dados era o sistema de gestão (ERP), o que possibilitou a exploração de melhorias internas. Contudo, foram identificadas inconsistências significativas na qualidade dos dados. Aproximadamente 11% da população de dados da variável “pedido de compra” havia sido excluída, e a ausência de dados era alarmante, com cerca de 99,8% na variável “centro de lucro” e 99,9% nas “ordens de venda”. Além disso, 40% da população da variável “contas contábeis” apresentava dados incorretos, não resultantes de alteração manual, mas de falhas registradas nos logs do sistema, conforme a análise de Machado (2020) sobre registros de eventos.
Essas descobertas na qualidade dos dados evidenciaram problemas de governança, não apenas relacionados ao acesso ao sistema, mas também às atribuições e validações de acesso a áreas específicas do ERP, que permitiam alterações e exclusões indevidas, conforme discutido por Carvalho et al. (2020). A “saúde” do dado, um conceito fundamental para Inmo (2005), estava comprometida, exigindo a construção de APIs (Application Programming Interfaces) para requisitar dados diretamente do sistema de gestão. A necessidade de corrigir ações indevidas de usuários ou falhas nas integrações dos módulos do ERP, que provavelmente não foram validadas adequadamente em tempo de projeto, conforme Escovedo e Kalinowski (2023), tornou-se um ponto crítico para a garantia da integridade e completude dos dados.
Na etapa de Preparação dos Dados, os dados foram selecionados diretamente da fonte primária, o ERP, e as APIs executaram as requisições para popular corretamente os registros que anteriormente continham dados ausentes ou incorretos. Variáveis adicionais foram criadas, como a razão social vinculada ao código do cliente ou fornecedor, o tipo de registro financeiro (Opex ou Capex) e a descrição do registro, substituindo o preenchimento manual via planilhas. Essa automação eliminou o risco de informações desatualizadas ou inconsistentes, que poderiam levar a interpretações equivocadas e estratégias ineficazes, como alertado por Inmo (2005) e Carvalho et al. (2020).
A solução foi desenvolvida utilizando a linguagem Python e bibliotecas como Pandas, Numpy, Polars, Requests e OpenPyXL, que permitiram o tratamento e enriquecimento dos registros, incluindo a análise de dados nulos e duplicados. O resultado desse processamento foi um arquivo Excel disponibilizado em um diretório específico da empresa, que foi posteriormente integrado ao Power BI para a criação de visualizações interativas. Essa abordagem não apenas sistematizou o processo de ETL, mas também garantiu que os dados estivessem preparados para análises mais assertivas, fundamentais para o direcionamento das estratégias do negócio.
A fase de Modelagem, embora a mais curta do projeto, foi crucial para a materialização da solução. Não houve a necessidade de aplicar algoritmos complexos de aprendizado de máquina, pois o foco estava na engenharia e manipulação de dados para automação. O modelo inicial, construído a partir do escopo e diretrizes das fases anteriores do CRISP-DM, passou por testes rigorosos. Durante esses testes unitários, foram identificados e corrigidos erros relacionados à interpretação das regras de negócio, como a identificação dos sinais de valores (positivo ou negativo), o tamanho dos caracteres de campos como razão social, número de pedido e centro de lucro, e a descrição vinculada ao tipo de registro financeiro. A correção desses erros e a realização de novos testes foram essenciais para garantir a execução e entrega corretas da solução, conforme a importância dos testes unitários e automatização para mitigar riscos operacionais, destacada por Shimaoka (2024).
A validação do modelo foi realizada pela equipe de desenvolvimento, que submeteu a solução a testes com uma base de dados históricos de até três anos de retroatividade. Essa validação abrangente garantiu a confiabilidade da solução e sua aderência aos requisitos do negócio. A capacidade de estressar tarefas e rotinas, como mencionado por Domingos (2023), assegura a equidade, consistência e a ausência de falhas nas integrações, o que foi fundamental para a robustez do modelo desenvolvido. A ausência de um modelo de aprendizado de máquina complexo simplificou a fase, permitindo um foco direto na qualidade e integridade do pipeline de dados.
Na fase de Avaliação, os resultados confirmaram a alta qualidade dos dados de saída, sem perdas ou duplicidades de registros, e com consistência e respeito à estrutura do esquema do banco de dados relacional. Esses aspectos são de extrema relevância para a área de finanças, que lida com dados sensíveis que impactam diretamente a estratégia do negócio. Um dos achados mais impactantes foi a redução de aproximadamente 92% no tempo de processamento para a entrega do produto. Adicionalmente, a implementação de logs na solução permitiu a auditoria e a rastreabilidade da classificação aplicada aos registros financeiros, mecanismos que, segundo Carvalho et al. (2024), são essenciais para a governança e auditoria de dados.
Apesar dos avanços, observou-se uma persistência de 0,05% de falhas na classificação, atribuídas à entrada manual de registros no ERP, onde usuários não preenchiam campos essenciais ou o sistema não realizava a validação adequada. Embora a causa raiz estivesse fora do escopo do projeto, essa limitação ressalta a importância de treinamentos e validações em fases de projeto do ERP, ou a utilização de ferramentas de leitura de documentos para entrada de dados, visando preservar o dado original e mitigar riscos. A revisão contínua do processo em cada fase do CRISP-DM não identificou falhas que exigissem retrabalho, e os resultados coletados não apresentaram impedimentos para a fase de implantação, garantindo a progressão do projeto.
A fase final de Implantação em Produção foi executada em colaboração com as equipes de tecnologia e finanças da empresa, além da consultoria responsável pela entrega. A operação assistida, com duração de trinta dias e suporte do time de desenvolvimento, garantiu uma transição suave. Mecanismos de alerta para falhas e períodos de manutenção no código foram desenvolvidos para garantir a execução contínua e a entrega da solução. A documentação do projeto foi priorizada desde o início, passando por revisões e ajustes finos até a conclusão da fase de pré-implantação, assegurando que a empresa detivesse o conhecimento completo do projeto. Os desafios e pontos de sucesso foram registrados, contribuindo para a base de conhecimento para projetos futuros, um aspecto crucial para a melhoria contínua e a gestão do conhecimento organizacional.
Em síntese, a utilização do Excel para a atividade de classificação de dados consumia mais de três horas diárias do profissional, impactando negativamente a produtividade. Com a implementação da solução baseada em APIs, o tempo total de processamento foi drasticamente reduzido de três horas e quarenta minutos para um intervalo entre dez e dezessete minutos, representando uma economia de aproximadamente 94% no tempo de entrega da atividade. A solução também possibilitou uma redução significativa nos erros de classificação, de 14% da população para menos de 0,05%, e aumentou a agilidade na identificação de classificações ausentes. Esses ganhos operacionais e técnicos, aliados à implementação de painéis interativos para visualização e monitoramento, e à estruturação de processos de auditoria e governança, resultaram em indicadores e análises mais precisas e ágeis para a gestão, respondendo plenamente ao objetivo de elevar a produtividade, preservar os dados e aprimorar a governança corporativa.
4. Conclusão
O presente estudo aplicou a metodologia CRISP-DM no mapeamento do fluxo de dados da área de planejamento financeiro e orçamentário de uma empresa industrial, com o propósito de sistematizar as fases do projeto, desenvolver uma solução de dados para elevar a produtividade, preservar os dados, automatizar o processo de ETL, aumentar a confiabilidade nas etapas de engenharia, reduzir a interferência humana, aprimorar mecanismos de auditoria e governança, unificar bases de dados primárias e elevar a qualidade da classificação dos dados, possibilitando análises mais assertivas para direcionar as estratégias do negócio. Verificou-se que a aplicação sistemática do CRISP-DM foi fundamental para a transformação da gestão de dados, resultando em uma expressiva melhoria na eficiência operacional. Observou-se uma redução do tempo total de processamento de três horas e quarenta minutos para um intervalo entre dez e dezessete minutos, o que representa uma economia de aproximadamente 94% no tempo de entrega da atividade. Adicionalmente, identificou-se uma diminuição significativa nos erros de classificação, de 14% para menos de 0,05%, e uma maior agilidade na identificação de classificações ausentes. A solução desenvolvida, utilizando Python e APIs para extração e tratamento de dados do ERP, permitiu a unificação de bases de dados e a criação de painéis interativos no Power BI, que facilitam a visualização e o monitoramento, consolidando uma contribuição prática substancial para a governança de dados e a tomada de decisões estratégicas.
Apesar dos avanços alcançados, o estudo identificou uma limitação persistente de 0,05% de falhas na classificação, atribuídas à entrada manual de registros no sistema ERP, onde a ausência de preenchimento de campos essenciais ou a falta de validação adequada pelo sistema comprometiam a integridade dos dados na origem. Embora a causa raiz estivesse fora do escopo direto deste projeto, essa observação ressalta a importância de futuras ações. Sugere-se, para estudos futuros, a investigação de mecanismos de validação mais robustos no ERP, a implementação de treinamentos contínuos para usuários ou a adoção de ferramentas de leitura de documentos para automatizar a entrada de dados, visando mitigar completamente esses riscos e preservar a qualidade do dado original. A documentação detalhada do projeto e o registro dos aprendizados contribuem para a base de conhecimento da empresa, suportando a melhoria contínua e a replicação de sucessos em iniciativas futuras de engenharia de dados.
Referências Bibliográficas
Araújo, L. C.; Silva, M. G. 2019. Lean Six Sigma: Guia prático para redução de desperdícios e melhoria de processos. Atlas, São Paulo, SP, Brasil.
Assaf Neto, Alexandre. 2021. Estrutura e Análise de Balanços: Um enfoque econômico-financeiro. 12. ed. Atlas, São Paulo, SP, Brasil.
Carvalho, André Castro; Panochia, Patricia; Capp, Ricardo T. 2020. Gestão de risco e compliance. Editora Senac, São Paulo, SP, Brasil.
Chapman, P. et al. 2000. CRISP-DM 1.0: step-by-step data mining guide. Disponível em: <https://public.dhe.ibm.com/software/analytics/spss/documentation/modeler/14.2/es/CRISP-DM.pdf>. Acesso em: 21 abril 2026.
Data Science Process Alliance. 2024. What is CRISP-DM? Disponível em: <https://www.datascience-pm.com/crisp-dm-2/>. Acesso em: 21 abril 2026.
Domingos, 2023 [Referência completa não encontrada no documento original]
Escovedo, Tatiana; Kalinowski, Marcos et al. 2023. Engenharia de Software para Ciência de Dados: Um guia de boas práticas com ênfase na construção de sistemas de Machine Learning em Python. Casa do Código, São Paulo, SP, Brasil.
Gitman, Lawrence J. 2017. Princípios de Administração Financeira. 14. ed. Pearson Education do Brasil, São Paulo, SP, Brasil.
Huber et al., 2018 [Referência completa não encontrada no documento original]
Inmon, William H. 2005. Building the Data Warehouse. 4. ed. Wiley, Indianapolis, IN, United States of America.
Iudicibus, 2019 [Referência completa não encontrada no documento original]
Jung, Dominik. 2024. The Modern Business Data Analyst: A case study introduction into business data analytics with CRISP-DM and R. Springer, Cham, Switzerland.
Machado, Felipe Nery Rodrigues. 2020. Arquitetura de Sistemas de Informação. 4. ed. Érica, São Paulo, SP, Brasil.
Oliveira, Roberto; Rondina, João Marcelo. 2023. Business Intelligence: Ferramentas e métodos. Editora FGV, Rio de Janeiro, RJ, Brasil.
Padoveze, Clovis Luís. 2012. Controladoria Estratégica e Operacional: Conceitos, estrutura, aplicação. 3. ed. Cengage Learning, São Paulo, SP, Brasil.
Plotnikova, V., Dumas, M., Nolte, A.; Milani, F. 2023. Designing a data mining process for the financial services domain. Journal of Business Analytics. Disponível em: <https://doi.org/10.1080/2573234X.2022.2088412>. Acesso em: 21 abril 2026.
Reis, Joe; Housley, Matt. 2024. Fundamentos de Engenharia de Dados. Novatec, 2024. São Paulo, SP, Brasil.
Saudate, Alexandre. 2017. APIs REST: Seus serviços prontos para o mundo real. Casa do Código, São Paulo, SP, Brasil.
Shearer, C. 2000. The CRISP-DM model: the new blueprint for data mining. Journal of Data Warehousing. v. 5, n. 4, p. 13-22.
Shimaoka, André M.; Ferreira, Renato C.; Goldman, Alfredo. 2024 The evolution of CRISP-DM for Data Science: Methods, Processes and Frameworks. SBC Reviews on Computer Science. Disponível em: <https://www.doi.org/10.5753/reviews.2024.3757>. Acesso em: 21 abril 2026.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

