Mejora del Ipm Goiano Mediante Clasificación Automática de Artículos en Documentos Fiscales

Allan da Costa Andrade; Abdoulaye Aboubacari Mohamed

DOI: 10.22167/2675-6528-202602655

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

La automatización de la clasificación de datos fiscales es crucial para mejorar la gestión tributaria. El estudio desarrolló, implementó y evaluó modelos de aprendizaje automático para automatizar el tratamiento y la clasificación de datos fiscales utilizados en el cálculo del Índice de Participación de los Municipios (IPM) en el Estado de Goiás, con enfoque en la identificación de artículos de frutas y verduras comercializados en CEASA-Goiás. La investigación se basó en el análisis de datos secundarios de facturas electrónicas de 2024, caracterizadas por su gran volumen y complejidad. Se adoptó un enfoque cuantitativo, descriptivo y explicativo. El proceso metodológico incluyó la extracción, tratamiento, estandarización y organización de los datos, además de la construcción de una base supervisada para entrenamiento, validación y prueba. Se utilizaron técnicas de Procesamiento de Lenguaje Natural y algoritmos de aprendizaje supervisado para clasificar descripciones de artículos fiscales. El rendimiento se evaluó mediante métricas como precisión, exactitud, exhaustividad y consistencia. Los resultados obtuvieron una precisión superior al 95% en la identificación de productos de frutas y verduras. En comparación con el proceso manual, se observó una reducción significativa en el tiempo de procesamiento, una disminución de inconsistencias y una mejora en la integridad de los datos utilizados en el cálculo del IPM. La solución automatizada contribuyó a una mayor transparencia, confiabilidad y precisión de la información fiscal, optimizando el uso de recursos humanos. Se concluyó que la aplicación de técnicas de ciencia de datos e inteligencia artificial es una alternativa eficaz para mejorar la gestión tributaria estatal.

Palabras clave: Aprendizaje Activo; Ciencia de Datos; Gestión Tributaria; Índice de Participación de los Municipios; NF-e.

1. Introducción

La aplicación de técnicas de ciencia de datos se ha expandido ampliamente en el contexto de la gestión pública. La adopción de métodos de ciencia de datos y aprendizaje automático es fundamental para extraer valor y conocimiento de grandes volúmenes de datos, un imperativo que se extiende a la optimización de políticas públicas y procesos fiscales (Fávero y Belfiore, 2021).

El Índice de Participación de los Municipios (IPM) es un instrumento que distribuye de manera proporcional los recursos recaudados por el estado entre los municipios, considerando factores económicos y fiscales. En el Estado de Goiás, la metodología adopta la transparencia total, utilizando datos granulares de todos los documentos fiscales electrónicos. Este enfoque genera un volumen de aproximadamente seis mil millones de ítems de facturas, lo que, aunque garantiza la transparencia, impone barreras de procesamiento técnico.

La tarea de clasificación automática de descripciones de ítems fiscales puede ser comprendida como un problema clásico de clasificación de textos en Procesamiento del Lenguaje Natural. En estos casos, datos no estructurados, frecuentemente cortos y ruidosos, deben ser categorizados de forma automática. Este tipo de problema presenta desafíos específicos relacionados con la alta variabilidad lingüística, ambigüedad semántica y baja estandarización textual (Manning et al., 2008).

Adicionalmente, bases fiscales reales, como las utilizadas en este estudio, tienden a presentar desbalanceo de clases, en el cual determinadas categorías poseen muchos más ejemplos que otras. Este fenómeno es ampliamente discutido en la literatura de aprendizaje automático, pues puede llevar a los modelos a presentar sesgo en favor de las clases mayoritarias, reduciendo la capacidad de generalización (Fávero y Belfiore, 2021).

En contextos fiscales, el procesamiento y la correcta categorización de documentos electrónicos constituyen desafíos relevantes, especialmente ante la variabilidad textual y la complejidad de las reglas tributarias. Laruccia (2022) demostró la viabilidad del uso de modelos de Procesamiento de Lenguaje Natural y aprendizaje automático para la clasificación automática de notas fiscales electrónicas. Interian et al. (2024), al analizar datos fiscales brasileños para la detección de anomalías, destacan la importancia de técnicas robustas de minería de datos para garantizar la integridad y la conformidad de la información.

A pesar de los avances presentados en la literatura, se observa una brecha en la aplicación integrada de estos enfoques en contextos fiscales reales brasileños, especialmente en escenarios que involucran datos masivos, descripciones cortas y ruidosas, además de un desbalance significativo de clases. Hay escasez de estudios que exploren simultáneamente estos desafíos en el contexto de la clasificación de ítems fiscales, considerando aún particularidades sectoriales, como el segmento de frutas y verduras y su influencia en la apuración del IPM. Así, el presente trabajo se inserta en este contexto, con foco en la clasificación de ítems de frutas y verduras del CEASA Goiás, visando evitar la duplicidad en la base de cálculo del IPM y contribuir a una mayor precisión y justicia en la distribución de los recursos. El objetivo de este trabajo es desarrollar, implementar y evaluar modelos de machine learning aplicados a la automatización del tratamiento y la clasificación de datos fiscales utilizados en el cálculo del Índice de Participación de los Municipios (IPM) en el Estado de Goiás, con foco en la identificación de ítems de frutas y verduras comercializados en el CEASA-Goiás.

2. Material y Métodos

El enfoque metodológico adoptado en este estudio se basó en técnicas consolidadas de ciencia de datos y aprendizaje automático. La investigación se caracterizó como descriptiva y explicativa, buscando determinar el impacto de la clasificación automatizada en la precisión del Índice de Participación de los Municipios (IPM). El diseño principal consistió en la implementación y evaluación de algoritmos de

aprendizaje automático

, alineándose a las líneas de investigación de automatización y

análisis estratégico

(Fávero y Belfiore, 2021; Manning et al., 2008).

La investigación utilizó datos secundarios, provenientes de bases internas de la administración tributaria del Estado de Goiás. Las fuentes de información fueron las bases granulares de las Notas Fiscales electrónicas (NF-e) del CEASA/CEARANA-Goiás. El ámbito temporal del estudio se concentró en el año 2024, analizando el volumen masivo de ítems fiscales para los cuales la clasificación manual de frutas y verduras demandaba un esfuerzo significativo.

El proceso metodológico inicial incluyó etapas de extracción, tratamiento, estandarización y organización de los datos. Posteriormente, se construyó una base supervisada para el entrenamiento, validación y prueba de los modelos de clasificación. El análisis preliminar involucró un archivo completo con más de 344.000 registros, que serían clasificados binariamente como hortofrutícola o no hortofrutícola.

La clasificación automática de descripciones textuales en documentos fiscales se enmarca en el contexto de problemas clásicos de clasificación de textos cortos. Dichas descripciones se caracterizan por alta variabilidad léxica, bajo contexto semántico y presencia de ruidos, lo que exige técnicas específicas de preprocesamiento y modelado (Manning et al., 2008; Salton y Buckley, 1988). Bases fiscales reales frecuentemente presentan desbalanceo de clases, lo que puede comprometer el rendimiento predictivo de los modelos (Fávero y Belfiore, 2021).

La etapa de preprocesamiento de datos consistió en la aplicación de técnicas de limpieza y normalización textual (Manning et al., 2008). Esto incluyó la estandarización de caracteres, la eliminación de acentos, la conversión de números a “NUM” y la eliminación de espacios duplicados. Se utilizaron

palabras vacías

como “de”, “da”, “do”, “para”, “com”, “em”, “no”, “na”, “kg”, “un”, “und”, “cx”, “sc”, “gr”, “ml”, “gtin” y “cm”, y una expresión regular para eliminar palabras aisladas.

Para la representación de los datos textuales, se optó por la extracción de características basada en n-gramas, incluyendo unigramas, bigramas y trigramas. Este enfoque fue elegido para capturar el contexto semántico en descripciones cortas, mitigando la ambigüedad de términos aislados (Manning et al., 2008; Fávero y Belfiore, 2021). La técnica TF-IDF se empleó para transformar los datos textuales en representaciones numéricas, reflejando la importancia relativa de los términos en el corpus (Salton y Buckley, 1988).

La elección de los algoritmos de clasificación consideró su eficiencia computacional y adecuación a problemas de clasificación textual en espacios de alta dimensionalidad. Se utilizaron el algoritmo Naive Bayes y el Passive-Aggressive Classifier, un algoritmo de aprendizaje en línea basado en modelos lineales. Ambos son reconocidos en la literatura por su buen desempeño y capacidad de generalización en escenarios con gran volumen de datos y alta variabilidad textual (Manning et al., 2008; Ng y Jordan, 2002).

Para la construcción incremental y supervisada de las bases de entrenamiento y validación, se adoptó la técnica de

aprendizaje activo

(Settles, 2012; Marcacini e Rezende, 2012). Esta estrategia tuvo como objetivo priorizar la selección de ejemplos más informativos para el proceso de aprendizaje, reduciendo el esfuerzo de supervisión. Inicialmente, se construyó una base supervisada mínima con 700 registros. El proceso siguió un flujo iterativo de entrenamiento, predicción, identificación de los casos más inciertos, validación manual y actualización de la base de datos.

El conjunto de datos se dividió en subconjuntos de entrenamiento (80%) y validación (20%), utilizando muestreo estratificado para preservar la proporción entre las clases. Este enfoque es relevante en escenarios con desequilibrio de clases, contribuyendo a una evaluación robusta del rendimiento de los modelos (He y Garcia, 2009). La evaluación de los modelos se realizó mediante métricas cuantitativas de clasificación, incluyendo precisión, exactitud, exhaustividad (

recordar

), F1-score y análisis de la matriz de confusión.

3. Resultados y Discusión

La investigación tuvo como objetivo principal desarrollar, implementar y evaluar modelos de aprendizaje automático para automatizar la clasificación de datos fiscales, con enfoque en la identificación de productos de frutería y verdulería comercializados en CEASA-Goiás, con el fin de optimizar el cálculo del Índice de Participación de los Municipios (IPM) en el Estado de Goiás. Los resultados obtenidos demuestran la viabilidad y la eficacia de la aplicación de estas técnicas, culminando en una solución automatizada con alta precisión y mejoras significativas en los procesos de gestión tributaria.

Inicialmente, la recolección de datos implicó el análisis de un archivo completo con más de 344.000 registros de facturas electrónicas de 2024. La tarea central consistió en la clasificación binaria de estos ítems, determinando si pertenecían o no a la categoría de frutas y verduras. Este volumen masivo y la complejidad de los datos subrayaron la necesidad de un enfoque automatizado para manejar el procesamiento técnico y evitar barreras en la determinación del IPM.

En el análisis exploratorio de datos textuales, se emplearon herramientas de visualización como nubes de palabras. La nube de palabras inicial, basada en 344.863 registros, reveló la predominancia de términos como “tomate” y “patata”, siguiendo la Ley de Zipf. Esta distribución de frecuencia, donde pocos términos concentran la mayor parte de la masa de probabilidad, indicó un desafío de sesgo para el aprendizaje automático, ya que el modelo podría aprender la frecuencia de transacciones en lugar de características semánticas discriminatorias.

La transición a una nube de palabras con 31.746 registros distintos, obtenida mediante la eliminación de duplicados, alteró significativamente la distribución de los términos. Esta estrategia redujo la influencia de productos con mayor volumen de ventas, evidenciando una diversidad léxica más amplia en la base y permitiendo que ítems menos frecuentes se volvieran más visibles. Este enfoque fue crucial para mitigar el sesgo causado por la repetición de registros e identificar ruidos no relacionados con el dominio hortofrutícola.

El desafío científico identificado se caracterizó como un problema de clasificación de textos cortos en entornos ruidosos, donde las descripciones fiscales sufren de escasez de datos y falta de contexto sintáctico (Aggarwal & Zhai, 2012). La presencia de prefijos y abreviaturas no estandarizadas exigió que el vectorizador y el modelo fueran robustos a la alta varianza léxica. La utilización de la técnica TF-IDF se justificó para penalizar términos ruidosos con baja discriminatividad y valorar términos técnicos específicos, mitigando el impacto del bajo contexto semántico (Salton & Buckley, 1988; Rossi, 2015).

El análisis estadístico del corpus reveló que la media de palabras por registro era de 2,62, con el 78% de las descripciones conteniendo hasta tres términos. Este comportamiento es característico de bases fiscales con descripciones cortas y no estructuradas, lo que dificulta la extracción de significado. Para capturar el contexto semántico en descripciones tan concisas, se optó por la extracción de características basada en n-gramas (unigramas, bigramas y trigramas), según lo recomendado por Fávero y Belfiore (2021) y Manning et al. (2008).

La representación de los datos textuales en formato numérico, esencial para los algoritmos de aprendizaje automático, se realizó con la técnica TF-IDF. Esta configuración permitió capturar no solo palabras aisladas, sino también patrones compuestos frecuentes en las descripciones fiscales, aumentando la capacidad discriminatoria del modelo. La elección de los algoritmos de clasificación consideró su eficiencia computacional y adecuación a problemas de clasificación textual en espacios de alta dimensionalidad.

Dois algoritmos foram selecionados para o treinamento inicial: o Naive Bayes e o Passive-Aggressive Classifier. O Naive Bayes, baseado no Teorema de Bayes, é conhecido por sua simplicidade, baixo custo computacional e rápida convergência, sendo frequentemente utilizado como modelo de referência (Ng & Jordan, 2002). O Passive-Aggressive Classifier, por sua vez, é um algoritmo de aprendizado online baseado em modelos lineares, projetado para lidar eficientemente com grandes volumes de dados e descrições textuais de alta dimensionalidade (Manning et al., 2008).

Para el entrenamiento y validación de los modelos, el conjunto de datos se dividió en subconjuntos de entrenamiento (80%) y validación (20%), utilizando muestreo estratificado para preservar la proporción entre las clases. Este enfoque es crucial en escenarios con desbalanceo de clases, contribuyendo a una evaluación más robusta y representativa del rendimiento de los modelos (He & Garcia, 2009). Las métricas de acuracidad, precisión, revocación y F1-score se utilizaron para medir el rendimiento.

En el primer entrenamiento, el modelo Multinomial Naive Bayes alcanzó una precisión del 79,29%. Su informe de clasificación indicó una precisión de 0,76 y una revocación de 0,95 para la clase 0, y una precisión de 0,89 y una revocación de 0,57 para la clase 1. La matriz de confusión reveló 78 aciertos y 4 errores para la clase 0, y 25 errores y 33 aciertos para la clase 1, evidenciando mayor dificultad en la identificación de la clase minoritaria.

En contraste, el Clasificador Pasivo-Agresivo demostró un rendimiento superior en el entrenamiento inicial, alcanzando una exactitud del 82,86%. Para la clase 0, obtuvo una precisión de 0,80 y una revocación de 0,94, mientras que para la clase 1, alcanzó una precisión de 0,89 y una revocación de 0,67. La matriz de confusión mostró 77 aciertos y 5 errores para la clase 0, y 19 errores y 39 aciertos para la clase 1, indicando una mayor capacidad para identificar correctamente la clase minoritaria en comparación con Naive Bayes.

Esta superioridad del Clasificador Pasivo-Agresivo puede atribuirse a sus diferencias estructurales, especialmente a su capacidad para adaptarse a escenarios con alta variabilidad textual y dimensionalidad, como lo discutido por Manning, Raghavan y Schütze (2008). Sin embargo, es importante notar que estas comparaciones iniciales se basaron en métricas puntuales de una única partición, sin validación cruzada ni pruebas estadísticas formales, lo que exige cautela en la interpretación de las diferencias.

Ante la inexistencia de una base previamente etiquetada y validada, y el elevado volumen de registros, el etiquetado manual completo de todo el conjunto de datos era inviable. Por ello, se adoptó la técnica de “active learning” para priorizar la selección de ejemplos más informativos para el proceso de aprendizaje, reduciendo el esfuerzo humano necesario en la etapa de supervisión, según lo preconizado por Settles (2012) y Marcacini y Rezende (2012).

La estrategia de aprendizaje activo se basó en la combinación de dos criterios de incertidumbre: la probabilidad estimada por el modelo Multinomial Naive Bayes y el margen de decisión proporcionado por el modelo Passive-Aggressive. Se calculó una puntuación de incertidumbre combinada para priorizar muestras con menor confiabilidad en la clasificación. Este proceso generó hojas de cálculo con descripciones de productos asociadas a los mayores valores de incertidumbre, indicando instancias donde el modelo tuvo baja seguridad en la decisión.

Se observó que las descripciones relacionadas con componentes mecánicos, por ejemplo, se clasificaron correctamente como no hortofrutícolas (Clase 0), pero con altos valores de incertidumbre. Esto sugirió que el modelo realizó tales clasificaciones basándose en patrones poco representativos, aproximándose al umbral de decisión. Para la Clase 1 (hortofrutícola), los productos con descripciones compuestas o atípicas, como variedades menos comunes, también presentaron menor confianza en la predicción.

La selección cuidadosa de estos ejemplos, ubicados en la región de frontera entre las clases, para revisión manual y posterior incorporación a la base de entrenamiento, representó una estrategia eficiente de enriquecimiento de datos. Al incluir instancias de la región de incertidumbre, el clasificador pasó a reconocer patrones antes ignorados, refinando las fronteras de decisión y reduciendo la tasa de errores en las iteraciones subsecuentes, conforme a los principios de Settles (2012).

Después de agregar 112 elementos a la base de entrenamiento a través del “aprendizaje activo”, se realizó un nuevo entrenamiento. Los resultados indicaron que la precisión del Multinomial Naive Bayes fue del 78,53% y la del Passive-Aggressive fue del 80,37%. Esta mejora no fue significativa y, en algunos casos, hubo un ligero empeoramiento en la precisión, lo que sugiere que la simple adición de datos no garantizaba una mejora lineal del modelo.

En un paso subsiguiente, se incluyeron 189 nuevos elementos señalados por el “active learning”, utilizando solo la probabilidad de error del Multinomial Naive Bayes. Con este nuevo entrenamiento, la precisión del Multinomial Naive Bayes subió al 86,00%, y la del Passive-Aggressive al 87,00%. Aunque hubo mejora, la evolución del rendimiento a lo largo de los ciclos de entrenamiento no se mostró lineal, con ganancias iniciales más expresivas y posterior estabilización, indicando que la calidad de los datos añadidos es más impactante que la cantidad.

Para la evaluación final del desempeño de los modelos en un escenario cercano al entorno de producción, se construyó una base de validación independiente, compuesta por más de 30 mil registros debidamente verificados por el equipo gestor del IPM. Esta base se utilizó para garantizar métricas más representativas, excluyendo registros seleccionados para entrenamiento para evitar superposición, según las recomendaciones de Fávero y Belfiore (2021).

En la base de validación, el modelo Multinomial Naive Bayes presentó una precisión del 88,10% para la Clase 1, mientras que el Passive-Aggressive Classifier alcanzó una precisión del 77,42% para la misma clase. La diferencia entre el rendimiento en el entrenamiento y en la validación se atribuyó a la mayor diversidad de descripciones en la base de validación y al desbalance entre las clases, lo que redujo la sensibilidad del modelo para la Clase 1 en datos no vistos (Fávero & Belfiore, 2021).

El comportamiento del Clasificador Pasivo-Agresivo se mostró más estable entre entrenamiento y validación en comparación con el Naive Bayes, lo cual es esperado para modelos lineales con aprendizaje en línea en datos textuales de alta dimensionalidad (Manning, Raghavan & Schütze, 2008). La caída de rendimiento del Naive Bayes en la validación reforzó la limitación de la hipótesis de independencia condicional entre atributos, especialmente cuando el vocabulario del conjunto de validación diverge del entrenamiento.

El análisis del preprocesamiento de datos reveló que muchos valores que no distinguían el producto estaban ingresando al clasificador, generando confusión. Para optimizar los resultados, se implementaron reglas de preprocesamiento más rigurosas, incluyendo la eliminación de acentos, la conversión de todos los números a la palabra “NUM”, la eliminación de espacios duplicados y la inclusión de diversas palabras clave como “kg”, “un”, “cx”, “sc”, “gr”, “ml”, “gtin”, “cm” en la lista de stop words, además de una regex para eliminar palabras sueltas.

Incluso con estos tratamientos, la barrera de clasificación del 95% no se modificó inicialmente. Un análisis más detallado reveló que algunos elementos en la base de entrenamiento tenían solo un ejemplo, lo que confundía al clasificador. Para solucionar esto, la base se cuadruplicó, asegurando suficientes ejemplos para el clasificador en todas las divisiones de entrenamiento y prueba, lo que resultó en mejoras significativas en el rendimiento.

Tras el refinamiento del preprocesamiento y la expansión de la base de entrenamiento, el Multinomial Naive Bayes alcanzó una precisión del 98,21% en el entrenamiento y del 96,05% en la validación, con 28.814 aciertos y 1.186 errores en la base de validación. Este resultado demostró un avance sustancial en la capacidad del modelo para clasificar los ítems fiscales de frutas y verduras.

El Clasificador Pasivo-Agresivo, con los mismos ajustes de preprocesamiento y expansión de la base, alcanzó una precisión aún mayor, del 98,81% en el entrenamiento y del 96,54% en la validación. En la validación, se registraron 28.963 aciertos y 1.037 errores. Este rendimiento superior del Pasivo-Agresivo refuerza su idoneidad para escenarios con alta variabilidad textual y gran volumen de datos, superando al Naive Bayes en términos de precisión final.

La precisión final del 96,54% obtenida por el Clasificador Pasivo-Agresivo en la base de validación está en línea con los resultados reportados en la literatura de clasificación de documentos fiscales brasileños. Laruccia (2022), por ejemplo, obtuvo un 96,7% de precisión con un clasificador ensemble para la clasificación binaria de notas fiscales electrónicas. Esto valida la eficacia del enfoque propuesto e implementado en este estudio para mejorar la gestión tributaria estatal.

En resumen, la investigación demostró que la combinación de técnicas de Procesamiento de Lenguaje Natural, algoritmos de aprendizaje supervisado y estrategias de aprendizaje activo es una alternativa eficaz para la automatización de la clasificación de datos fiscales. La precisión superior al 95% en la identificación de productos de horticultura, la reducción en el tiempo de procesamiento y la mejora en la integridad de los datos confirman la contribución de la solución automatizada para una mayor transparencia, confiabilidad y precisión de la información fiscal en el cálculo del IPM, optimizando el uso de recursos humanos.

4. Conclusión

El presente estudio buscó desarrollar, implementar y evaluar modelos de aprendizaje automático para automatizar el tratamiento y la clasificación de datos fiscales, con foco en la identificación de productos de horticultura comercializados en CEASA-Goiás, con el objetivo de optimizar el cálculo del Índice de Participación de los Municipios (IPM) en el Estado de Goiás. Se verificó la viabilidad y eficacia de la aplicación de estas técnicas, culminando en una solución automatizada que alcanzó una precisión superior al 95% en la identificación de productos de horticultura. Se observó una reducción significativa en el tiempo de procesamiento en comparación con el método manual, además de una disminución de inconsistencias y una mejora en la integridad de los datos utilizados en el cálculo del IPM. La combinación de técnicas de Procesamiento del Lenguaje Natural, algoritmos de aprendizaje supervisado y estrategias de aprendizaje activo demostró ser una alternativa eficaz para la automatización de la clasificación de datos fiscales. Esta solución automatizada contribuyó a una mayor transparencia, confiabilidad y precisión de la información fiscal, optimizando el uso de recursos humanos y mejorando la gestión tributaria estatal.

Sin embargo, el estudio presentó limitaciones importantes, como la dependencia de la calidad de las descripciones originales de los documentos fiscales y la restricción del análisis a un único contexto institucional. Adicionalmente, las comparaciones entre los modelos se basaron en métricas puntuales de una única partición de entrenamiento y prueba, sin la aplicación de pruebas estadísticas formales de significancia, lo que exige cautela en la interpretación de las diferencias de rendimiento. Para estudios futuros, se sugiere explorar la aplicación de validación cruzada (k-fold) y pruebas estadísticas formales para una comparación más robusta de los clasificadores. Se recomienda también la utilización de modelos basados en redes neuronales y técnicas de balanceo de clases para mejorar aún más la capacidad de generalización y la sensibilidad a clases minoritarias en bases de datos desbalanceadas.

Referencias Bibliográficas

FÁVERO, L.P.; BELFIORE, P. 2021. Data Science para Negócios: Conceitos, técnicas e aplicações. 1ed. Elsevier, Rio de Janeiro, RJ, Brasil.

INTERIAN, R.; CARPANESE, I.; MELLO, B.; RIBEIRO, C. C. Red flag algorithms for Brazilian electronic invoices: outlier detection and price risk classification. International Transactions in Operational Research. Disponível em https://repositorio.usp.br/item/003154046 acesso em 12/10/2025: 1533-1553

LARUCCIA, J. B. Classificação automática de notas fiscais eletrônicas para utilização de créditos tributários de PIS/PASEP e COFINS. 2022. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2022. Acessado em https://bdta.abcd.usp.br/item/003125927 dia 01/10/2025

MANNING, C. D.; RAGHAVAN, P.; SCHÜTZE, H. Introduction to Information Retrieval. Cambridge: Cambridge University Press, 2008.

SALTON, G.; BUCKLEY, C. 1988. Term-weighting approaches in automatic text retrieval. Information Processing

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy