A Secretaria da Controladoria Geral do Estado (SCGE) analisa mensalmente despesas geradas pelos diferentes órgãos do Estado de Pernambuco com o objetivo de garantir os pagamentos daquelas que são mais sensíveis. Mais de 1 bilhão de reais em despesas ficaram pendentes no exercício de 2016, demonstrando importância de priorização dos pagamentos. Nesse contexto o artigo apresenta o processo de desenvolvimento de um Sistema de Apoio a Decisão (SAD) para a Secretaria da Controladoria Geral do Estado de Pernambuco. O sistema proposto tem a capacidade de classificar as despesas públicas por meio de árvore de decisão auxiliando o trabalho de análise dos gestores responsáveis na priorização de pagamentos. No artigo é detalhado a caracterização do problema, a fundamentação teórica usada no trabalho, a aplicação da metodologia CRISP-DM (Cross Industry Standard Process for Data Mining) e o sistema. A utilização de árvore de decisão na classificação das despesas teve como resultado uma acurácia de 99%, mostrando que o uso desse tipo de modelo atendeu satisfatoriamente na solução do problema encontrado.
The Secretaria da ControladoriaGeral do Estado (SCGE) analyzes the monthly expenses generated by the different organs of the State of Pernambuco with the objective of pay sensitive expenses. Over one billion reais in expenses were outstanding in 2016, showing the importance of prioritizing payments . In this context the article presents the process of developing a Decision Support System (DSS) for the SCGE. The proposed system has the ability to classify public expenditures through a decision tree, assisting the analysis work of the responsible managers in the prioritization of payments. In the article is detailed the characterization of the problem, the theoretical basis used in the work, the application of CRISP-DM (Cross Industry Standard Process for Data Mining) and the system. The utilization decision tree in the classification of expenditures resulted in an accuracy of 99%, showing that the use of this type of model satisfactorily attended to the problem.
