Machine Learning Aplicado à Previsão de Lucros: Uma Solução Prática para Contadores e Consultores que Atendam Pequenas e Médias Empresas

Autores

DOI:

https://doi.org/10.9771/rcufba.v19i2.69667

Palavras-chave:

previsão de lucros, machine learning, análise preditiva

Resumo

Este artigo apresenta uma solução prática e acessível para a previsão de lucros em pequenas e médias empresas (PMEs), utilizando ferramentas de Machine Learning sem necessidade de codificação (no-code). A proposta destina-se a contadores, analistas e consultores que desejam aplicar inteligência preditiva com os dados existentes — mesmo que fragmentados ou incompletos. Por meio de um pipeline estruturado e replicável, exemplificado nas plataformas BigML e Google AutoML (Vertex AI), o trabalho demonstra como organizar e tratar dados financeiros, integrando as estimativas geradas pelos modelos a regras de negócio que apoiam a tomada de decisão. O modelo permite iniciar com planilhas simples e evoluir gradualmente a maturidade analítica da organização, promovendo previsibilidade financeira mesmo em ambientes com baixa infraestrutura tecnológica. Como limitação, destaca-se a ausência de validação empírica longitudinal em cenários reais, o que reforça a importância da supervisão humana e da contextualização gerencial dos resultados. A proposta alinha-se aos princípios de transformação digital progressiva e busca democratizar o uso estratégico de Machine Learning na gestão financeira empresarial.

Downloads

Não há dados estatísticos.

Referências

Campbell, C., Sands, S., Ferraro, C., Tsao, H.-Y. (Jody), & Mavrommatis, A. (2020). From data to action: How marketers can leverage AI. Business Horizons, 63(2), 227–243. https://doi.org/10.1016/j.bushor.2019.12.002

Elend, L., Tideman, S. A., Lopatta, K., & Kramer, O. (2020). Earnings Prediction with Deep Learning (V. 12325, p. 267–274). https://doi.org/10.1007/978-3-030-58285-2_22

Fischer, J. A., Pohl, P., & Ratz, D. (2020). A machine learning approach to univariate time series forecasting of quarterly earnings. Review of Quantitative Finance and Accounting, 55(4), 1163–1179. https://doi.org/10.1007/s11156-020-00871-3

Holmström, J., & Carroll, N. (2024). How organizations can innovate with generative AI. Business Horizons, S0007681324000247. https://doi.org/10.1016/j.bushor.2024.02.010

Holmström, J., & Magnusson, J. (2025). Navigating the organizational AI journey: The AI transformation framework. Business Horizons, S0007681325000023. https://doi.org/10.1016/j.bushor.2025.01.002

Kuryłek, W. (2024). Can we profit from BigTechs’ time series models in predicting earnings per share? Evidence from Poland. Data Science in Finance and Economics, 4(2), 218–235. https://doi.org/10.3934/DSFE.2024008

Lee, I., & Shin, Y. J. (2020). Machine learning for enterprises: Applications, algorithm selection, and challenges. Business Horizons, 63(2), 157–170. https://doi.org/10.1016/j.bushor.2019.10.005

Lim, B., Arık, S. Ö., Loeff, N., & Pfister, T. (2021). Temporal Fusion Transformers for interpretable multi-horizon time series forecasting. International Journal of Forecasting, 37(4), 1748–1764. https://doi.org/10.1016/j.ijforecast.2021.03.012

Neubert, M. J., & Montañez, G. D. (2020). Virtue as a framework for the design and use of artificial intelligence. Business Horizons, 63(2), 195–204. https://doi.org/10.1016/j.bushor.2019.11.001

Reddy, R. C., Mishra, D., Goyal, D. P., & Rana, N. P. (2024). Data science and business value: Insight into the alignment process. Business Horizons, S0007681324001253. https://doi.org/10.1016/j.bushor.2024.09.002

Santos, S. S. A., & Assis, P. R. D. (2024). A IMPORTÂNCIA DA CONTABILIDADE FINANCEIRA PARA AS MICRO E PEQUENAS EMPRESAS. Revista Ibero-Americana de Humanidades, Ciências e Educação, 10(11), 5257–5279. https://doi.org/10.51891/rease.v10i11.17005

Serviço Brasileiro de Apoio às Micro e Pequenas Empresas (Sebrae). (2023). Sobrevivência das empresas mercantis brasileiras (2017–2022).

Sundberg, L., & Holmström, J. (2023). Democratizing artificial intelligence: How no-code AI can leverage machine learning operations. Business Horizons, 66(6), 777–788. https://doi.org/10.1016/j.bushor.2023.04.003

Tursunbayeva, A., & Chalutz-Ben Gal, H. (2024). Adoption of artificial intelligence: A TOP framework-based checklist for digital leaders. Business Horizons, 67(4), 357–368. https://doi.org/10.1016/j.bushor.2024.04.006

Downloads

Publicado

2026-02-18

Como Citar

Rocha de Almeida, T., & Locatelli, O. (2026). Machine Learning Aplicado à Previsão de Lucros: Uma Solução Prática para Contadores e Consultores que Atendam Pequenas e Médias Empresas. Revista De Contabilidade Da UFBA, 19(2), e2517. https://doi.org/10.9771/rcufba.v19i2.69667

Edição

v. 19 n. 2 (2025): Chamada Especial - Artigos Tecnológicos

Seção

Artigos Tecnológicos

Licença

Copyright (c) 2026 Revista de Contabilidade da UFBA

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.

Autores que publicam nesta revista concordam com os seguintes termos:
  1. Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho licenciado simultaneamente sob uma Licença Creative Commons Attribution CC-BY-NC após a publicação, permitindo o compartilhamento do trabalho com reconhecimento da autoria do trabalho e publicação inicial nesta revista.
  2. Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
  3. Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal), já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.