R3D: uma abordagem utilizando classificação tradicional e sensível ao custo para predição de Pedidos de Revisão de Dívida Ativa

Abstract

A administração tributária é uma área complexa existente em governos de todo o mundo. As melhorias realizadas em seus processos operacionais aumentam a arrecadação e recuperação tributária. No âmbito da administração tributária brasileira, encontra-se disponível na internet um serviço para que os contribuintes possam registrar pedidos de ajustes nos processos de cobrança de dívidas. O referido serviço recebe um grande volume de pedidos e atualmente apresenta um alto tempo de resposta. Este trabalho tem como objetivo propor uma abordagem utilizando classificação tradicional e sensível ao custo capaz de predizer a classificação do resultado final para novos registros do serviço de Pedido de Revisão da Dívida Inscrita como apoio à decisão dos procuradores responsáveis pela análise dos pedidos. A abordagem, chamada de R3D, utiliza modelos de classificação tradicionais e sensíveis ao custo de forma híbrida para predizer novos pedidos do referido serviço. Os classificadores sensíveis ao custo têm demonstrado serem mais efetivos quanto ao custo do que os classificadores tradicionais em muitos problemas de classificação do mundo real, evitando grandes perdas financeiras. Isso geralmente é medido por uma métrica chamada de savings. Por outro lado, os classificadores sensíveis ao custo têm apresentado, em alguns casos, uma maior quantidade de erros de classificação, reduzindo valores de métricas de desempenho convencionais como acurácia, f-score, precisão e sensibilidade. Considerando a administração tributária e outros problemas de classificação no âmbito de órgãos públicos, é importante evitar perdas financeiras, porém, a procura na obtenção do menor custo não deve ser uma prioridade exclusiva. A abordagem R3D desenvolvida alcançou resultados mais equilibrados ao considerar, simultaneamente as métricas de savings, acurácia, f-score, precisão e sensibilidade de acordo com as regras de negócio e dos dados disponíveis.