Plataforma Integrada de Governança e Apoio à Decisão no Setor Público | P&D

Visão Geral

A governança digital em grandes organizações públicas enfrenta o desafio constante da fragmentação da informação. Dados gerenciais e administrativos, estruturas hierárquicas, bases funcionais e controles de requisições encontram-se frequentemente distribuídos em planilhas isoladas, sistemas legados e listas locais.

A ausência de uma base relacional unificada compromete a rastreabilidade^[1], aumenta o tempo de resposta administrativo e eleva o risco de inconsistências no apoio à tomada de decisão gerencial.

A proposta desta solução computacional é atuar como uma camada de integração e normalização. O ambiente extrai dados dessas múltiplas origens de maneira determinística, aplica regras de consolidação e disponibiliza uma interface web modular com controle de escopo por nível organizacional, painéis analíticos e trilha de auditoria.

Problema e Solução

Problema Investigado

Informações de pessoal e gerenciais mantidas em planilhas desconexas, dificultando a análise holística.
Falta de controle de acesso granular; a distribuição de planilhas inteiras expõe dados fora da competência de cada gestor.
Processo de consolidação manual sujeito a erros e com baixa reprodutibilidade para acompanhamento histórico.

Solução Desenvolvida

Automação de ETL^[2]: Carga incremental automatizada com controle de hash para identificar apenas registros alterados.
Controle de Escopo: Arquitetura que restringe nativamente o acesso aos dados com base na vinculação organizacional.
Apoio à Decisão Modular: Consumo estruturado e indicadores funcionais através de endpoints^[3] internos.

Funcionalidades Principais

Gestão de Recursos

Painéis para acompanhamento histórico, projeções, provisionamento, saldos e análise de demandas em andamento.

Apoio à Decisão

Gestão e Análise de Pessoas

Consultas funcionais, indicadores demográficos, cargos, funções, movimentações e preservação do histórico organizacional.

Análise Organizacional

Estrutura Organizacional

Navegação hierárquica e associação entre unidades, pessoas e indicadores, respeitando o escopo de cada perfil.

Modelagem de Estruturas

Governança e Qualidade

Permissões granulares, restrição por escopo, auditoria, cargas incrementais, verificação de inconsistências e rastreabilidade^[1].

Governança Digital

Evolução de Produto

Próxima etapa: Inteligência Artificial aplicada à decisão

A infraestrutura atual fornece dados estruturados, histórico preservado e regras determinísticas auditáveis. A próxima etapa de P&D^[4] prevê desenvolver e avaliar modelos de IA sobre essa base estruturada.

A IA terá caráter de apoio algorítmico, mantendo a rastreabilidade, a explicabilidade^[6] dos modelos, o controle rigoroso de acesso e a validação final por especialistas do domínio institucional.

PrevisãoRecursos e demandas

AnomaliasValores e vínculos atípicos

PLN/LLM^[5]Consultas em linguagem natural

CenáriosSimulação para planejamento

SíntesesGeração de explicações

ComparaçãoIA vs Regras atuais

Do dado à decisão

Modelo computacional de apoio à decisão

O sistema implementa regras de negócio estritas que transformam registros consolidados em métricas reprodutíveis, contextualizadas pela estrutura hierárquica organizacional e pelo nível de acesso do usuário.

Consolidação históricaPreservação de estados, entradas, saídas e alterações.

Médias históricasIndicadores calculados em janelas temporais comparáveis.

ProvisionamentoEstimativa de compromissos a partir de regras verificáveis.

Projeção de demandasIncorporação de processos em andamento aos cenários.

Saldo estimadoSíntese entre disponibilidade, execução e projeção.

Indicadores funcionaisLeitura de composição e movimentação organizacional.

Arquitetura Tecnológica e Fluxo

Pipeline de Dados (ETL)

Fontes Dispersas Múltiplos sistemas e planilhas

Normalização e Hash Automação de Extração e Limpeza

Modelo Relacional Base Consolidada

Apoio à Decisão Painéis Integrados

Camadas da Aplicação

FRONTEND HTML5, Tailwind CSS, JavaScript Vanilla. Interface responsiva estruturada para análise de dados.
BACKEND Python (Flask). Gerenciamento de rotas, controle de escopo corporativo e validações.
BANCO Banco Relacional. Permite validação ágil e portabilidade para análises gerenciais.
SEGURANÇA Hash de credenciais, proteção de formulários e controle por sessões.

Processamento de Dados

A arquitetura de ingestão extrai bases de fontes heterogêneas, limpa cabeçalhos, valida identificadores e padroniza valores de maneira autônoma.

A conciliação histórica utiliza controle de *hash*^[7]. Registros ausentes na fonte original não são fisicamente apagados, mas inativados. Isso garante a preservação do histórico para análises de movimentação de pessoal.

Integração e Interoperabilidade

Camada de Aplicação e Integração

A plataforma consolida o core de regras de negócio em um backend estruturado. Os dados governados são disponibilizados de forma modular, permitindo o consumo estruturado por meio de endpoints internos para as interfaces do sistema.

Documentação técnica disponível mediante solicitação

GET /api/v1/indicadores/funcionais

GET /api/v1/recursos/projecao

// Response status: 200 OK

{

"status": "success",

"data": {

"unidade_id": 402,

"total_recursos": 18450.00,

...

}

Engenharia de Software

Modelos Técnicos do Sistema

A solução foi concebida como um ambiente integrado: fontes heterogêneas, processos de ingestão, persistência relacional, regras de autorização e auditoria. Os diagramas abaixo sintetizam o design estrutural implementado.

Arquitetura Geral

Pipeline de ingestão, persistência e consumo

flowchart TB
    subgraph F["Fontes heterogêneas"]
      F1["Planilhas funcionais"]
      F2["Listas SharePoint"]
      F3["Arquivos hierárquicos"]
      F4["JSON e bases locais"]
    end
    subgraph E["Camada de ETL e Normalização"]
      E1["Extrair e validar"]
      E2["Limpeza e padronização"]
      E3["Hash diferencial"]
      E4["Estatísticas de Carga"]
    end
    subgraph D["Persistência Relacional"]
      D1[("Base Consolidada")]
      D2["Histórico e Auditoria"]
    end
    subgraph A["Camada de Aplicação"]
      A1["Backend Python / Flask"]
      A2["Autorização e Escopo"]
      A3["Regras e Indicadores"]
      A4["Interface Web"]
    end
    U["Gestores e usuários autorizados"]
    
    F --> E --> D --> A --> U
    D1 --- D2
    A1 --- A2 --- A3 --- A4

A plataforma isola a carga analítica das fontes originais, criando uma base consolidada que unifica a leitura gerencial e evita cruzamentos manuais diários.

Carga Incremental

Algoritmo de processamento delta e versionamento

flowchart TD
    A["Ler fonte"] --> B["Normalizar colunas e valores"]
    B --> C["Gerar chave e hash"]
    C --> D{"Registro existe?"}
    D -- "Não" --> E["Inserir novo"]
    D -- "Sim" --> F{"Hash mudou?"}
    F -- "Sim" --> G["Atualizar e preservar histórico"]
    F -- "Não" --> H["Manter inalterado"]
    E --> I["Registrar estatísticas"]
    G --> I
    H --> I
    I --> J["Finalizar carga"]

Entidades e Relacionamentos

Recorte do modelo conceitual de dados

erDiagram
    USUARIOS ||--o{ USUARIO_PERMISSOES : "possui"
    USUARIOS ||--o{ USUARIO_ESCOPO : "restringe acesso a"
    USUARIOS ||--o{ AUDITORIA : "gera logs em"
    HIERARQUIA ||--o{ HIERARQUIA : "contem (auto-relacionamento)"
    HIERARQUIA ||--o{ SERVIDORES : "aloca"
    HIERARQUIA ||--o{ REQUISICOES : "demanda"
    PESSOAS ||--o{ SERVIDORES : "atua como"
    PESSOAS ||--o{ VINCULOS_VIGENTES : "possui vínculo"
    PESSOAS ||--o{ PAGAMENTOS : "recebe"
    IMPORTACOES ||--o{ PAGAMENTOS : "audita origem"
    
    USUARIOS { int id PK string email string senha_hash string perfil boolean ativo }
    HIERARQUIA { string codigo PK string sigla string codigo_pai FK }
    SERVIDORES { string matricula PK string cpf FK string unidade_id FK boolean ativo }
    REQUISICOES { int id PK string unidade_id FK string status decimal valor_estimado }
    PAGAMENTOS { int id PK string competencia string cpf FK decimal valor_processado }

Autenticação, Autorização e Auditoria

Fluxos de controle de acesso gerenciados pelo Flask

Login e Autorização de Sessão

sequenceDiagram
    actor U as Usuário
    participant W as Aplicação Flask
    participant B as Banco de Dados
    U->>W: Informa credenciais
    W->>B: Consulta da conta
    B-->>W: Retorna dados e Hash
    W->>W: Validação da senha
    W->>B: Carregamento de permissões e escopo
    W->>B: Auditoria (Registra acesso)
    W-->>U: Primeira tela permitida

Cadastro de Novo Usuário

sequenceDiagram
    actor A as Administrador
    participant W as Aplicação Flask
    participant B as Banco de Dados
    A->>W: Formulário de cadastro
    W->>W: Backend verifica permissão
    W->>W: Valida dados e formulário
    W->>W: Protege a senha
    W->>B: Grava usuário
    W->>B: Grava permissões
    W->>B: Associa unidades permitidas
    W->>B: Registra auditoria
    W-->>A: Confirma operação

Roadmap de Inovação e P&D

A primeira fase do projeto resolveu um problema estrutural crônico: a fragmentação e a falta de rastreabilidade de dados essenciais à gestão na administração pública.

A contribuição estabelecida forma um modelo computacional capaz de extrair dados heterogêneos, consolidá-los e restringir a visualização através de rigorosos controles de escopo hierárquico, suportados por trilhas de auditoria contínua.

Com esta base de dados unificada e operando, o protótipo funcional serve como um ambiente experimental com dados estruturados e validados.

A próxima fronteira de Pesquisa & Desenvolvimento visa a concepção de uma arquitetura híbrida a ser implementada e avaliada cientificamente. O foco é o desenvolvimento e avaliação de modelos para a gestão pública, comparando empiricamente a sua acurácia, explicabilidade e impacto na decisão, comparativamente às regras determinísticas atuais.

Governança Digital em Organizações

O projeto investiga a qualidade, proteção e rastreabilidade da informação. Permite avaliar como a centralização do controle de acesso afeta positivamente a eficiência e a confiança nos processos internos, com potencial para pesquisa.

Machine Learning^[8] na Administração Pública

Aproveitamento dos dados históricos e registros de operação centralizados. Propõe-se analisar a validade e a aplicabilidade da previsão de rotatividade funcional e demandas processuais, embasando as tomadas de decisões organizacionais de grande impacto.

Possíveis Questões de Pesquisa

1. Como a integração de bases organizacionais heterogêneas influencia a qualidade e a rastreabilidade dos indicadores utilizados na gestão pública?
2. Em que medida modelos de aprendizado de máquina podem melhorar a previsão de padrões de alocação quando comparados às regras determinísticas e aos procedimentos atualmente utilizados?
3. Quais são as barreiras técnicas para implementar consultas em linguagem natural que respeitem rigorosamente o controle de escopo do usuário?
4. Como desenhar sistemas analíticos probabilísticos que mantenham a explicabilidade necessária à fundamentação e à supervisão das decisões administrativas?

Metodologia de Validação

• Avaliação experimental comparativa com conjunto de dados histórico e métricas previamente definidas.
• Testes de integridade, autorização e desempenho de leitura no cenário operacional previsto.
• Análise qualitativa da utilidade, explicabilidade e confiança por parte dos gestores em relação às sugestões algorítmicas.

Evidências Técnicas

Representação conceitual do ambiente analítico

ExecuçãoConsolidada

ProjeçãoCalculada

QualidadeMonitorada

Visualização de componente de interface, preservando as diretrizes de confidencialidade de dados governamentais.

Integração Contínua de Dados

Bases funcionaisDados gerenciaisEstrutura organizacional

ETL · Normalização · Regras · Histórico

IndicadoresProjeçõesDecisão

Fluxo simplificado da transformação da informação (do bruto à representação estruturada).

Dimensão Atual do Protótipo

4 Fontes Principais

18 mil Vínculos Funcionais

35 mil Registros de Pagamentos

2 mil Unidades Organizacionais

Limitações e Roadmap Operacional

Restrições Arquiteturais Atuais

O mecanismo de persistência atual foi escolhido para um cenário predominantemente de leitura e atende ao escopo do protótipo. Sua adequação deverá ser reavaliada apenas se as medições futuras indicarem mudança relevante no volume, na concorrência ou no perfil de utilização.
Parte das cargas ainda é executada em ambiente local devido às características das fontes — planilhas, SharePoint, JSON e bases não relacionais. A automatização integral está prevista para a máquina virtual dedicada em processo de disponibilização.

Próximos Passos (Roadmap de Engenharia)

Implantação das cargas em máquina virtual dedicada.
Agendamento e monitoramento contínuo das sincronizações.
Registro de falhas e alertas operacionais automatizados.
Homologação definitiva da matriz de permissões institucionais.
Testes automatizados de integridade, autorização e desempenho.
Integração direta com APIs estruturadas, quando disponíveis.

Idealização e Desenvolvimento

Atuação como idealizador e desenvolvedor único do projeto, sendo responsável por conduzir de ponta a ponta todo o ciclo de vida do protótipo: o design arquitetural, a programação full-stack (Backend Flask, pipeline de dados em Python e construção dos endpoints de comunicação) e a modelagem do Banco Relacional.

A capacidade de planejar e executar as camadas de backend, frontend e banco de dados demonstra a viabilidade técnica de transformar processos institucionais analógicos em ecossistemas digitais orientados a dados.

Wilmar Borges Leal Junior

Mestre em Modelagem Computacional de Sistemas
Professor do IFTO
Advogado — OAB/TO 11.673
Tecnologia e Inovação — AGU

Site Institucional Pesquisas e Publicações Currículo Lattes

Referências e Glossário Técnico

[1] Rastreabilidade: Capacidade estrutural de reter e recuperar o histórico contínuo e a origem exata das informações processadas, requisito indispensável para auditorias.
[2] ETL (Extract, Transform, Load): Processo metodológico de engenharia focado em extrair registros de fontes brutas, aplicar sanitização/padronização e carregar no banco consolidado.
[3] Endpoints (API): Pontos de interface computacional que permitem a diferentes sistemas ou painéis visuais requisitarem dados de forma segura, tipada e governada.
[4] P&D (Pesquisa e Desenvolvimento): Trilha metodológica (Research and Development) focada em inovação laboratorial e validação científica de novas metodologias aplicadas.
[5] PLN/LLM: Processamento de Linguagem Natural e *Large Language Models*. Domínio algorítmico capaz de traduzir solicitações textuais humanas não padronizadas em consultas formais de sistema.
[6] Explicabilidade (XAI): *Explainable AI*. Exigência de que modelos probabilísticos revelem as regras e os pesos matemáticos por trás de suas decisões, evitando caixas pretas na gestão pública.
[7] Hash Diferencial: Uso de funções algorítmicas que geram assinaturas digitais fixas para conjuntos de dados, permitindo que a aplicação identifique com precisão se um registro sofreu alteração.
[8] Machine Learning: Aprendizado de Máquina. Treinamento de algoritmos estatísticos com dados históricos para que se tornem capazes de identificar padrões e formular inferências sem programação explícita.