Utilização de Técnicas de Mineração de Dados como Auxílio na Detecção de Cartéis em Licitações

• Carlos Vinícius Sarmento Silva UnB / CGU
• Célia Ghedini Ralha UnB

Resumo

O trabalho de auditoria governamental tem sido realizado no âmbito do Poder Executivo Federal pela Controladoria-Geral da União (CGU). Várias estratégias são utilizadas visando a prevenção e o combate à corrupção. No entanto, algumas atividades como a detecção de cartéis em licitações são limitadas pela dificuldade de encontrar soluções efetivas. A área de Mineração de Dados tem sido alvo de várias pesquisas por causa de seus bons resultados no processo de descoberta de conhecimento, e várias técnicas já foram definidas nessa área como classificação, clusterização e regras de associação. Este trabalho prevê uma proposta de utilização da técnica de regras de associação e a combinação desta com a técnica de clusterização para a solução do problema de detecção de cartéis em licitações. O intuito de dar suporte às atividades de auditoria da CGU.

Referências

Agrawal, R. and Srikant, R. (1994). Fast algorithms for mining association rules in large databases. In VLDB ’94: Proceedings of the 20th International Conference on Very Large Data Bases, pages 487–499, San Francisco, CA, USA. Morgan Kaufmann Publishers Inc.

Alam, S., Dobbie, G., and Riddle, P. (2009). Exploiting swarm behaviour of simple agents for clustering web users session data. In Cao, L., editor, Data Mining and Multi-agent Integration. Springer US.

Brasil (1993). Lei n. 8.666, de 21 de junho de 1993. D.O.U. de 22/06/1993.

Brasil (2003). Lei n. 10.683, de 28 de maio de 2003. D.O.U. de 29/05/2003.

CGU (2008). Controle interno, prevenção e combate à corrupção - ações da cgu em 2008. [link].

CGU/PR (2009). Portal da transparência do governo federal. [link].

Di Pietro, M. S. Z. (2009). Direito Administrativo. Atlas, 22 edition.

Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996a). The kdd process for extracting useful knowledge from volumes of data. Commun. ACM, 39(11):27–34.

Fayyad, U. M., Piatetsky-Shapiro, G., and Smyth, P. (1996b). From data mining to knowledge discovery: an overview. In Advances in knowledge discovery and data mining, pages 1–34. American Association for Artificial Intelligence, Menlo Park, CA, USA.

Frawley, W. J., Shapiro, P. G., and Matheus, C. J. (1992). Knowledge discovery in data-bases - an overview. Ai Magazine, 13:57–70.

Han, J. and Kamber, M. (2005). Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.

Jain, A. K. and Dubes, R. C. (1988). Algorithms for clustering data. Prentice-Hall, Inc., Upper Saddle River, NJ, USA.

Ministério da Justiça, S. B. d. D. d. C. (2009). Cartel. [link].

Ralha, C. G. (2009). Towards the integration of multiagent applications and data mining. In Cao, L., editor, Data Mining and Multi-agent Integration. Springer US.

STN (2009). Portal siafi. [link].

Tan, P.-N., Steinbach, M., and Kumar, V. (2005). Introduction to Data Mining. Addison Wesley, us ed edition.

Waikato, U. (2009). Weka machine learning project. [link].

Witten, I. H. and Frank, E. (2005). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann Series in Data Management Systems. Morgan Kaufmann, second edition.

Wooldridge, M. and Jennings, N. R. (1995). Intelligent agents: Theory and practice. Knowledge Engineering Review, 10:115–152.

Wu, X., Kumar, V., Ross Quinlan, J., Ghosh, J., Yang, Q., Motoda, H., McLachlan, G. J., Ng, A., Liu, B., Yu, P. S., Zhou, Z.-H., Steinbach, M., Hand, D. J., and Steinberg, D. (2007). Top 10 algorithms in data mining. Knowl. Inf. Syst., 14(1):1–37.