Validador de Lógica de Auditoria com Python

Automação sem QA é só um jeito mais rápido de cometer erros em escala.

📝 Contexto do Projeto

Antes de automatizar a auditoria com diversas linhas financeiras, fizemos a pergunta mais importante: "Como podemos ter 100% de certeza de que a nossa lógica de cálculo está correta?"

Em projetos de automação, especialmente quando lidamos com dados financeiros, a pressa para entregar o produto final pode ser traiçoeira. Um pequeno erro na interpretação de um dado, quando multiplicado por milhares de linhas, pode levar a decisões desastrosas.

É por isso que, antes de construir a pipeline completa, demos um passo atrás e focamos em Quality Assurance. O que começou como um script de validação (PoC) evoluiu para uma ferramenta mais robusta, com a lógica de negócio modularizada e coberta por testes automatizados, garantindo que a base da automação seja sólida e confiável.

O Processo com Pandas

Com a biblioteca Pandas, o processo foi direto:

• 💻 pd.read_excel() / pd.read_csv(): Carregamos o arquivo de amostra para um DataFrame, com detecção automática do formato.
• 🔧 .apply() com uma função de limpeza: Aqui está a mágica. Uma pequena função para extrair apenas o valor numérico de cada célula, tratando exceções e garantindo que "R$ -16.82 (pago a menos)" se tornasse o float -16.82.
• 📊 .sum(): Com a coluna de dados finalmente limpa e numérica, uma simples soma nos deu o resultado da auditoria da amostra. Preciso e instantâneo.

Ganhos da Abordagem de QA

Essa pequena etapa de validação nos deu a luz verde e a confiança necessária para integrar essa função na automação completa. Os benefícios são claros:

• Velocidade: O que levaria horas de verificação manual, agora leva segundos.
• Escalabilidade: A lógica validada funciona para 10 mil ou 10 milhões de linhas.
• Confiabilidade: A automação validada e agora coberta por testes com Pytest elimina o erro humano e garante a manutenção futura do código.
• Inteligência: Abre portas para análises mais estratégicas: qual a média das diferenças? Qual o maior valor pago a menos?

Isso é desmistificar a automação. Não é um botão mágico. É um processo de engenharia, e toda boa engenharia se baseia em testes rigorosos. Testar a lógica em pequena escala antes de escalar é a diferença entre um projeto de sucesso e uma dor de cabeça cara.

---

🚀 Como Usar

Para executar este script de validação em sua máquina local, siga os passos abaixo.

Pré-requisitos

• Python 3.x
• Git

Instalação

1. Clone o repositório:

   git clone [https://github.com/jgabriiel96/validador-logica-auditoria-python.git](https://github.com/jgabriiel96/validador-logica-auditoria-python.git)
   cd validador-logica-auditoria-python
   

2. (Recomendado) Crie e ative um ambiente virtual:

   python -m venv venv
   # No Windows: venv\Scripts\activate
   # No Linux/macOS: source venv/bin/activate
   

3. Instale as dependências:

   pip install -r requirements.txt
   

Execução da Análise

1. Certifique-se de que o arquivo de amostra (amostra_dados.xlsx ou .csv) está na pasta.
2. No script main.py, ajuste as variáveis NOME_ARQUIVO e NOME_COLUNA_VALORES conforme sua necessidade.
3. Execute o script principal pelo terminal:

   python main.py
   

O resultado da análise será exibido no terminal.

🧪 Como Executar os Testes

Para verificar a integridade do código e garantir que todas as funções de negócio operam como esperado, execute a suíte de testes automatizados com Pytest.

Com o ambiente virtual ativado, execute na raiz do projeto:

pytest