Muito legal a introdução feita na página "Crash Course" pelo professor de segundo grau, Jacob Clifford, e pela repórter Adriene Hill. Os dois vão começar um intensivo em economia. Ansiosos por isso! *.*
Por enquanto é apenas para os que entendem inglês pois não há legendas.
"In which Jacob Clifford and Adriene Hill introduce you to Crash Course Economics! CC Econ is a new course from the Crash Course team. We look forward to teaching you all about the so-called dismal science."
03 julho 2015
Machine learning como ferramenta de gestão
Machine learning is based on algorithms that can learn
from data without relying on rules-based programming. It came into its
own as a scientific discipline in the late 1990s as steady advances in
digitization and cheap computing power enabled data scientists to stop
building finished models and instead train computers to do so. The
unmanageable volume and complexity of the big data that the world is now
swimming in have increased the potential of machine learning—and the
need for it.
[...]
Dazzling as such feats are, machine learning is nothing like learning in the human sense (yet). But what it already does extraordinarily well—and will get better at—is relentlessly chewing through any amount of data and every combination of variables. Because machine learning’s emergence as a mainstream management tool is relatively recent, it often raises questions. In this article, we’ve posed some that we often hear and answered them in a way we hope will be useful for any executive. Now is the time to grapple with these issues, because the competitive significance of business models turbocharged by machine learning is poised to surge. Indeed, management author Ram Charan suggests that “any organization that is not a math house now or is unable to become one soon is already a legacy company.
You can’t get more venerable or traditional than General Electric, the only member of the original Dow Jones Industrial Average still around after 119 years. GE already makes hundreds of millions of dollars by crunching the data it collects from deep-sea oil wells or jet engines to optimize performance, anticipate breakdowns, and streamline maintenance. But Colin Parris, who joined GE Software from IBM late last year as vice president of software research, believes that continued advances in data-processing power, sensors, and predictive algorithms will soon give his company the same sharpness of insight into the individual vagaries of a jet engine that Google has into the online behavior of a 24-year-old netizen from West Hollywood.
Closer to home, as a recent article in McKinsey Quarterly notes,3 our colleagues have been applying hard analytics to the soft stuff of talent management. Last fall, they tested the ability of three algorithms developed by external vendors and one built internally to forecast, solely by examining scanned résumés, which of more than 10,000 potential recruits the firm would have accepted. The predictions strongly correlated with the real-world results. Interestingly, the machines accepted a slightly higher percentage of female candidates, which holds promise for using analytics to unlock a more diverse range of profiles and counter hidden human bias.
As ever more of the analog world gets digitized, our ability to learn from data by developing and testing algorithms will only become more important for what are now seen as traditional businesses. Google chief economist Hal Varian calls this “computer kaizen.” For “just as mass production changed the way products were assembled and continuous improvement changed how manufacturing was done,” he says, “so continuous [and often automatic] experimentation will improve the way we optimize business processes in our organizations.”4
More recently, in the 1930s and 1940s, the pioneers of computing (such as Alan Turing, who had a deep and abiding interest in artificial intelligence) began formulating and tinkering with the basic techniques such as neural networks that make today’s machine learning possible. But those techniques stayed in the laboratory longer than many technologies did and, for the most part, had to await the development and infrastructure of powerful computers, in the late 1970s and early 1980s. That’s probably the starting point for the machine-learning adoption curve. New technologies introduced into modern economies—the steam engine, electricity, the electric motor, and computers, for example—seem to take about 80 years to transition from the laboratory to what you might call cultural invisibility. The computer hasn’t faded from sight just yet, but it’s likely to by 2040. And it probably won’t take much longer for machine learning to recede into the background
[...]
C-level officers should think about applied machine learning in three stages: machine learning 1.0, 2.0, and 3.0—or, as we prefer to say, description, prediction, and prescription. They probably don’t need to worry much about the description stage, which most companies have already been through. That was all about collecting data in databases (which had to be invented for the purpose), a development that gave managers new insights into the past. OLAP—online analytical processing—is now pretty routine and well established in most large organizations.
There’s a much more urgent need to embrace the prediction stage, which is happening right now. Today’s cutting-edge technology already allows businesses not only to look at their historical data but also to predict behavior or outcomes in the future—for example, by helping credit-risk officers at banks to assess which customers are most likely to default or by enabling telcos to anticipate which customers are especially prone to “churn” in the near term (exhibit).
Continua aqui
[...]
Dazzling as such feats are, machine learning is nothing like learning in the human sense (yet). But what it already does extraordinarily well—and will get better at—is relentlessly chewing through any amount of data and every combination of variables. Because machine learning’s emergence as a mainstream management tool is relatively recent, it often raises questions. In this article, we’ve posed some that we often hear and answered them in a way we hope will be useful for any executive. Now is the time to grapple with these issues, because the competitive significance of business models turbocharged by machine learning is poised to surge. Indeed, management author Ram Charan suggests that “any organization that is not a math house now or is unable to become one soon is already a legacy company.
1. How are traditional industries using machine learning to gather fresh business insights?
Well, let’s start with sports. This past spring, contenders for the US National Basketball Association championship relied on the analytics of Second Spectrum, a California machine-learning start-up. By digitizing the past few seasons’ games, it has created predictive models that allow a coach to distinguish between, as CEO Rajiv Maheswaran puts it, “a bad shooter who takes good shots and a good shooter who takes bad shots”—and to adjust his decisions accordingly.You can’t get more venerable or traditional than General Electric, the only member of the original Dow Jones Industrial Average still around after 119 years. GE already makes hundreds of millions of dollars by crunching the data it collects from deep-sea oil wells or jet engines to optimize performance, anticipate breakdowns, and streamline maintenance. But Colin Parris, who joined GE Software from IBM late last year as vice president of software research, believes that continued advances in data-processing power, sensors, and predictive algorithms will soon give his company the same sharpness of insight into the individual vagaries of a jet engine that Google has into the online behavior of a 24-year-old netizen from West Hollywood.
2. What about outside North America?
In Europe, more than a dozen banks have replaced older statistical-modeling approaches with machine-learning techniques and, in some cases, experienced 10 percent increases in sales of new products, 20 percent savings in capital expenditures, 20 percent increases in cash collections, and 20 percent declines in churn. The banks have achieved these gains by devising new recommendation engines for clients in retailing and in small and medium-sized companies. They have also built microtargeted models that more accurately forecast who will cancel service or default on their loans, and how best to intervene.Closer to home, as a recent article in McKinsey Quarterly notes,3 our colleagues have been applying hard analytics to the soft stuff of talent management. Last fall, they tested the ability of three algorithms developed by external vendors and one built internally to forecast, solely by examining scanned résumés, which of more than 10,000 potential recruits the firm would have accepted. The predictions strongly correlated with the real-world results. Interestingly, the machines accepted a slightly higher percentage of female candidates, which holds promise for using analytics to unlock a more diverse range of profiles and counter hidden human bias.
As ever more of the analog world gets digitized, our ability to learn from data by developing and testing algorithms will only become more important for what are now seen as traditional businesses. Google chief economist Hal Varian calls this “computer kaizen.” For “just as mass production changed the way products were assembled and continuous improvement changed how manufacturing was done,” he says, “so continuous [and often automatic] experimentation will improve the way we optimize business processes in our organizations.”4
3. What were the early foundations of machine learning?
Machine learning is based on a number of earlier building blocks, starting with classical statistics. Statistical inference does form an important foundation for the current implementations of artificial intelligence. But it’s important to recognize that classical statistical techniques were developed between the 18th and early 20th centuries for much smaller data sets than the ones we now have at our disposal. Machine learning is unconstrained by the preset assumptions of statistics. As a result, it can yield insights that human analysts do not see on their own and make predictions with ever-higher degrees of accuracy.More recently, in the 1930s and 1940s, the pioneers of computing (such as Alan Turing, who had a deep and abiding interest in artificial intelligence) began formulating and tinkering with the basic techniques such as neural networks that make today’s machine learning possible. But those techniques stayed in the laboratory longer than many technologies did and, for the most part, had to await the development and infrastructure of powerful computers, in the late 1970s and early 1980s. That’s probably the starting point for the machine-learning adoption curve. New technologies introduced into modern economies—the steam engine, electricity, the electric motor, and computers, for example—seem to take about 80 years to transition from the laboratory to what you might call cultural invisibility. The computer hasn’t faded from sight just yet, but it’s likely to by 2040. And it probably won’t take much longer for machine learning to recede into the background
[...]
5. What’s the role of top management?
Behavioral change will be critical, and one of top management’s key roles will be to influence and encourage it. Traditional managers, for example, will have to get comfortable with their own variations on A/B testing, the technique digital companies use to see what will and will not appeal to online consumers. Frontline managers, armed with insights from increasingly powerful computers, must learn to make more decisions on their own, with top management setting the overall direction and zeroing in only when exceptions surface. Democratizing the use of analytics—providing the front line with the necessary skills and setting appropriate incentives to encourage data sharing—will require time.C-level officers should think about applied machine learning in three stages: machine learning 1.0, 2.0, and 3.0—or, as we prefer to say, description, prediction, and prescription. They probably don’t need to worry much about the description stage, which most companies have already been through. That was all about collecting data in databases (which had to be invented for the purpose), a development that gave managers new insights into the past. OLAP—online analytical processing—is now pretty routine and well established in most large organizations.
There’s a much more urgent need to embrace the prediction stage, which is happening right now. Today’s cutting-edge technology already allows businesses not only to look at their historical data but also to predict behavior or outcomes in the future—for example, by helping credit-risk officers at banks to assess which customers are most likely to default or by enabling telcos to anticipate which customers are especially prone to “churn” in the near term (exhibit).
Continua aqui
Links
Hong Kong não é China (ilustração)
Ciclista ou artista de circo? (vídeo)
Desenho feito com café derramado
Uma bela propaganda com anagramas
Redes sociais não resolvem os problemas das pessoas socialmente ansiosas
CVM inaugura ambiente virtual para educação financeira
CVM lança concurso de trabalhos científicos sobre mercado de capitais
Auditoria não viu roubo de 1 bilhão da economia da Moldávia
02 julho 2015
Links
Bolsa cria selo de governança para as estatais. Não basta o TCU?
Como as crianças reagem diante um Walkman
Em julgamento do Bookkeeper de Auschwitz (fotografia)
O que ocorre com uma bola de tênis num saque a 230 km/h (vídeo)
Perguntas e respostas do IAASB (auditoria) (em espanhol)
Normas internacionais de auditoria (powerpoint) (espanhol)
01 julho 2015
Congresso
1º Congresso UnB de Contabilidade e Governança
Prezado,
O Departamento de Ciências Contábeis e Atuariais da Universidade de Brasília promoverá, nos dias 26 e 27 de novembro de 2015, o 1º Congresso UnB de Contabilidade e Governança na cidade de Brasília-DF.
A Comissão Organizadora do congresso está empenhada em realizar um evento de alta qualidade nos aspectos acadêmico e de convivência entre os congressistas, e com excelente relação custo versus benefício.
Quanto ao aspecto acadêmico, já estão confirmadas as participações de 4 renomados professores estrangeiros, 2 americanos e 2 europeus, que apresentarão seus papers e discutirão os dos seus respectivos pares, em 4 seções exclusivas, com tradução simultânea para o português. Além das seções exclusivas, haverá a apresentação de 70 outros artigos, em blocos de seções paralelas cobrindo até 9 áreas temáticas.
Pensando também em tornar o congresso um espaço agradável de convivência e confraternização entre os congressistas, programamos ainda um Jantar de Gala e um City Tour pelos principais atrativos turísticos da bela cidade de Brasília.
Dissemos que o congresso terá uma excelente relação custo versus benefício porque o preço para os autores com artigos aprovados para apresentação no congresso será de apenas R$450,00 por pessoa, já incluído nesse preço a participação no Jantar de Gala, mas não no City Tour. Para aqueles que desejarem participar do congresso como ouvintes, sem apresentar trabalhos, o preço será de R$ 150,00, incluído 3 coffee-breaks, excluindo o Jantar de Gala, podendo este e o City Tour serem pagos à parte, se houver interesse.
As inscrições já estão abertas, até 13 de julho, para submissão de artigos, através do e-mail: dtcientifico@ccgunb.org. Orientamos aos autores interessados em submeter trabalhos ao I CCGUnB que a submissão poderá ser efetuada, exclusivamente, para o e-mail dtcientifico@ccgunb.org, em dois arquivos, conforme abaixo:
Arquivo 1:
Título do trabalho
Autores/Instituição de vínculo dos autores
Resumo/Abstract do trabalho (até 15 linhas). O abstract, para trabalhos em português, é opcional.
Método da Pesquisa: informar o método (apenas 1), dentre os 8 a seguir, que mais se relaciona com a pesquisa: MET1 – Analítico/Modelagem; MET2 – Estudo de Caso/Campo; MET3 – Empírico/Banco de Dados; MET4 – Experimental/Quase-Experimental; MET5 – Histórica; MET6 – Crítico/Interdisciplinar; MET7 – Orientado ao Mercado; MET8 – Survey/Levantamento
Área de Conhecimento da Pesquisa: informar apenas uma, dentre as 9 áreas a seguir: AT1 – Auditoria e Perícia; AT2 – Educação e Pesquisa em Contabilidade; AT3 – Contabilidade Financeira e Finanças; AT4 – Contabilidade e Governança; AT5 – Contabilidade e Sistemas de Informações; AT6 – Contabilidade Gerencial; AT7 – Contabilidade do Setor Público; AT8 – Contabilidade Socioambiental; AT9 – Contabilidade e Tributação .
Arquivo 2:Arquivo com o trabalho, sem o nome dos autores, incluindo:
Título do trabalho
Resumo/Abstract (o abstract, para trabalhos em português, é facultativo)
Corpo completo do trabalho, incluindo suas seções constitutivas, referências bibliográficas e anexos/apêndices, se houver.
E para os participantes que não apresentarão trabalhos, já podem realizar suas inscrições. Mais informações sobre o evento podem ser consultadas por meio do sítio eletrônico http://www.ccgunb.org, onde há também um link para o sistema de inscrições.
Desde já, agradecemos a consideração de V. Sa. e permanecemos à disposição para quaisquer outros esclarecimentos que se fizerem necessários. Solicitamos, por gentileza, a divulgação deste evento e contamos com a participação de todos para o engrandecimento do 1º Congresso UnB de Contabilidade e Governança.
Saudações acadêmicas!
Prof. Dr. Paulo Roberto Barbosa Lustosa
Diretor-Geral
Profª Drª Ducineli Régis Botelho
Diretora Técnico-Científica
Prezado,
O Departamento de Ciências Contábeis e Atuariais da Universidade de Brasília promoverá, nos dias 26 e 27 de novembro de 2015, o 1º Congresso UnB de Contabilidade e Governança na cidade de Brasília-DF.
A Comissão Organizadora do congresso está empenhada em realizar um evento de alta qualidade nos aspectos acadêmico e de convivência entre os congressistas, e com excelente relação custo versus benefício.
Quanto ao aspecto acadêmico, já estão confirmadas as participações de 4 renomados professores estrangeiros, 2 americanos e 2 europeus, que apresentarão seus papers e discutirão os dos seus respectivos pares, em 4 seções exclusivas, com tradução simultânea para o português. Além das seções exclusivas, haverá a apresentação de 70 outros artigos, em blocos de seções paralelas cobrindo até 9 áreas temáticas.
Pensando também em tornar o congresso um espaço agradável de convivência e confraternização entre os congressistas, programamos ainda um Jantar de Gala e um City Tour pelos principais atrativos turísticos da bela cidade de Brasília.
Dissemos que o congresso terá uma excelente relação custo versus benefício porque o preço para os autores com artigos aprovados para apresentação no congresso será de apenas R$450,00 por pessoa, já incluído nesse preço a participação no Jantar de Gala, mas não no City Tour. Para aqueles que desejarem participar do congresso como ouvintes, sem apresentar trabalhos, o preço será de R$ 150,00, incluído 3 coffee-breaks, excluindo o Jantar de Gala, podendo este e o City Tour serem pagos à parte, se houver interesse.
As inscrições já estão abertas, até 13 de julho, para submissão de artigos, através do e-mail: dtcientifico@ccgunb.org. Orientamos aos autores interessados em submeter trabalhos ao I CCGUnB que a submissão poderá ser efetuada, exclusivamente, para o e-mail dtcientifico@ccgunb.org, em dois arquivos, conforme abaixo:
Arquivo 1:
Título do trabalho
Autores/Instituição de vínculo dos autores
Resumo/Abstract do trabalho (até 15 linhas). O abstract, para trabalhos em português, é opcional.
Método da Pesquisa: informar o método (apenas 1), dentre os 8 a seguir, que mais se relaciona com a pesquisa: MET1 – Analítico/Modelagem; MET2 – Estudo de Caso/Campo; MET3 – Empírico/Banco de Dados; MET4 – Experimental/Quase-Experimental; MET5 – Histórica; MET6 – Crítico/Interdisciplinar; MET7 – Orientado ao Mercado; MET8 – Survey/Levantamento
Área de Conhecimento da Pesquisa: informar apenas uma, dentre as 9 áreas a seguir: AT1 – Auditoria e Perícia; AT2 – Educação e Pesquisa em Contabilidade; AT3 – Contabilidade Financeira e Finanças; AT4 – Contabilidade e Governança; AT5 – Contabilidade e Sistemas de Informações; AT6 – Contabilidade Gerencial; AT7 – Contabilidade do Setor Público; AT8 – Contabilidade Socioambiental; AT9 – Contabilidade e Tributação .
Arquivo 2:Arquivo com o trabalho, sem o nome dos autores, incluindo:
Título do trabalho
Resumo/Abstract (o abstract, para trabalhos em português, é facultativo)
Corpo completo do trabalho, incluindo suas seções constitutivas, referências bibliográficas e anexos/apêndices, se houver.
E para os participantes que não apresentarão trabalhos, já podem realizar suas inscrições. Mais informações sobre o evento podem ser consultadas por meio do sítio eletrônico http://www.ccgunb.org, onde há também um link para o sistema de inscrições.
Desde já, agradecemos a consideração de V. Sa. e permanecemos à disposição para quaisquer outros esclarecimentos que se fizerem necessários. Solicitamos, por gentileza, a divulgação deste evento e contamos com a participação de todos para o engrandecimento do 1º Congresso UnB de Contabilidade e Governança.
Saudações acadêmicas!
Prof. Dr. Paulo Roberto Barbosa Lustosa
Diretor-Geral
Profª Drª Ducineli Régis Botelho
Diretora Técnico-Científica
Links
Elasticidade do crime ou como o crime responde a mudança nos preços
A fórmula matemática que revela o segredo da relação (ilustração)
Um algoritmo para dizer se você está bem vestido
A melhor maneira de aprender outra língua é falando com outro ser humano
Análise de balanços descobre uma empresa fantasma
Descontos no Outlets são uma forma de fraude? (em geral os produtos vendidos nestes estabelecimentos possuem qualidade pior, feito sob encomenda das grandes marcas)
Empresas cortam notas explicativas (via aqui)
30 junho 2015
Aprendendo as licoes da estagnacao
[...]
Now the good times are over. Latin America’s economy is screeching to a halt; it managed growth of just 1.3% last year. This year’s figure will be only 0.9%, reckons the IMF, which would mark the fifth successive year of deceleration (see chart 1). Not only has this surprised most forecasters, but Latin America has slowed more than any other emerging region. Many reckon it now faces a “new normal” of growth of just 2-3% a year. That would jeopardise recent social gains; already the fall in poverty has halted.
So what has gone wrong? Did Latin America squander its boom? An immediate explanation for the slowdown is the fall in the region’s terms of trade—the ratio of the price of its exports to the price of its imports. Having risen threefold between 2003 and 2011, commodity prices fell somewhat thereafter before plunging sharply last year. Since 2011 investment in the region’s economies has slowed; the IMF finds that it is closely correlated with commodity prices. Financial markets have responded accordingly, with the region’s main currencies depreciating by an average of 20% against the dollar since mid-2014 and most stockmarkets in the doldrums. The impending hike in the United States Federal Reserve’s policy rate will raise borrowing costs.
[...]
Fonte: aqui
Débitos e Créditos
As planilhas em poder do Ministério Público demonstram que os repasses eram cuidadosamente contabilizados pelo empreiteiro, como se fosse uma conta-corrente. Havia a coluna dos "créditos" que o tesoureiro recebia como propina das obras da Petrobras e a dos "débitos" com a deduções de pagamentos solicitados por Vaccari [tesoureiro do PT] ou pelo PT (...) (Propina de 15 milhões, Veja, 1 de julho de 2015, p 45)
29 junho 2015
Finanças Pessoais: Não Faça Compras em Conjunto
A ideia original é reunir mais de uma pessoa para efetuar compras, particularmente nos atacadistas. Duas ou mais pessoas poderia adquirir uma caixa de sabonetes, com valor unitário menor que uma compra isolada. Assim, ir a um grande atacadista poderia ajudar na economia já que haveria esta divisão nos custos.
Mas esta é uma péssima recomendação. Em primeiro lugar, provavelmente haveria uma grande dificuldade de encontrar as pessoas com quem dividir suas compras. Mesmo que você consiga encontrar alguém que tenha a mesma predileção pelo sabonete Y em barra, provavelmente esta pessoa não tem a mesma opção pelo alvejante X, de 500 ml, que você gosta.
Outro motivo para evitar fazer compras com alguém é o efeito que isto pode ter no seu carrinho. As pessoas observam bastante o que ocorre com seus colegas. Se um conhecido compra um produto supérfluo, as chances que você também compre aumentam. Isto é do comportamento humano. Um amigo pode induzi-lo a adquirir um vinho, quando você não aprecia este tipo de bebida; ou você compra o produto para impressioná-lo.
A presença de um conhecido fazendo compras com você pode aumentar o tempo que você passa no comércio. E mais tempo significa mais compras. Imagine que você geralmente faça suas compras em uma hora; mas sua companhia leva duas horas. O que você irá fazer neste período de tempo? Muito provavelmente consumir mais.
Assim, faça as compras só. E leve uma lista e siga rigorosamente o que esta nesta lista.
28 junho 2015
História da Contabilidade: Burnier 2
Miguel Noel Burnier, o segundo grande nome da história da contabilidade brasileira (1), nasceu em Chambéry (2) [uma cidade com menos de 60 mil habitantes, situada em Saboia (3)] em 25 de dezembro de 1811. Quando jovem recebeu educação dos jesuítas e se formou em direito, na Universidade da França. Em 1837, com 26 anos, visitou o Brasil. Aqui casou-se com uma nativa e teve duas filhas.
Em 1840 já escrevia regularmente para o jornal "O Despertador", época em que também publicou alguns artigos na área de negócios. Com isso decidiu também lançar o primeiro livro sobre o assunto escrito em língua portuguesa e publicado no Brasil: Elementos de contabilidade comercial. A obra, na verdade, era composta por dois volumes. O primeiro recebeu a denominação de "Escripturação em partidas singelas" e o segundo tinha o título de "Taboas e cálculos antecipados", este mais voltado a questão cambial. O primeiro volume era considerado mais “teórico” e o segundo “prático” (4).
Nos anos seguintes continuou escrevendo em diversos jornais, tendo passado pelo Despertador, Mercantil, Diario do Rio de Janeiro, Nouvelliste e Jornal do Commercio (5). Faleceu em 23 de fevereiro de 1848, no Rio de Janeiro, com 37 anos. Apesar de francês de nascimento, era considerado um excelente escritor em português.
A história acima é irônica por três motivos. Primeiro lugar, quis o destino que a primeira obra de contabilidade brasileira fosse redigida por um francês (6). Segundo, o livro ensina a partidas simples, não o método de Luca Pacioli. Finalmente, Bournier ficou esquecido na página da história da contabilidade brasileira, incluindo sua obra, que não consegui encontrar.
(1) O primeiro foi Manoel José de Mello
(2) As informações foram obtidas nos jornais da época, que deram bastante destaque ao falecimento de Burnier. Em especial a edição do LE Nouvelliste, 29 de fevereiro de 1848, edição 580, p. 1 e Correio da Tarde, 24 fev de 1848, ed 43, p. 4.
(3) Conforme https://pt.wikipedia.org/wiki/Chamb%C3%A9ry
(4) O Despertador, 21 de fev de 1840, p 4
(5) Neste jornal escrevia com o pseudônimo de “Z”, cujos artigos eram conhecidos. Mas aparentemente Burnier não era bem quisto no Jornal do Commércio, já que escrevia no concorrente O Despertador. No falecimento de Burnier, este Jornal foi acusado de não publicar nenhuma notícia sobre o assunto. Vide MOLINA, Matias. História dos Jornais no Brasil. Companhia das Letras. E um artigo anônimo publicado no Correio Mercantil, 1 de março de 1848, n. 60, volume V, p. 2, com o título Ex Digito Gigas.
(6) Isto só vem confirmar a necessidade de um estudo sobre o papel do imigrante no desenvolvimento da contabilidade brasileira. Muitos deles desconhecidos, como Stanislaw Kruzynski
27 junho 2015
Fato da Semana: De Volta a Prancheta (semana 25 de 2015)
Qual a relevância disto? Quando a ideia da convergência era forte nos mercados de capitais mais desenvolvidos, o Iasb e Fasb decidiram que ambos deveriam estudar alguns temas básicos, entre eles o reconhecimento da receita. Depois de anos de discussão, as entidades chegaram a um acordo e aprovaram uma norma neste sentido. Mas a norma era muito complexa, o que exigiu uma postergação do prazo de início de validade. Mais ainda, era insuficiente e, nesta semana, reconheceram a necessidade de mais normas.
Positivo ou Negativo – Mais normas? Negativo.
Desdobramentos – Esta discussão vai longe. E pode levantar questionamentos sobre a norma anteriormente aprovada.
Assinar:
Comentários (Atom)
Postagens
