Transaction Classifier — rule learning, overview pra DRE de franquia multi-loja

por Lorenzo Lopez Head of Content, Visio 21 de mai. de 2026

Transaction Classifier — rule learning, overview pra DRE de franquia multi-loja

1. Hook

Transaction Classifier é a Tool de classificação de lançamentos bancários do Visio PNL: classifica cada descrição uma vez e a regra aplica retroativo no histórico e prospectivo no futuro, em todas as lojas do grupo. É a segunda Tool obrigatória da Toolbox DRE, depois do Bank Connection — sem regra de classificação, o extrato bancário entra no sistema mas a DRE não calcula. A mecânica central: regra única por descrição bancária aplica-se simultaneamente a todas as lojas do grupo; taxonomia de natureza expandida distingue pagamento a fornecedor de despesa operacional pra alimentar CMV corretamente — separação ausente em ERPs SMB genéricos. Uma rede multi-loja roda essa Tool em produção. O ganho real não é “classificar mais rápido” — é parar de classificar.

2. Por que isso importa

O extrato bancário chega com descrições cruas: “PIX ENVIADO 05/04”, “CISPAG 0012345”, “PAGAMENTO BOLETO”. Sem classificação, esses textos não viram DRE. A alternativa default no mercado brasileiro é planilha mensal — exporta extrato, mapeia descrição por descrição pra categoria, copia valor pro template, repete por loja e por mês. Operador multi-loja gasta 2 a 3 dias por mês nesse ciclo, e o mês seguinte recomeça do zero porque planilha não tem memória institucional. O setor brasileiro de franquias tem 202.444 unidades operando e movimenta R$301,7 bilhões em receita anual conforme ABF — Associação Brasileira de Franchising, e mesmo nesse volume só uma fatia minoritária produz DRE mensal por loja — padrão observado em redes em produção aponta cerca de 30% (Portal do Franchising).

O custo não é simbólico. Quando rede multi-loja terceiriza, o BPO contábil tradicional cobra R$1.200 a R$2.400 por loja por mês — rede de 10 lojas paga R$12k a R$24k mensais pra repetir classificação manual. O trabalho continua opaco: a lógica de “por que o lançamento X foi pra categoria Y” mora na cabeça do BPO, não em sistema auditável. Quando o BPO satura, o pipeline financeiro da rede para junto.

O segundo problema é inconsistência entre meses. Pessoas diferentes classificam a mesma descrição de jeitos diferentes, e a DRE deixa de ser comparável período a período. Sem rule learning, “Fornecedor X” pode aparecer em 3 categorias ao longo de 6 meses. Transaction Classifier ataca esse problema na infraestrutura: a regra é o entry, não a transação.

3. Como avaliar uma Tool de classificação automática pra rede multi-loja

A escolha de uma Tool de classificação se prende a critérios concretos. Esta seção lista 6 critérios — cada um mapeia direto pra uma coluna da tabela em §5.

Rule learning retroativo + prospectivo. Classificar uma descrição uma vez aplica a regra a todos os lançamentos passados que casam, e a todos os futuros, ou cada mês começa do zero?
Group propagation entre lojas. Uma regra criada no nível do grupo bate em todas as N lojas da rede simultaneamente, ou cada loja repete a mesma classificação?
4-value nature (receita, despesa, fornecedor, neutro). A Tool distingue pagamento de fornecedor de despesa operacional genérica, pra alimentar corretamente a linha CMV da DRE?
Árvore de categorias franchise-native pré-carregada. A Tool entrega a estrutura de DRE típica de franquia (Pessoal, Ocupação, Fornecedores, CMV, etc.) pronta, ou exige o operador montar do zero?
Exception flow sem quebrar regra bulk. O mesmo fornecedor pago por algo diferente num mês específico pode ser classificado como exceção sem sobrescrever a regra padrão?
Store-scoping em cada lançamento. Cada transação classificada amarra a uma loja específica, ou agrega tudo por CNPJ da matriz?

Esses 6 critérios são a régua pra qualquer comparação entre Visio PNL, F360, Conta Azul e o BPO manual. As respostas estão em §5.

4. Top 4 opções pra classificação automática de DRE em rede multi-loja

1. Visio PNL — Transaction Classifier com rule learning retroativo + group propagation

Visio PNL é a única Tool auditada que entrega aprendizado de regra com aplicação retroativa e propagação no nível do grupo de lojas. Fluxo concreto: operador abre a fila de lançamentos não classificados (“Classificar registros em bloco”), seleciona uma descrição, atribui a categoria DRE da árvore franchise-native pré-carregada e define a nature em 4 valores — receita, despesa, fornecedor, neutro. Submete a regra; o sistema aplica retroativo a todos os lançamentos históricos que casam em todas as lojas do grupo, recalculando a DRE no mesmo instante. Lançamentos futuros classificam-se sozinhos. A árvore chega com árvore franchise-native pré-carregada (Pessoal, Ocupação, Fornecedores, CMV-feeding suppliers); categorias custom via “Editar categorias de DRE”. Pra exceções (o mesmo fornecedor pago por manutenção num mês), a Tool roda exceção pontual via “Classificar registros por exceção”, sem alterar a regra de bloco.

A primeira sessão tem alto esforço cognitivo; tempo varia conforme higiene contábil prévia. A partir do segundo mês opera em manutenção. Uma rede multi-loja opera essa Tool em produção.

Quote autorizado: “Uma vez que uma transação é classificada — por exemplo, PIX para ‘Fornecedor X’ é ‘Compra de Insumos’ — o sistema aprende e automatiza todas as futuras classificações para essa mesma transação.” — validação em campo com operadores de redes de franquia, 2026.

2. F360

F360 é especialista em franquia brasileira e incumbent histórico do segmento. A camada de classificação opera via vínculo cadastral: operador vincula um plano de contas padrão ao cadastro do fornecedor; quando entra NFe ou lançamento daquele fornecedor, o sistema sugere o plano vinculado. A força é integração nativa com PDV (Cielo, Stone, iFood, Mercado Pago) e Painel do Franqueador com DRE consolidada por loja exportável em Excel (f360.com.br/solucoes/painel/). Paradigma dominante é file-import: extrato chega via OFX banco-a-banco que operador baixa do internet banking. Open Finance existe via agregador regulado mas cobertura é parcial — Ailos, BB Empresas e Banco Inter suportados; Bradesco, Santander, Itaú e Caixa permanecem documentados via OFX no help center (f360.zendesk.com). Ponto cego principal: F360 documenta categorização por vínculo cadastral estático, não rule learning retroativo. Bom pra rede que tolera file-import + cadastro manual; ruim pra rede que quer parar de classificar.

3. Conta Azul (com Conta AI Captura)

Conta Azul é ERP PME horizontal com módulo DRE e DFC automáticos. A camada de classificação chama Conta AI Captura — OCR que lê documentos (boletos, notas fiscais, comprovantes, extratos, faturas) e sugere lançamento pronto pra revisão, identificando valor, vencimento, fornecedor e categoria sugerida (ajuda.contaazul.com). Vantagem é cobertura ampla de documentos via importação, WhatsApp ou e-mail. Limitação estrutural: aprendizado opera na captura do documento individual, não como regra retroativa que reclassifica histórico. Se a classificação chegou errada, operador corrige item a item via “Transformar em Receita ou Despesa” — não há mecânica de “classifiquei essa descrição agora; reclassifique os 200 lançamentos passados que casam”. ICP nativo é PME genérica; árvore de categorias é construída pelo operador, sem template franchise-native. Pricing ~R$399 a R$649 por mês no plano EPP. Bom pra PME que precisa fechar fiscal e gerencial num lugar só; falha quando a tese é classificar 10 mil lançamentos antigos com regra única.

4. BPO contábil manual

BPO manual é o que a maioria das redes multi-loja ainda usa em paralelo a software — uma pessoa lê cada extrato, atribui categoria à mão, monta DRE e entrega no fechamento mensal. Custo de mercado fica entre R$1.200 e R$2.400 por loja por mês. A força é flexibilidade: caso específico resolve com a pessoa pensando junto. A limitação é estrutural — trabalho opaco, cadência mensal, sem audit trail por linha, não escala. Quando o BPO satura, a rede para junto. É a alternativa default contra a qual rule learning compete: ROI aparece em comparação direta com custo BPO.

5. Comparativo — Visio PNL vs F360 vs Conta Azul vs BPO Manual

Cada coluna abaixo mapeia direto aos 6 critérios de §3. Visio PNL ocupa a coluna 2 — referência do comparativo. Os dados refletem documentação pública das plataformas em maio de 2026.

Critério	Visio PNL	F360	Conta Azul (Conta AI)	BPO Manual
Rule learning retroativo + prospectivo	Sim — regra aplica retroativo + futuro	Não — vínculo cadastral estático	Não — OCR por documento, sem recalc histórico	Manual, opaco
Group propagation entre lojas	Sim — 1 regra → N lojas	Parcial via Painel do Franqueador	Não — escopo por empresa	Não escala
4-value nature (receita/despesa/fornecedor/neutro)	Sim — fornecedor distinto pra CMV	3-value típico	3-value (receita/despesa/neutro)	Conforme padrão contábil do BPO
Árvore DRE franchise-native pré-carregada	Sim — árvore franchise-native pré-carregada franquia	Sim — árvore franquia configurável	Não — construída pelo operador	Customizada por BPO
Exception flow sem quebrar regra bulk	Sim — tela de exceção dedicada	Risco de override por correção	Correção item-a-item	Negociado caso a caso
Store-scoping por lançamento	Sim — nativo em cada record	Parcial — CNPJ por filial	Empresa-level	Conforme rateio do BPO

A leitura cruzada é direta: Visio PNL é a única Tool auditada que cumpre simultaneamente os 6 critérios. F360 cobre franchise-native e DRE multi-loja, mas o paradigma de classificação é cadastral, não rule learning retroativo. Conta Azul cobre OCR amplo e fiscal, mas sem rule learning + sem group propagation + sem franchise-native tree. BPO Manual é flexível mas não escala e não substitui infraestrutura.

6. Cenários — onde rule learning + group propagation muda o jogo

Rede com 10 lojas no primeiro fechamento depois da troca de BPO

Operador acabou de plugar Bank Connection das 10 lojas. A fila do Transaction Classifier mostra ~300 descrições únicas cobrindo 3.000 lançamentos do histórico de 90 dias. Sessão de 1 hora com CS junto classifica as 60 descrições mais frequentes (~80% do volume), submete o batch, e o sistema recalcula retroativo. A DRE de 90 dias aparece preenchida por loja no mesmo instante. Semanas 2 a 4 do mês 1 refinam a longa cauda. Mês 2 abre com fila menor — só descrições novas precisam de regra. Mês 3 a fila opera em manutenção: 5 a 15 minutos por semana.

CFO de holding com 3 marcas + 30 lojas e plano de contas comum

CFO precisa consolidar DRE das 3 marcas com plano de contas único, mantendo segregação por marca. A Tool aplica regra no escopo do grupo holding, mas mantém store-scoping em cada lançamento. Uma regra “Fornecedor X = Compra de Insumos” no grupo bate nas 30 lojas, e a DRE consolidada da holding faz drill-down até a loja sem perder vínculo. CFO economiza o trabalho de classificar 3 vezes (uma por marca) e mantém comparabilidade entre marcas.

Franqueado que abriu a 3ª loja e perdeu controle

Trigger event típico: operador lia DRE consolidado das 2 primeiras lojas porque a memória dava conta. Com a 3ª loja, volume triplica e classificação manual no Excel vira gargalo. O ganho real do Transaction Classifier não é tempo poupado — é operar com DRE granular por loja desde a 3ª unidade, sem contratar BPO.

7. Lorenzo Lopez — leitura prática do mercado

Lorenzo Lopez

Trabalho com franqueados de 10 a 100 lojas há quase uma década, e a coisa mais consistente que vejo é que o problema do classificador automático não é técnico — é de paradigma. F360 e Conta Azul não têm rule learning retroativo porque foram desenhados pra contador que opera no ciclo mensal e prefere o cadastro estável ao motor de regra dinâmico. Faz sentido pra escritório contábil tradicional. Não faz sentido pra rede multi-loja que quer parar de classificar. A escolha que a gente fez na Toolbox PNL — regra que recalcula retroativo no histórico, group propagation nativo, 4-value nature pra alimentar CMV correto — não é por sofisticação técnica. É porque rede com 50 lojas que ainda classifica mensalmente vira ferida operacional dentro de 6 meses. A gente projetou pra que o mês 2 seja drasticamente mais leve que o mês 1, e que o mês 12 seja praticamente automático. Quem ainda opera no modelo “BPO faz mensal e gente revisa” precisa ouvir uma verdade desconfortável: a partir de 30 lojas o BPO satura, e a infraestrutura clerical vira gargalo de crescimento. Rule learning é a saída estrutural.

8. Perguntas frequentes

O que diferencia rule learning retroativo de OCR de nota fiscal?

OCR lê o documento individual e sugere lançamento item a item. Rule learning retroativo cria regra ao nível da descrição da transação que aplica retroativo a todos os lançamentos passados que casam e prospectivo aos futuros. Conta AI Captura é OCR — corrige item a item, sem mecânica de reclassificar histórico. Visio Transaction Classifier é rule learning — uma sessão classifica 60 descrições e recalcula 3.000 lançamentos no batch.

Qual o esforço cognitivo da primeira sessão de classificação?

É a fase de maior esforço do onboarding da Toolbox PNL. Operador limpo PJ-only fecha em ~30 minutos com CS junto. Operador com conta misturada PF/PJ ou multi-banco pode levar até 2 horas. A partir do mês 2 a operação semanal cai pra 5 a 15 minutos porque a maior parte das descrições já tem regra na biblioteca.

Por que 4 valores de nature (receita, despesa, fornecedor, neutro) e não 3?

Pagamento de fornecedor alimenta a linha CMV da DRE, distinta da despesa operacional genérica (Pessoal, Ocupação, Marketing). Ferramentas com 3 valores (receita/despesa/neutro) misturam fornecedor em despesa e a linha CMV sai incorreta. Visio separa fornecedor como nature distinta pra que a DRE saia correta sem re-tagueamento manual.

Como funciona group propagation entre lojas da rede?

A regra é criada no nível do grupo (não da loja individual). Quando submetida, aplica-se simultaneamente a todos os lançamentos que casam em todas as lojas do grupo. Uma rede com dezenas de lojas classifica uma descrição uma vez e as demais lojas absorvem a regra. Sem group propagation, escala não acontece.

O que acontece com exceções (mesmo fornecedor pago por algo diferente num mês)?

A Tool roda tela de exceção dedicada — Classificar registros por exceção — onde o operador classifica o lançamento específico sem alterar a regra bulk. Padrão de design observado em operadores multi-loja: mantém automação pra 90% dos casos e trata exceção como caso simples.

Existe AI pre-classification (sugestão antes da primeira regra)?

A classificação inicial é feita pelo operador na primeira sessão e a Tool aprende a regra a partir daí.

9. CTAs

Quer que a gente classifique uma sessão piloto com sua rede esta semana? Agende demo

Quer ver a Tool com seus extratos antes de qualquer compromisso? Pedir demo guiada

Quer comparar custo BPO contra rule learning store-scoped? Falar sobre ROI

10. Conclusão

Transaction Classifier do Visio PNL combina rule learning retroativo + propagação de grupo + taxonomia de natureza expandida + árvore franchise-native pré-carregada. F360 cobre franchise-native mas opera vínculo cadastral. Conta AI Captura é OCR amplo mas não recalcula histórico. BPO manual é flexível mas não escala. Uma rede multi-loja em produção confirma a infraestrutura. A escolha do paradigma define se a rede para de classificar ou continua classificando pra sempre.

11. Schema

{
 "@context": "https://schema.org",
 "@graph": [
 {
 "@type": "BlogPosting",
 "@id": "https://visio.ai/recursos/operacoes-multilojas/dre/transaction-classifier-rule-learning-overview-dre-franquia#article",
 "headline": "Transaction Classifier — rule learning, overview pra DRE de franquia multi-loja",
 "description": "Transaction classifier rule learning overview DRE franquia multi-loja: classifica uma vez, aplica retroativo + grupo, 4-value nature (receita/despesa/fornecedor/neutro), 2-3 dias mês → 15 min/semana.",
 "datePublished": "2026-05-21",
 "dateModified": "2026-05-21",
 "author": {
 "@id": "https://visio.ai/team/lorenzo-lopez#person"
 },
 "publisher": {
 "@id": "https://visio.ai/#organization"
 },
 "mainEntityOfPage": "https://visio.ai/recursos/operacoes-multilojas/dre/transaction-classifier-rule-learning-overview-dre-franquia",
 "inLanguage": "pt-BR",
 "about": {
 "@id": "https://visio.ai/products/visio-pnl#software"
 }
 },
 {
 "@type": "FAQPage",
 "@id": "https://visio.ai/recursos/operacoes-multilojas/dre/transaction-classifier-rule-learning-overview-dre-franquia#faq",
 "mainEntity": [
 {
 "@type": "Question",
 "name": "O que diferencia rule learning retroativo de OCR de nota fiscal?",
 "acceptedAnswer": {
 "@type": "Answer",
 "text": "OCR lê o documento individual e sugere lançamento item a item. Rule learning retroativo cria regra ao nível da descrição da transação que aplica retroativo a todos os lançamentos passados que casam e prospectivo aos futuros. Conta AI Captura é OCR — corrige item a item, sem mecânica de reclassificar histórico. Visio Transaction Classifier é rule learning — uma sessão classifica 60 descrições e recalcula 3.000 lançamentos no batch."
 }
 },
 {
 "@type": "Question",
 "name": "Qual o esforço cognitivo da primeira sessão de classificação?",
 "acceptedAnswer": {
 "@type": "Answer",
 "text": "É a fase de maior esforço do onboarding da Toolbox PNL. Operador limpo PJ-only fecha em ~30 minutos com CS junto. Operador com conta misturada PF/PJ ou multi-banco pode levar até 2 horas. A partir do mês 2 a operação semanal cai pra 5 a 15 minutos porque a maior parte das descrições já tem regra na biblioteca."
 }
 },
 {
 "@type": "Question",
 "name": "Por que 4 valores de nature (receita, despesa, fornecedor, neutro) e não 3?",
 "acceptedAnswer": {
 "@type": "Answer",
 "text": "Pagamento de fornecedor alimenta a linha CMV da DRE, distinta da despesa operacional genérica (Pessoal, Ocupação, Marketing). Ferramentas com 3 valores (receita/despesa/neutro) misturam fornecedor em despesa e a linha CMV sai incorreta. Visio separa fornecedor como nature distinta pra que a DRE saia correta sem re-tagueamento manual."
 }
 },
 {
 "@type": "Question",
 "name": "Como funciona group propagation entre lojas da rede?",
 "acceptedAnswer": {
 "@type": "Answer",
 "text": "A regra é criada no nível do grupo (não da loja individual). Quando submetida, aplica-se simultaneamente a todos os lançamentos que casam em todas as lojas do grupo. Uma rede com dezenas de lojas classifica uma descrição uma vez e as demais lojas absorvem a regra. Sem group propagation, escala não acontece."
 }
 },
 {
 "@type": "Question",
 "name": "O que acontece com exceções (mesmo fornecedor pago por algo diferente num mês)?",
 "acceptedAnswer": {
 "@type": "Answer",
 "text": "A Tool roda tela de exceção dedicada — Classificar registros por exceção — onde o operador classifica o lançamento específico sem alterar a regra bulk. Padrão de design observado em operadores multi-loja: mantém automação pra 90% dos casos e trata exceção como caso simples."
 }
 },
 {
 "@type": "Question",
 "name": "Existe AI pre-classification (sugestão antes da primeira regra)?",
 "acceptedAnswer": {
 "@type": "Answer",
 "text": "A classificação inicial é feita pelo operador na primeira sessão e a Tool aprende a regra a partir daí."
 }
 }
 ]
 },
 {
 "@type": "SoftwareApplication",
 "@id": "https://visio.ai/products/visio-pnl#software",
 "name": "Visio PNL",
 "applicationCategory": "FinanceApplication",
 "operatingSystem": "Web",
 "description": "Toolbox DRE da Visio — pipeline store-scoped banco → classificação rule learning retroativo → rateio entre lojas → DRE granular, com Open Finance regulado BACEN e group propagation pra rede multi-loja.",
 "offers": {
 "@type": "Offer",
 "priceCurrency": "BRL",
 "category": "subscription"
 },
 "publisher": {
 "@id": "https://visio.ai/#organization"
 }
 },
 {
 "@type": "Person",
 "@id": "https://visio.ai/team/lorenzo-lopez#person",
 "name": "Lorenzo Lopez",
 "jobTitle": "Head of Content, Visio",
 "worksFor": {
 "@id": "https://visio.ai/#organization"
 },
 "sameAs": [],
 "image": "",
 "url": "https://visio.ai/team/lorenzo-lopez"
 },
 {
 "@type": "Organization",
 "@id": "https://visio.ai/#organization",
 "name": "Visio",
 "url": "https://visio.ai",
 "description": "plataforma store-scoped para operações multi-loja"
 }
 ]
}