A indústria de óleo e gás, com sua dependência de combustíveis fósseis, enfrenta desafios na perfuração de poços, onde a contaminação do óleo por fluidos de perfuração é um problema crítico. Métodos matemáticos existentes para descontaminação mostraram-se limitados a baixos níveis de contaminação (

Palavras-chave: Aprendizado Supervisionado; Descontaminação; Exploração; Óleo Contaminado; Produção.

O parcelamento de débitos tributários constitui um instrumento relevante de recuperação fiscal, permitindo que contribuintes regularizem suas obrigações de forma parcelada, ao mesmo tempo em que expõe a administração tributária ao risco de cancelamento por inadimplência. O objetivo foi desenvolver e avaliar modelos de machine learning para a predição de cancelamento de parcelamentos de ICMS, visando subsidiar estratégias proativas de cobrança. Utilizou-se uma base de dados de parcelamentos históricos da Secretaria da Economia do Estado de Goiás. Foram treinados e comparados os algoritmos Árvore de Decisão, Random Forest e XGBoost, com otimização de hiperparâmetros via GridSearchCV e avaliação por matrizes de confusão e curvas ROC. O XGBoost apresentou desempenho superior, com AUC de 0,869 no modelo que incluiu a variável Quantidade de Parcelas e 0,778 sem ela, evidenciando a centralidade dessa feature. Aplicado à carteira ativa de R$ 2,752 bilhões, o modelo identificou que 92,9% do valor total apresentou risco de cancelamento igual ou superior a 50%, com R$ 1,488 bilhão concentrado em parcelamentos de risco extremo, resultado consistente com o comportamento histórico de cancelamentos nas fases iniciais dos acordos. Os resultados demonstraram que a adoção de modelos preditivos na gestão de parcelamentos tributários possibilita a transição de uma postura reativa para uma abordagem preventiva, com potencial de ampliar substantivamente a recuperação fiscal.

Palavras-chave: Administração tributária; Aprendizado de máquina; Classificação binária; Recuperação fiscal; XGBoost.

A capacidade de prever o volume futuro de concessões de crédito rural é essencial para a alocação eficiente de recursos e definição de metas de desembolso. O trabalho teve como objetivo desenvolver uma plataforma interativa web para gerar, analisar e comparar modelos preditivos de séries temporais de concessões de crédito rural, abrangendo o período de março de 2011 a janeiro de 2026. Confrontaram-se técnicas de econometria (ARIMA, SARIMA, SARIMAX) e regressão linear com métodos de machine learning (Random Forest, XGBoost). A metodologia incluiu a coleta de dados mensais de concessões de crédito rural, variáveis macroeconômicas e indicadores de commodities agrícolas, seguida de análise exploratória e desenvolvimento da plataforma em arquitetura cliente-servidor com Python e tecnologias web. A aplicação da plataforma à previsão de crédito rural em três cenários (total, pessoa física e pessoa jurídica), avaliada por validação cruzada temporal, revelou que nenhuma técnica se mostrou universalmente superior. Os modelos de regressão linear com defasagem sazonal apresentaram os resultados mais consistentes ao longo de todos os folds, mantendo desempenho estável mesmo em períodos de mudança de patamar, nos quais os algoritmos de árvore de decisão registraram forte degradação. O cenário de pessoa jurídica apresentou baixa previsibilidade em todos os modelos. Os resultados demonstraram que a plataforma cumpriu seu objetivo, revelando que a complexidade algorítmica não garante superioridade preditiva e que a escolha do modelo deve ser guiada pelas características da série e pelo contexto de aplicação.

Palavras-chave: Agronegócio; Forecasting; Machine learning; Modelagem preditiva; Séries temporais.

Festivais de música consolidaram-se como ecossistemas complexos de experiência, nos quais a convergência entre entretenimento físico e narrativas digitais redefine as estratégias de posicionamento de marca. No cenário pós-pandemia, o setor de eventos apresentou uma retomada expressiva, estabelecendo-se como plataforma estratégica para o engajamento com a Geração Z, público que prioriza a autenticidade e a vivência de experiências compartilhadas em detrimento de formatos de publicidade tradicional. O estudo objetivou analisar de que forma as ativações de marca nesses ambientes impactaram o engajamento dos consumidores nascidos entre 1995 e 2010. A metodologia caracterizou-se por uma pesquisa quantitativa e descritiva, realizada por meio da aplicação de um questionário estruturado que obteve a participação de 163 respondentes. Os resultados demonstraram que as estratégias de marketing de experiência, especialmente as que integraram atributos estéticos e potencial de compartilhamento digital, apresentaram as maiores médias de percepção positiva. Verificou-se que a confiança na marca foi fortalecida após interações físicas bem-sucedidas, revelando uma simbiose entre o ambiente emocional do evento e a jornada digital do jovem. Em contraste, a percepção de autenticidade mediada por influenciadores digitais obteve o menor índice de concordância. Concluiu-se que o engajamento da Geração Z foi potencializado por estratégias híbridas que permitiram ao consumidor assumir o papel de protagonista na construção da narrativa da marca, priorizando a autenticidade da vivência direta.

Palavras-chave: Comportamento do consumidor; Consumo cultural; Estratégias transmídia; Influenciadores digitais; Marketing de experiência.

Furtos em canteiros de obras representam um desafio significativo para a construção civil, gerando impactos financeiros, operacionais e reputacionais. Nesse contexto, programas de integridade e compliance surgiram como ferramentas de gestão para fortalecer a governança e mitigar riscos. O estudo objetivou propor um programa de conformidade aplicado à construção civil, focado na prevenção e mitigação de furtos em canteiros de obras. Adotou-se uma abordagem qualitativa, com apoio quantitativo, desenvolvida em duas etapas. Primeiramente, realizou-se uma pesquisa de campo entre fevereiro e março de 2026, aplicando um questionário eletrônico a profissionais do setor. Em seguida, elaborou-se um estudo de caso fictício, baseado em experiências profissionais do autor, integrando os resultados da pesquisa a práticas de gestão de riscos e governança. Os resultados evidenciaram a importância da implementação de programas de compliance no setor e indicaram que a combinação de mecanismos de controle, processos estruturados, capacitação de equipes, canais de denúncia, monitoramento contínuo e fortalecimento da cultura ética pode reduzir vulnerabilidades. Concluiu-se que a adoção de práticas de integridade amplia a capacidade preventiva das organizações e aprimora a governança e a gestão de riscos no setor.

Palavras-chave: Compliance; Construção civil; Furtos; Gestão de riscos; Governança corporativa.

A crescente proliferação de vulnerabilidades cibernéticas tornou inadequada a priorização baseada exclusivamente em métricas estáticas de severidade. Desenvolveu-se e avaliou-se um painel analítico multi-sinal para otimizar a priorização de vulnerabilidades cibernéticas, integrando Common Vulnerability Scoring System (CVSS), Exploit Prediction Scoring System (EPSS), critérios derivados do Stakeholder-Specific Vulnerability Categorization (SSVC) e o catálogo Known Exploited Vulnerabilities (KEV) como variável-alvo supervisionada. Consolidaram-se 137.854 registros de vulnerabilidades do NVD (2022–2025), com 607 KEVs confirmados (0,44%), caracterizando um problema de classificação com classe fortemente desbalanceada. Treinou-se um modelo Random Forest supervisionado com dez variáveis não-circulares e avaliou-se por métricas adequadas ao desbalanceamento. O modelo alcançou AUC-ROC de 0,9869 e AUC-PR de 0,4959, superando o EPSS isolado em ambas as métricas (AUC-ROC=0,9383 e AUC-PR=0,3231). A análise de discrepâncias com a abordagem determinística do SSVC revelou que 83,4% das vulnerabilidades foram sobrepriorizadas. Dos 4.584 CVEs classificados como P0, 4.029 representaram vulnerabilidades de alto risco iminente não confirmadas como exploradas, sinalizadas pelo modelo. Concluiu-se que a abordagem multi-sinal vai além da consulta ao catálogo KEV, identificando vulnerabilidades com alto potencial de exploração futura e orientando a priorização proativa de remediação.

Palavras-chave: Exploit prediction; Gestão de riscos; Gestão de vulnerabilidades; Known Exploited Vulnerabilities (KEV); Random Forest.