O consumo de suplementos proteicos e alimentos com adição de proteína tem crescido significativamente nos últimos anos, com conteúdos digitais relacionados à saúde, estética e desempenho físico tornando-se parte relevante da rotina de brasileiros que buscam um estilo de vida disciplinado. O presente estudo teve como objetivo analisar o comportamento de consumo de suplementos e alimentos proteicos, bem como a influência das redes sociais e dos influenciadores digitais nas decisões de compra dos consumidores. Realizou-se uma pesquisa exploratória, que utilizou um questionário online aplicado a 62 participantes via Google Forms, disseminado no Instagram, e uma entrevista semiestruturada com o CEO de uma marca de suplementos. A análise dos dados foi quali-quantitativa. Os resultados indicaram que as redes sociais, especialmente o Instagram, desempenharam papel central no contato inicial dos consumidores com as marcas. A maioria dos entrevistados associou o consumo de produtos proteicos a um estilo de vida saudável e fitness, e considerou a influência de criadores de conteúdo digital no estímulo à experimentação e à compra. Identificou-se o impacto significativo do marketing digital e das narrativas aspiracionais no comportamento de consumo, reforçando a relação entre alimentação funcional, identidade social e pertencimento no ambiente digital no contexto da suplementação e alimentação proteica.

Palavras-chave: Alimentos com adição de proteína; Comportamento do consumidor; Consumo de suplementos proteicos; Influenciadores digitais; Marketing digital.

A aplicação da ciência de dados na gestão operacional da distribuição de energia elétrica foi investigada com o objetivo de otimizar processos e a tomada de decisão estratégica. O estudo analisou como algoritmos preditivos e painéis de Business Intelligence podem potencializar a gestão operacional, visando otimizar o despacho de equipes, prever demandas e monitorar indicadores em tempo real para decisões mais ágeis e sustentáveis. A pesquisa teve caráter aplicado e considerou dados históricos, geográficos e operacionais da EDP São Paulo em São José dos Campos, abrangendo o período de janeiro de 2018 a dezembro de 2024. Os dados foram tratados em ambiente de Business Intelligence e submetidos a algoritmos de machine learning, como regressão linear múltipla e redes neurais recorrentes, para previsão de demanda e identificação de padrões de falhas. Adicionalmente, utilizou-se clustering para identificar áreas críticas. Os resultados indicaram que a integração de modelos de previsão com indicadores operacionais em tempo real reduziu o tempo de resposta a ocorrências, aumentou a eficiência na alocação de recursos e promoveu a melhoria contínua da operação. As redes neurais recorrentes demonstraram maior precisão na previsão de demanda, e a análise de correlação apontou a precipitação como fator relevante para o aumento de interrupções. A identificação de áreas críticas por clustering permitiu priorizar ações de manutenção. Concluiu-se que a adoção de métodos de ciência de dados moderniza o setor, reduz custos, aumenta a confiabilidade e promove maior sustentabilidade, oferecendo subsídios para decisões mais ágeis e sustentáveis na gestão energética.

Palavras-chave: Algoritmos preditivos; Business Intelligence; Ciência de dados; Distribuição de energia; Gestão operacional.

O incremento das energias renováveis no Brasil, em especial da energia fotovoltaica, evidenciou a necessidade de aprimorar a previsão da produção das usinas, em função da elevada dependência de fatores climáticos e da consequente variabilidade da geração elétrica. Desenvolveu-se e avaliou-se modelos de aprendizado de máquina para a previsão da geração de energia elétrica de uma usina fotovoltaica no Nordeste do Brasil, analisando o impacto da inclusão progressiva de variáveis meteorológicas, temporais, derivadas e defasadas. Utilizaram-se dados horários de geração de energia e variáveis meteorológicas provenientes de bases oficiais e públicas. Implementaram-se três algoritmos de regressão baseados em árvores (Árvore de Decisão, Random Forest e XGBoost) em uma modelagem estruturada em três fases: variáveis meteorológicas, temporais e cíclicas e de defasagens. Os resultados indicaram forte correlação entre a radiação solar e a geração de energia. Observou-se desempenho preditivo moderado nas fases iniciais da modelagem, com melhora expressiva na terceira fase, onde o XGBoost se destacou com um R² de 0,898. Concluiu-se que a inclusão de variáveis temporais e técnicas de engenharia de atributos foi determinante para o aprimoramento da capacidade preditiva dos três modelos, configurando-se como uma estratégia para aplicações práticas no setor fotovoltaico.

Palavras-chave: Algoritmo baseado em árvores; Dados meteorológicos; Dependência temporal; Engenharia de atributos; Parque solar.

Construiu-se uma arquitetura analítica para compreender e predizer o comportamento de compra de clientes de um provedor de cursos livres preparatórios. O objetivo foi integrar segmentação RFM, modelagem de transições por Cadeias de Markov e predição de propensão por Regressão Logística, Random Forest e Gradient Boosting, sob a estrutura do CRISP-DM. Utilizaram-se dados transacionais de 7.123 clientes de um provedor de cursos livres, abrangendo novembro de 2022 a janeiro de 2026. A metodologia CRISP-DM guiou a segmentação RFM, a modelagem de transições por Cadeias de Markov e a predição de propensão à compra por modelos supervisionados (Regressão Logística, Random Forest e Gradient Boosting), com validação temporal ‘out-of-time’. A segmentação RFM revelou quatro perfis, com o segmento Muito Recorrente (25% da base) concentrando 60,5% da receita. A Cadeia de Markov indicou uma tendência de degradação da base no longo prazo, com o segmento Baixa Aquisição projetado para crescer de 25% para 31,3% no equilíbrio. Os modelos supervisionados alcançaram AUC entre 0,811 e 0,826, demonstrando que o poder preditivo reside nas variáveis RFM, com a recência emergindo como preditor dominante. Concluiu-se que a integração dessas abordagens fornece subsídios concretos para decisões estratégicas de retenção, segmentação e priorização de clientes em contextos educacionais, destacando a necessidade de ações estruturadas para reverter a degradação da base e a importância da recência na predição de recompra.

Palavras-chave: Cadeias de Markov; CRISP-DM; Predição de propensão; Random Forest; Segmentação RFM.

O crescimento do e-commerce brasileiro consolidou as avaliações de clientes como rica fonte de dados não estruturados para a inteligência de negócios. Contudo, métricas tradicionais agregadas, como notas de estrelas, falham em capturar a complexidade de sentimentos mistos em um único comentário. O estudo objetivou desenvolver um modelo multi-label de Análise de Sentimento Baseada em Aspectos (ABSA) por meio do Fine-Tuning do modelo de linguagem BERTimbau, visando classificar sentimentos em quatro aspectos de negócio e comparar seu desempenho com baselines convencionais. Para isso, utilizou-se o Brazilian E-Commerce Public Dataset by Olist. Os resultados demonstraram desempenho superior do modelo ajustado, que alcançou um F1-Macro de 0,8149, representando uma melhoria de 23,7% em relação aos baselines de satisfação convencionais. Concluiu-se que o uso de LLMs especializados permite transformar feedbacks subjetivos em indicadores de diagnóstico acionáveis, fornecendo subsídios estratégicos para a gestão da cadeia de suprimentos e a otimização da experiência do cliente no ambiente digital.

Palavras-chave: Aprendizado de Máquina; Experiência do Cliente; Gestão da Cadeia de Suprimentos; Marketplace; Processamento de Linguagem Natural.

A demanda por estratégias quantitativas em mercados de capitais impulsionou o desenvolvimento de modelos de machine learning. O presente estudo implementou um pipeline de aprendizado de máquina para a classificação ternária de retornos de ações brasileiras, visando diagnosticar sobreajuste, avaliar o uso de meta-rotulagem e Hierarchical Risk Parity (HRP) para gerar alpha positivo, e documentar modos de falha. Reuniu-se 276 ativos da B3 entre 2000 e 2026, totalizando 257.970 amostras rotuladas pelo esquema triple-barrier sobre eventos CUSUM. Um classificador primário XGBoost agrupado foi treinado com pesos de amostra corrigidos por concorrência e unicidade. A validação empregou PurgedKFold e validação cruzada combinatória purgada (CPCV), com diagnóstico de sobreajuste via PBO e DSR. A decisão de lado seguiu a softmax bruta do modelo primário, e a magnitude da aposta foi delegada a um meta-rotulador binário. A construção de carteira adotou Hierarchical Risk Parity e foi avaliada por comparação honesta A/B/C. Os resultados out-of-sample indicaram acurácia de 0,52 e aprovação nos três gates estatísticos. Contudo, no nível de carteira, o Sharpe da estratégia com timing foi de +0,23 contra +0,87 do buy-and-hold HRP, resultando em alpha de -0,63. Concluiu-se que a seleção do universo explicou substancialmente o desempenho observado, e não o timing do classificador, apesar da aprovação nos testes estatísticos de nível de operação. A contribuição metodológica foi um pipeline reprodutível, auditável e leakage-safe, com modos de falha documentados de forma transparente, e o diagnóstico do colapso do argmax sob calibração isotônica em rótulos ternários desbalanceados.

Palavras-chave: Deflated Sharpe Ratio; Diferenciação fracional; Finanças quantitativas; Meta-rotulagem; Sobreajuste em backtests.