11 de junio de 2026
La importancia de Big Data Analytics en políticas públicas
Beatriz Vieira Santello Mendes; Pablo Henrique Paschoal Capucho
DOI: 10.22167/2675-6528-2026M03
Artículo elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.
Resumen
El estudio abordó la importancia de la aplicación de Big Data Analytics en la formulación de políticas públicas, con foco en la sostenibilidad financiera del Fondo de Garantía de Tiempo de Servicio (FGTS). Se objetivó analizar la correlación entre la recaudación neta del FGTS y los valores retirados en el período de abril de 2020 a enero de 2024, buscando comprender el impacto de recientes alteraciones legales que ampliaron las posibilidades de retiro, como la modalidad de retiro por aniversario. Para ello, datos públicos mensuales de recaudación neta y de los principales tipos de retiro (aniversario, jubilación, vivienda propia y despido sin justa causa) fueron extraídos del portal oficial del FGTS. El análisis estadístico bivariado empleó el coeficiente de correlación de Pearson. Los resultados revelaron correlaciones positivas entre la recaudación neta y los retiros por aniversario, jubilación y vivienda propia, y una correlación negativa con los retiros por despido sin justa causa. El análisis sugirió que variables externas, como inflación y formalización del mercado laboral, pueden haber influido simultáneamente en la recaudación y los retiros, sin establecer una relación causal directa. Se concluyó que el Big Data Analytics se mostró eficaz para identificar patrones relevantes y subsidiar decisiones estratégicas en políticas públicas, siendo recomendable la ampliación de estudios sobre los impactos de la rotación en el mercado formal y sus reflejos en la sostenibilidad del FGTS.
Palabras clave: Análisis de Datos; Correlación; FGTS; Retiro por cumpleaños; Sostenibilidad Financiera.
1. Introducción
La incorporación del análisis de datos a la cultura organizacional de las empresas no es reciente. Desde hace algún tiempo, las organizaciones buscan estructurarse de forma orientada a los datos, con el objetivo de ofrecer productos y servicios personalizados. Esta tendencia se extiende también al sector público, donde la capacidad de procesar e interpretar grandes volúmenes de datos puede transformar la elaboración y ejecución de políticas públicas.
El uso estratégico de datos, a través de análisis cuantitativos y estadísticos, así como de modelos predictivos y explicativos, que guía la toma de decisiones fundamentadas en evidencia, se conoce como Analytics. Este campo abarca diferentes niveles. El análisis descriptivo permite la visualización de datos históricos. El análisis predictivo contribuye a la anticipación de escenarios futuros. El análisis prescriptivo apoya la experimentación y la comprensión de comportamientos. Ya en el análisis autónomo, la intervención humana se reduce, con la inteligencia artificial y el aprendizaje automático para extraer conocimiento de los datos (Davenport y Harris, 2018).
La decisión estratégica de adoptar un enfoque basado en datos impone a las organizaciones el desafío de gestionar y manipular volúmenes masivos de información, medidos en exabytes. Al abordar el concepto de Big Data, es común referirse a las cinco dimensiones fundamentales en la generación y disponibilidad de datos: volumen, velocidad, variedad, variabilidad y veracidad (Fávero y Belfiore, 2025). El volumen se refiere a la inmensa cantidad de datos generados. La velocidad se refiere a la rapidez de su creación. La variedad está relacionada con la heterogeneidad de los datos. La variabilidad se refiere a la oscilación en la generación. Finalmente, la veracidad está ligada a la multiplicidad de fuentes, lo que exige esfuerzo para su tratamiento y análisis.
Se destaca que el Big Data, de forma aislada, no es capaz de proporcionar información estratégica con potencial de generación de valor. Para tal fin, se asocia al concepto el uso de Analytics. La integración de estos dos elementos configura el macroproceso denominado Big Data Analytics, que puede ser comprendido como la utilización estratégica de datos con el objetivo de generar valor y alcanzar ventaja competitiva (Ferreira y Gomes, 2019). Este macroproceso se compone de subprocesos de captura, tratamiento y análisis de datos, resultando en insights que subsidian decisiones estratégicas.
Mientras las empresas utilizan el Big Data Analytics para maximizar beneficios y fidelizar clientes, los gobiernos tienen la oportunidad de aplicar este macroproceso para buscar la eficiencia en la elaboración y mantenimiento de las políticas públicas. La utilización de datos para promover la eficiencia social y generar un impacto medible es crucial en el sector público (Davenport y Harris, 2018). Un ejemplo significativo de política pública en Brasil es el Fondo de Garantía del Tiempo de Servicio (FGTS).
El FGTS fue creado en 1966 por la Ley 5.107 (Brasil, 1966), en sustitución de la estabilidad en el empleo, con el objetivo principal de constituir una reserva financiera para el trabajador en caso de despido sin justa causa. Además, el Fondo fue concebido para ayudar a mejorar la calidad de vida de la población, destinando recursos para la financiación de vivienda, saneamiento básico e infraestructura urbana, según la Ley 8.036/90 (Brasil, 1990). Sin embargo, en el transcurso de su existencia, alteraciones legales ampliaron los motivos de retiro del Fondo de Garantía.
Desde el año 2020, por ejemplo, los trabajadores que se adhirieron a la sistemática de retiro por aniversario pueden retirar parte de su saldo de FGTS independientemente de la ocurrencia de la rescisión contractual. Esta nueva modalidad de retiro, junto con otras alteraciones, plantea un cuestionamiento fundamental: ¿tales cambios impactan la recaudación neta del Fondo y su capacidad de cumplir las funciones originales, comprometiendo su sostenibilidad?
Ante este escenario, la aplicación de Big Data Analytics se vuelve crucial para fundamentar decisiones informadas sobre políticas públicas, garantizando la perenidad del FGTS como instrumento de protección social. Así, el presente estudio busca abordar la importancia de la utilización de Big Data Analytics en las decisiones sobre políticas públicas, analizando la correlación entre la recaudación neta del FGTS y los valores retirados en las modalidades de aniversario, jubilación, vivienda propia y despido sin justa causa, en el período de abril de 2020 a enero de 2024.
2. Material y Métodos
El presente estudio adoptó un enfoque cuantitativo y de naturaleza correlacional, con el objetivo de analizar la relación entre la recaudación neta del Fondo de Garantía por Tiempo de Servicio (FGTS) y los valores retirados en diferentes modalidades. Se buscó comprender cómo las modificaciones legales que ampliaron las posibilidades de retiro impactaron la sostenibilidad financiera del Fondo. La investigación se centró en la evaluación de la correlación entre las variables, sin establecer relaciones de causalidad directa.
La unidad de análisis consistió en datos públicos mensuales referentes a la recaudación neta del FGTS y a los valores retirados por diferentes motivos. El período de observación abarcó de abril de 2020 a enero de 2024. Esta delimitación temporal se definió por la disponibilidad de los datos, ya que la modalidad de retiro por cumpleaños se implementó en abril de 2020 y los datos de recaudación neta estaban disponibles hasta enero de 2024 en el momento de la recolección.
Los datos fueron capturados directamente de la página electrónica oficial del FGTS (fgts.gov.br), que pone a disposición información pública sobre el Fondo. Se recopilaron las series históricas mensuales de la recaudación neta y de los retiros efectuados. Las modalidades de retiro consideradas incluyeron retiro por cumpleaños (códigos 60 y 60F), jubilación (códigos 05, 05A, 05E y 05F), vivienda propia (códigos 91, 92, 93, 95 y 96) y despido sin justa causa (códigos 01, 01M y 01S).
Tras la captura, los datos se organizaron en una serie temporal mensual, utilizando la herramienta Microsoft Excel. Cada variable, incluida la recaudación neta y los valores de cada modalidad de retiro, se registró en miles de millones de reales. Esta organización permitió la estructuración de los datos para la posterior aplicación de las técnicas de análisis estadístico.
Para evaluar la correlación entre la recaudación neta del FGTS y los valores retirados en las modalidades específicas, se aplicó el análisis estadístico bivariado. El coeficiente de correlación de Pearson se calculó mediante la función CORREL de Microsoft Excel. Este coeficiente es una medida estadística que indica la fuerza y la dirección de una relación lineal entre dos variables cuantitativas.
El coeficiente de correlación de Pearson varía de -1 a 1. Un valor cercano a 1 indica una correlación positiva fuerte, lo que sugiere que las variables se mueven en la misma dirección. Un valor cercano a -1 indica una correlación negativa fuerte, donde las variables se mueven en direcciones opuestas. Un valor cercano a 0 (cero) sugiere la ausencia de correlación lineal (Fávero y Belfiore, 2025).
La interpretación de la intensidad de la correlación es fundamental para la comprensión de los resultados. Los coeficientes entre 0,1 y 0,3 se consideran débiles, mientras que los valores entre 0,4 y 0,6 indican una correlación moderada. Los resultados entre 0,7 y 1 apuntan a una correlación fuerte. Esta clasificación ayuda a identificar la intensidad de la relación entre las variables estudiadas (Dancey y Reidy, 2019).
La aplicación del coeficiente de Pearson tuvo como objetivo identificar la existencia de una relación lineal entre la recaudación neta del FGTS y cada tipo de retiro, así como la dirección e intensidad de esta relación. El procedimiento permitió verificar si el aumento o la disminución de una variable acompañaba el comportamiento de la otra, sin inferir causalidad.
3. Resultados y Discusión
La presente sección detalla los hallazgos de la investigación, que se propuso analizar la correlación entre la recaudación neta del Fondo de Garantía por Tiempo de Servicio (FGTS) y los valores retirados en diferentes modalidades, en el período de abril de 2020 a enero de 2024. La investigación utilizó un enfoque de Big Data Analytics, conforme al macroproceso descrito por Ferreira y Gomes (2019), que integra la captura, tratamiento y análisis de datos para generar insights estratégicos. La operacionalización del subproceso de Big Data fue realizada por la Caixa Econômica Federal, agente operador del FGTS, que pone a disposición datos públicos tratados y agregados, permitiendo la ejecución del subproceso Analytics a través de técnicas estadísticas, como el análisis de correlación de Pearson.
Para el estudio, se recopilaron datos mensuales referentes a la recaudación neta del FGTS y a los principales tipos de retiro: aniversario, jubilación, vivienda propia y despido sin justa causa. Estos datos, expresados en miles de millones de reales, se organizaron en series históricas para permitir la aplicación del análisis estadístico bivariado. El período de análisis se delimitó por la disponibilidad de los datos de retiro por aniversario, que se inició en abril de 2020, extendiéndose hasta enero de 2024, momento en que los datos más recientes estaban accesibles para la investigación.
Inicialmente, se observó que la recaudación neta del FGTS presentó valores negativos en los meses iniciales de la pandemia, específicamente de abril a junio de 2020, y nuevamente de mayo a agosto de 2021. En los demás períodos analizados, la recaudación se mantuvo positiva. Esta variación sugiere una sensibilidad del Fondo a contextos económicos más amplios, como crisis o períodos de recuperación. Además, se identificó un patrón estacional en la recaudación, con picos notables en los meses de diciembre y enero, y caídas acentuadas en marzo de cada año, indicando la influencia de factores externos, como el calentamiento del mercado laboral y el aumento del consumo en los períodos de fiestas de fin de año.
En contraste con la recaudación neta, la modalidad de retiro por cumpleaños demostró un crecimiento continuo en los valores retirados desde su implementación en abril de 2020. Este patrón de aumento progresivo puede ser interpretado como un reflejo de la creciente adhesión de los trabajadores a esta nueva sistemática de retiro, que permite la retirada anual de parte del saldo del FGTS, independientemente de la rescisión contractual. La observación de este crecimiento constante resalta la popularidad y la consolidación de esta opción entre los beneficiarios del Fondo.
Al investigar la correlación entre la recaudación neta y el retiro de aniversario, el coeficiente de correlación de Pearson calculado fue de 0,45, indicando una correlación positiva moderada. Este resultado sugiere que, a medida que los valores del retiro de aniversario aumentan, la recaudación neta del FGTS también tiende a crecer, y viceversa. Sin embargo, es fundamental interpretar que esta correlación positiva no establece una relación de causalidad directa, sino un crecimiento simultáneo de las variables, influenciado por factores comunes.
La interpretación cuidadosa de estos resultados es crucial, ya que la correlación entre variables no implica, necesariamente, una relación de causa y efecto. En el contexto del FGTS y del retiro de cumpleaños, es plausible que variables externas de naturaleza macroeconómica, como la inflación, ejerzan una influencia significativa. La inflación, al elevar los salarios, tiende a aumentar el valor de los depósitos realizados por las empresas en el FGTS. Concomitantemente, como el retiro de cumpleaños se calcula con base en un porcentaje del saldo de las cuentas vinculadas, el aumento de estos saldos también eleva el valor disponible para retiro, generando un crecimiento simultáneo de ambas variables sin una conexión causal directa (Davenport y Harris, 2018).
El análisis de la correlación entre la recaudación neta y el retiro por jubilación reveló un coeficiente de Pearson de 0,66. Este valor indica una correlación positiva moderada, siendo más fuerte que la observada con el retiro por cumpleaños. La relación directamente proporcional sugiere que el aumento de los retiros por jubilación tiende a ocurrir junto con el aumento de la recaudación neta. De manera similar a los retiros por cumpleaños, esta correlación no debe interpretarse como causal, sino como un indicativo de factores subyacentes que afectan ambas dimensiones.
Para los retiros por jubilación, el aumento de la recaudación neta puede ser influenciado por la valorización salarial en el mercado de trabajo formal, mientras que el crecimiento de los retiros puede ser atribuido al envejecimiento de la fuerza laboral y al consecuente aumento en el número de trabajadores que alcanzan la edad de jubilación. Estos factores externos actúan de forma conjunta, elevando tanto la recaudación como los retiros, sin que uno sea la causa directa del otro. La aplicación de Big Data Analytics permite identificar estos patrones complejos, que serían difíciles de discernir sin un análisis profundo de los datos.
En cuanto a la correlación entre la recaudación neta y el retiro para uso en vivienda propia, el coeficiente de Pearson obtenido fue de 0,37. Este resultado apunta a una correlación positiva débil, indicando una relación directamente proporcional, pero con menor intensidad en comparación con las modalidades de retiro por aniversario y jubilación. La dispersión de los puntos observada en el análisis gráfico refuerza la naturaleza débil de esta correlación, sugiriendo que la proximidad a una correlación perfecta es limitada.
La interpretación de la correlación positiva débil entre la recaudación neta y los retiros para vivienda propia también se alinea con la influencia de variables externas. El crecimiento del crédito hipotecario, por ejemplo, puede aumentar la disposición de los trabajadores para la adquisición de inmuebles, resultando en más retiros. Simultáneamente, la valorización salarial y la formalización del mercado laboral pueden contribuir al aumento de la recaudación. Así, la correlación observada refleja la acción conjunta de múltiples factores macroeconómicos y sociales, y no una relación de causalidad directa entre el volumen de retiros y la recaudación.
En resumen, las correlaciones positivas observadas para los retiros de aniversario, jubilación y vivienda propia, aunque moderadas o débiles, no deben interpretarse como un fortalecimiento de la sostenibilidad del FGTS. Por el contrario, estos resultados son indicativos de que variables externas, como la inflación y la dinámica del mercado laboral, influyen simultáneamente tanto en la recaudación como en el volumen de retiros. Esta perspectiva es crucial para evitar interpretaciones erróneas sobre la salud financiera del Fondo, destacando la complejidad de las interacciones entre los datos.
El análisis más relevante para la sostenibilidad del Fondo fue la correlación entre la recaudación neta y el retiro por despido sin causa justa, que representa el mayor volumen de retiros en el período estudiado. El coeficiente de correlación de Pearson para esta modalidad fue de -0,64, indicando una correlación negativa moderada. Este resultado es inversamente proporcional, lo que significa que, a medida que los retiros por despido sin causa justa aumentan, la recaudación neta del FGTS tiende a disminuir.
Esta correlación negativa merece especial atención, ya que el retiro por despido sin causa justa está directamente relacionado con la función original del FGTS, que es brindar protección al trabajador en momentos de despido involuntario. La tendencia de reducción en la recaudación neta, a medida que aumentan los retiros por despido, puede comprometer la capacidad del FGTS de cumplir sus demás funciones sociales colectivas, como el financiamiento de proyectos de infraestructura, saneamiento básico y vivienda popular. Esta hipótesis se vuelve particularmente preocupante en escenarios de aumento de la informalidad en el mercado laboral o de la sustitución de vínculos laborales por contratos de personas jurídicas (PJ), que no generan aportes al FGTS.
Aunque el análisis de correlación no establece causalidad, la correlación negativa con los retiros por despido sin causa justificada plantea una hipótesis relevante sobre el impacto en la sostenibilidad del Fondo. El aumento de estos retiros puede estar contribuyendo a la reducción de los recursos disponibles, lo que, en un escenario extremo de informalización, podría comprometer no solo la sostenibilidad financiera del FGTS, sino su propia existencia como instrumento de protección social. La capacidad del Big Data Analytics para identificar esta relación inversa es fundamental para alertar a los formuladores de políticas públicas sobre potenciales riesgos.
Los resultados obtenidos demuestran que el uso de Big Data Analytics ofrece una herramienta poderosa para la formulación y evaluación de políticas públicas. Aunque las correlaciones positivas observadas para el saque-aniversario, jubilación y vivienda propia no permiten afirmar que estas modalidades de saque comprometan la sostenibilidad del FGTS, indican la influencia de variables externas que afectan simultáneamente la recaudación y los saques. Por otro lado, la correlación negativa con los saques por despido sin justa causa sugiere un riesgo potencial a la capacidad del Fondo de continuar cumpliendo sus funciones originales.
En resumen, la investigación reveló patrones complejos en las interacciones entre la recaudación neta del FGTS y las diferentes modalidades de retiro. Las correlaciones positivas para el retiro por cumpleaños, jubilación y vivienda propia indican la influencia de factores macroeconómicos que impulsan ambos lados de la ecuación, mientras que la correlación negativa con el retiro por despido sin causa justa apunta a una dinámica que puede impactar directamente la sostenibilidad del Fondo. El análisis de datos, por lo tanto, es esencial para respaldar decisiones estratégicas y garantizar la perenidad del FGTS como un pilar de protección social y desarrollo nacional.
4. Conclusión
El presente estudio buscó analizar la correlación entre la recaudación neta del Fondo de Garantía del Tiempo de Servicio (FGTS) y los valores retirados en diferentes modalidades, en el período de abril de 2020 a enero de 2024, evidenciando la importancia del Big Data Analytics en la formulación de políticas públicas. Se verificó que la recaudación neta del FGTS presentó correlaciones positivas moderadas con los retiros por aniversario (0,45), jubilación (0,66) y vivienda propia (0,37). Sin embargo, se observó que estas relaciones no indican causalidad directa, sino la influencia de variables macroeconómicas y de mercado laboral, como la inflación y la formalización, que impulsan simultáneamente la recaudación y los retiros. En contraste, se identificó una correlación negativa moderada (-0,64) entre la recaudación neta y los retiros por despido sin justa causa, modalidad que representa el mayor volumen de retiros y está directamente ligada a la función original de protección social del Fondo. Este hallazgo sugiere un riesgo potencial a la capacidad del FGTS de cumplir sus funciones sociales colectivas, especialmente en escenarios de informalidad creciente en el mercado laboral. La aplicación de Big Data Analytics se mostró, así, una herramienta eficaz para identificar patrones complejos y sustentar decisiones estratégicas en el ámbito de las políticas públicas.
Es fundamental resaltar que el análisis de correlación, por su naturaleza, no establece relaciones de causalidad, lo que constituye una limitación inherente al diseño metodológico empleado. La interpretación cuidadosa de los resultados es crucial para evitar conclusiones erróneas sobre la sostenibilidad del FGTS, reconociendo que factores externos actúan de forma conjunta sobre las variables estudiadas. Ante la correlación negativa observada con los retiros por despido sin causa justa, se recomienda la ampliación de estudios futuros para investigar la existencia de una relación causal entre esta modalidad de retiro y la reducción de la recaudación neta. Se sugiere, además, profundizar el análisis sobre los impactos de la rotación en el mercado formal y sus reflejos en la sostenibilidad del FGTS, buscando identificar medidas que garanticen la perennidad y la eficacia del Fondo como instrumento de protección social y desarrollo nacional.
Referencias Bibliográficas
Brasil. 1966. Lei n. 5.107, de 13 de setembro de 1966. Cria o Fundo de Garantia do Tempo de Serviço, e dá outras providências. Disponível em https://www.planalto.gov.br/ccivil_03/LEIS/L5107.htm. Acesso em 23 mar. 2023.
Brasil. 1990. Lei n. 8.036, de 11 de maio de 1990. Dispõe sobre o Fundo de Garantia do Tempo de Serviço, e dá outras providências. Disponível em https://www.planalto.gov.br/ccivil_03/leis/l8036consol.htm. Acesso em 12 mar. 2023.
Dancey, C. P.; Reidy, J. 2019. Estatística sem Matemática para Psicologia. 7 ª ed. Penso Editora, Porto Alegre, RS, Brasil.
Davenport, T. H.; Harris, J. G. 2018. Competição Analítica: Vencendo Através da Nova Ciência. 1ª ed. Alta Books, Rio de Janeiro, RJ, Brasil.
Ferreira, R.; Gomes, J. S. 2019. Projeto de big data analytics: uma discussão à luz da capacidade absortiva. Disponível em https://periodicos.uff.br/sbijournal/article/view/28905. Acesso em 23 mar. 2023.
Fávero. L. P.; Belfiore, P. 2025. Manual de Análisis de Datos: Estadística y Machine Learning con Excel®, SPSS®, Stata®, R® y Python®. 2ª ed. LTC Libros Técnicos y Científicos, Río de Janeiro, RJ, Brasil.
Artículo originario del Trabajo de Conclusión de Curso de Especialización en Digital Business del MBA USP/Esalq
Más información sobre el curso; haga clic aquí:
