Precisión de Modelos de Predicción de Demanda en el Mercado de la Soja Brasileña

Votdk, Jonwfer Lauro; Ribeiro, Rodolfo

doi:10.22167/2675-6528-202602240

Artículo

15 de septiembre de 2026

Precisión de Modelos de Predicción de Demanda en el Mercado de la Soja Brasileña

Jonwfer Lauro Votdk; Rodolfo Ribeiro

DOI: 10.22167/2675-6528-202602240

Artículo derivado de Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

La previsión de la demanda es un componente crítico para las decisiones de planificación y gestión de riesgos en cadenas de productos básicos, como la soja, en las que la estacionalidad y la concentración de volúmenes pueden amplificar los impactos operativos y económicos. Se evaluó la precisión de los modelos de previsión aplicados al volumen mensual exportado de soja en grano de Brasil, con el objetivo de identificar el modelo de previsión con mejor rendimiento para este contexto y estimar la exposición económica asociada al error de previsión. Se utilizaron datos mensuales de enero de 2016 a diciembre de 2025, obtenidos en Comex Stat para el NCM 12019000. Los datos se segregaron en muestra de estimación (2016–2024) y muestra de prueba (2025) para validación fuera de la muestra. Se implementaron cinco métodos: Naive, Naive estacional, media móvil de 3 meses, media móvil de 12 meses y suavización exponencial estacional (ETS). El rendimiento se midió por MAE, RMSE, MAPE, WMAPE y BIAS, adoptándose el WMAPE como criterio principal por ponderar el error por el volumen realizado; adicionalmente, se estimó el costo del error en US$ con base en el valor FOB mensual. Los resultados indicaron que el ETS presentó el mejor rendimiento global en la muestra de prueba, con menor error y menor sesgo, seguido por el Naive estacional, mientras que el Naive y las medias móviles presentaron mayor subestimación, principalmente en los meses pico. La incorporación explícita de la estacionalidad y el uso de métricas complementarias redujeron la incertidumbre y la exposición económica asociada al error de previsión en el escenario analizado.

Palabras clave: Costo de error; Planificación de la demanda; Estacionalidad; Suavizado exponencial; WMAPE.

1. Introducción

El agronegocio brasileño tiene en la soja un pilar fundamental, posicionándola centralmente en el comercio internacional de commodities agrícolas. La oleaginosa responde por aproximadamente la mitad del volumen de granos producidos en el país (Agência GOV, 2025). Brasil se destaca como el mayor productor mundial, con una producción estimada en 169,49 millones de toneladas en la cosecha 2024/2025, cultivada en cerca del 58% del área agrícola nacional, lo que corresponde a aproximadamente 47,61 millones de hectáreas (Brasil, 2025). Esta proyección subraya la relevancia económica, logística y estratégica del sector para la balanza comercial y para el abastecimiento de cadenas productivas esenciales, como alimentación animal, aceite vegetal y biocombustibles (EMBRAPA, 2025). Además, la soja posee una participación significativa tanto en el mercado externo como en el consumo interno, con volúmenes expresivos de exportación y procesamiento (Vieira Filho, 2024).

La importancia de la soja en Brasil trasciende la producción primaria, extendiéndose por una compleja cadena de valor que abarca decisiones de siembra, almacenamiento, trituración, transporte, comercialización y exportación. Todas estas etapas son altamente sensibles a las fluctuaciones de la demanda, los precios, el tipo de cambio, las condiciones climáticas y la infraestructura (SCOT Consultoria, 2025). En 2024, el volumen de soja en grano exportado alcanzó 98.815 millones de toneladas, mientras que 55.811 millones de toneladas se destinaron al consumo interno. Este escenario resalta la magnitud de la cadena y la necesidad de una coordinación eficaz entre oferta y demanda. En consecuencia, la previsión de la demanda se convierte en un elemento crucial para empresas y agentes involucrados en la planificación de ventas y operaciones, abastecimiento, originación y gestión de inventarios (EMBRAPA, 2025).

A pesar de su relevancia, la previsión de la demanda en el mercado de la soja presenta desafíos inherentes, dado que la serie temporal está influenciada por factores estructurales y coyunturales. Estudios previos sobre la soja en Brasil indican que modelos estadísticos, como la suavización exponencial, la regresión y ARIMA, pueden generar resultados útiles, pero su desempeño varía según las características de la serie, la estacionalidad, el horizonte de previsión y la ocurrencia de choques externos (Schmidt et al., 2019). En el campo de la previsión de la demanda, existe un consenso de que no existe un método universalmente superior para todos los contextos, lo que hace de la comparación entre diferentes modelos una etapa indispensable para identificar el enfoque más adecuado al segmento estudiado (Makridakis e Hibon, 2000). La literatura también advierte que la evaluación de la precisión es compleja, ya que diferentes métricas pueden llevar a clasificaciones distintas entre modelos y, en ciertas situaciones, pueden presentar problemas prácticos o interpretaciones engañosas (Hyndman e Koehler, 2006). Por ello, la comparación con modelos de referencia, o benchmarks, es fundamental, ya que las previsiones sofisticadas no siempre superan a los métodos más sencillos (Goodwin, Petropoulos e Hyndman, 2017).

Las previsiones más precisas son esenciales en el entorno empresarial, especialmente en las operaciones de planificación de ventas y operaciones (S&OP), ya que contribuyen a la reducción de roturas, excesos de inventario, desajustes entre oferta y demanda y el desperdicio de capital de trabajo. La precisión no debe verse solo como la proximidad entre el valor previsto y el realizado, sino también como la ausencia de sesgo, la estabilidad a lo largo del tiempo y la adecuación al horizonte observado. Así, el análisis comparativo entre modelos de previsión en el mercado de la soja brasileña es pertinente tanto desde la óptica académica como gerencial, ofreciendo subsidios para decisiones de planificación, abastecimiento y comercialización (Hyndman y Athanasopoulos, 2021). Ante este contexto, el objetivo de este estudio es identificar el modelo de previsión con mejor desempeño para este contexto y estimar la exposición económica asociada al error de previsión.

2. Material y Métodos

El presente estudio se caracterizó como una investigación aplicada, de enfoque cuantitativo y objetivo descriptivo-comparativo, evaluando el desempeño de diferentes modelos de predicción de la demanda externa de la soja brasileña a partir de la comparación de métricas de precisión. El análisis se basó en series temporales mensuales de exportación de soja en grano.

Los datos fueron extraídos del Comex Stat, sistema oficial del Ministerio de Desarrollo, Industria, Comercio y Servicios (MDIC) para estadísticas de comercio exterior, utilizando el código NCM 12019000 (Soja, incluso triturada, excepto para siembra). El período analizado comprendió enero de 2016 a diciembre de 2025, totalizando 120 observaciones mensuales. La muestra se dividió en dos subconjuntos: enero de 2016 a diciembre de 2024 para la estimación de los modelos, y enero a diciembre de 2025 para validación. La consulta en Comex Stat puede ser accedida en: https://comexstat.mdic.gov.br/pt/geral/149927.

Las variables utilizadas fueron tratadas y están detalladas en la Tabla 1.

Tabla 1. Variables Utilizadas

Variables	Descripción
Clase	Diferenciación entre muestra de prueba y muestra de estimación
Año	Año de referencia del dato presentado
Mes	Mes de referencia del dato presentado
Datos	Datos completos referentes a los datos presentados
Código NCM	Nomenclatura Común del Mercosur
Descripción NCM	Descripción de la Nomenclatura Común del Mercosur
Kilogramo Neto	Volumen extraído de Comex Stat en kg
Volumen en toneladas	Volumen convertido a toneladas
Valor FOB US$	Valor FOB (“Free On Board”) correspondiente en dólares

Fuente: Datos originales de la investigación

La estrategia de validación adoptada fue la validación fuera de la muestra, asegurando que los valores realizados de 2025 no fueran utilizados en la etapa de construcción de los modelos. Las predicciones generadas por cada modelo, así como el cálculo de las métricas de error, fueron implementadas por medio de fórmulas de Excel en una hoja de cálculo auxiliar, garantizando trazabilidad entre datos originales, predicciones y resultados de evaluación. Los modelos fueron estimados con datos de la muestra de estimación y utilizados para generar predicciones para los 12 meses de 2025, comparadas con los valores realizados en ese período para evaluar la capacidad predictiva de cada método.

Se implementaron cinco modelos de pronóstico:

El Modelo Naive asume que la mejor predicción para un período corresponde al valor observado en el período inmediatamente anterior. El valor de diciembre de 2024 se consideró para enero de 2025, y las predicciones subsiguientes mantuvieron este valor fijo. Este modelo se utilizó como “benchmark”.
El Modelo Naive estacional consideró la estacionalidad anual, atribuyendo como pronóstico para un mes el valor observado en el mismo mes del año anterior (ej: enero de 2025 fue el realizado en enero de 2024). Este modelo es adecuado para series mensuales con patrones estacionales recurrentes.
La media móvil de 3 meses se implementó a partir de la media aritmética de los tres meses inmediatamente anteriores. Para la validación fuera de la muestra, se creó una serie auxiliar para utilizar las propias predicciones generadas por el modelo en los meses de la muestra de prueba.
La media móvil de 12 meses se estimó de forma análoga, considerando 12 períodos para capturar patrones de largo plazo de la serie. También se creó una serie auxiliar para considerar los datos de la previsión de este modelo para los meses de 2025.
El Modelo de Suavización Exponencial (ETS) con error, tendencia y estacionalidad fue implementado a través de la fórmula de Excel FORECAST.ETS(), que estima automáticamente los componentes de la serie basándose en datos históricos. Se consideró el período de enero de 2016 a diciembre de 2024 y una estacionalidad de 12 meses.

El desempeño de los modelos fue evaluado por métricas de error y sesgo, calculadas en Excel a partir de la comparación entre valores previstos y realizados de la muestra de prueba. Las métricas utilizadas fueron:

Error Absoluto Medio (MAE): Calculado por la ecuación (1): MAE = (1/n) × Σ|Yт – Ўт| donde: n es el número de meses calculados, igual a 12; Yт es el volumen realizado por mes en 2025; y Ўт es el volumen observado por el modelo en el mes de comparación.
Raíz Cuadrática Media del Error (RMSE): Calculado por la ecuación (2): RMSE = √(1/n) × Σ(Yт – Ўт)² donde: n es el número de meses calculados, igual a 12; Yт es el volumen realizado por mes en 2025; y Ўт es el volumen observado por el modelo en el mes de comparación.
Error Porcentual Absoluto Medio (MAPE): Calculado por la ecuación (3): MAPE = (100/n) × Σ|(Yт – Ўт) / Yт| donde: n es el número de meses calculados, igual a 12; Yт es el volumen realizado por mes en 2025; y Ўт es el volumen observado por el modelo en el mes de comparación.
Error Porcentual Absoluto Ponderado (WMAPE): Calculado por la ecuación (4): WMAPE = (Σ|Yт – Ўт| / ΣYт) × 100 en que: Yт es el volumen realizado por mes en 2025; y Ўт es el volumen observado por el modelo en el mes de comparación.
SESGO (viés): Calculado por la ecuación (5): SESGO = (1/n) × Σ(Ўт – Yт) en que: n es el número de meses calculado, igual a 12; Yт es el volumen realizado por mes en 2025; y Ўт es el volumen observado por el modelo en el mes de comparación.

Además de las métricas estadísticas, el impacto económico del error de previsión de la demanda se estimó utilizando el Valor FOB US$ extraído del Comex Stat para el NCM 12019000 y la muestra de prueba. El objetivo fue comprender el impacto financiero del error, representando el valor asociado al volumen incorrectamente previsto. El precio unitario de la tonelada para cada mes de 2025 se calculó mediante la ecuación (6):

PUT = Valor FOB US$т / Yт

en que: PUT es el precio unitario mensual de la tonelada; Valor FOB US$t es el valor observado en el mes t; y Yt es el volumen observado en el mes de comparación.

A continuación, el volumen mensual de error para cada modelo de pronóstico se obtuvo mediante la ecuación (7):

eт = Ўт – Yт

donde: et es el error en el mes; Ўt es el volumen observado por el modelo en el mes de comparación; y Yt es el volumen realizado por mes.

Cuando eт fue menor que 0, la previsión se consideró subestimada; cuando eт fue mayor que 0, la previsión se consideró sobreestimada. El costo del error se estimó como la exposición económica ligada al precio unitario del mes de análisis, según la ecuación (8):

Cт = |eт| × PUT

en que: Cт es el costo del error; eт es el error en el mes; y PUT es el precio unitario mensual de la tonelada.

En resumen, los modelos de pronóstico se calcularon en la muestra de prueba para los 12 meses de 2025, garantizando la comparabilidad. El rendimiento predictivo se midió mediante métricas complementarias de error y sesgo (MAE, RMSE, MAPE, WMAPE y BIAS), calculadas a partir de la comparación entre valores previstos y realizados, y por el costo del error. Para la selección del modelo de mejor rendimiento, se adoptó el WMAPE como criterio principal, por representar el error porcentual ponderado por el volumen realizado, reduciendo distorsiones en períodos de baja magnitud y facilitando la interpretación gerencial. MAE y RMSE se utilizaron para identificar la magnitud del error en toneladas, y BIAS para identificar la tendencia de sobreestimación o subestimación. El costo del error en US$ proporcionó una dimensión económica de la subestimación y sobreestimación de la demanda.

3. Resultados y Discusión

Este estudio evaluó la precisión de diferentes modelos de pronóstico de demanda aplicados al volumen exportado mensual de soja en grano en Brasil, comparando los pronósticos generados a partir de la muestra de estimación con los valores realizados en la muestra de prueba. El desempeño de los modelos se midió mediante métricas complementarias de error y sesgo, como el Error Absoluto Medio (MAE), la Raíz Cuadrática del Error Medio (RMSE), el Error Porcentual Absoluto Medio (MAPE), el Error Porcentual Absoluto Ponderado (WMAPE) y el SESGO, además de la exposición al costo del error. El WMAPE se adoptó como criterio principal de selección, por reflejar el error porcentual ponderado por el volumen realizado, alineándose al impacto gerencial del error. Las demás métricas proporcionaron soporte interpretativo, con MAE y RMSE evaluando la magnitud del error, MAPE como medida porcentual adicional, y SESGO identificando la tendencia sistemática de sobreestimación o subestimación (Hyndman y Koehler, 2006).

En la muestra de estimación, de enero de 2016 a diciembre de 2024, se observó un comportamiento estacional en el volumen de soja exportada, impactado por el ciclo de cultivo. La Figura 1 ilustra este patrón, con bajos volúmenes al inicio del año, picos entre marzo y mayo, y una reducción gradual en el segundo semestre. Esta estacionalidad refuerza la necesidad de modelos que consideren estas variaciones (Hyndman y Athanasopoulos, 2021).

Figura 1. Volumen de Soja exportada en toneladas entre enero/2016 y diciembre/2024

Fuente: Resultados originales de la investigación y datos extraídos del sistema Comex Stat (MDIC)(Brasil, [s.d.])

Las previsiones de demanda para los meses de 2025, generadas por los modelos Naive, Naive estacional, Media Móvil de 3 meses (MM3), Media Móvil de 12 meses (MM12) y Suavización Exponencial Estacional (ETS), se calcularon a partir de los datos de la muestra de estimación. La Tabla 2 presenta estos valores previstos en comparación con el volumen realizado.

Tabla 2. Previsión de demanda por los modelos elegidos para los meses de 2025

Datos	Efectuado	Ingenuo	Estacional ingenuo	MM3	MM12	ETS
ene/25	1.069.087	2.006.054	2.854.860	3.089.530	8.233.987	3.114.695
feb/25	6.428.317	2.006.054	6.608.134	2.549.461	8.682.248	6.473.643
mzo/25	14.657.781	2.006.054	12.600.297	2.548.348	8.855.090	13.037.785
abril/25	15.271.914	2.006.054	14.687.842	2.729.113	8.542.990	14.641.939
may/25	14.099.745	2.006.054	13.436.721	2.608.974	8.030.919	14.481.086
junio/25	13.420.319	2.006.054	13.959.612	2.628.812	7.580.435	13.257.230
julio/25	12.257.306	2.006.054	11.249.768	2.655.633	7.048.837	10.679.878
agosto/25	9.325.162	2.006.054	8.037.754	2.631.140	6.698.760	8.399.443
establecer/25	7.339.951	2.006.054	6.104.265	2.638.528	6.587.177	6.477.453
oct/25	6.727.671	2.006.054	4.709.739	2.641.767	6.627.419	5.584.987
nov/25	4.197.159	2.006.054	2.552.798	2.637.145	6.787.226	4.543.391
dic/25	3.383.155	2.006.054	2.006.054	2.639.147	7.140.095	3.861.693

Fuente: Resultados originales de la investigación y datos extraídos del sistema Comex Stat (MDIC)(Brasil, [s.d.])

El comparativo entre el volumen realizado y las previsiones de cada modelo para 2025, presentado en la Figura 2, reveló que los modelos Naive estacional y ETS fueron los que más se aproximaron al volumen real. Ambos modelos consideran la estacionalidad como factor de previsión. El ETS, al considerar la estacionalidad de 12 meses y utilizar datos de 9 años, logró identificar recurrencia y tendencia. El Naive estacional replicó el patrón de 2024, presentando picos y valles acordes con la demanda de exportación de soja. Este desempeño es consistente con estudios que indican que métodos simples pueden ser competitivos cuando capturan la estacionalidad (Makridakis e Hibon, 2000).

Figura 2. Comparativa entre el volumen realizado y las previsiones de cada modelo para soja exportada en 2025

Fuente: Resultados originales de la investigación y datos extraídos del sistema Comex Stat (MDIC)(Brasil, [s.d.])

En contraste, los modelos Naive, MM3 y MM12 no se aproximaron al volumen realizado en 2025. El modelo Naive, basado solo en el mes anterior, subestimó significativamente el volumen, ya que consideró el bajo volumen de diciembre de 2024 para todas las previsiones de 2025. El MM3 presentó un resultado similar, influenciado por los bajos volúmenes de octubre a diciembre de 2024 y utilizando sus propias previsiones para los meses subsiguientes. El MM12 captó la estacionalidad, pero con amplitud reducida y desplazamiento horizontal, lo que se debe a la inclusión de valores de media calculados por el propio modelo en los meses de pico, resultando en previsiones más bajas que las realizadas (Hyndman y Athanasopoulos, 2021; Makridakis y Hibon, 2000).

El análisis de las métricas de error para el período de la muestra de prueba, clasificado por WMAPE, confirmó el rendimiento de los modelos. La Tabla 3 detalla estos resultados.

Tabla 3. Métricas de cada modelo de predicción de demanda

Patrón	MAE [t]	RMSE [t]	MAPE [%]	WMAPE [%]	SESGO [t]
ETS	851.536	1.045.768	23,8%	9,4%	-302.029
Estacional ingenuo	1.198.291	1.335.352	28,8%	13,3%	-780.810
MM12	4.047.505	4.670.175	94,2%	45,2%	-1.446.865
MM3	6.685.071	7.907.642	75,8%	74,2%	-6.348.331
Ingenuo	7.164.904	8.411.923	74,9%	79,5%	-7.008.743

Fuente: Resultados originales de la investigación

El modelo ETS presentó el menor MAE (851.536 t) y RMSE (1.045.768 t), indicando la mayor proximidad media entre la previsión y lo realizado y la capacidad de evitar grandes divergencias. El Naive estacional fue el segundo mejor en ambos criterios (MAE de 1.198.291 t y RMSE de 1.335.352 t), lo que se espera para un modelo que capta la estacionalidad anual. Los modelos Naive y MM3 registraron MAE y RMSE significativamente más altos, sugiriendo que sus previsiones se alejaron de lo realizado, especialmente en los meses pico (Hyndman y Athanasopoulos, 2021).

En relación con el MAPE, el ETS obtuvo el valor más bajo (23,8%), seguido por el Naive estacional (28,8%). El MAPE del MM12 fue alto (94,2%), influenciado por meses de bajo volumen realizado, como enero, donde el error porcentual fue del 670,2%. Esta sensibilidad del MAPE a volúmenes bajos resalta la importancia de evaluarlo junto con otras métricas (Hyndman y Koehler, 2006).

El WMAPE, criterio principal, confirmó el ETS como el mejor modelo (9,4%), seguido por el Naive estacional (13,3%). Los modelos MM12 (45,2%), MM3 (74,2%) y Naive (79,5%) presentaron WMAPE considerablemente más altos. Los modelos sin capacidad de capturar estacionalidad, como Naive y MM3, subestimaron los picos del primer semestre, concentrando errores absolutos en volúmenes realizados más altos y, consecuentemente, elevando el WMAPE.

El BIAS, que indica la dirección del error, mostró una tendencia predominante de subestimación en todos los modelos. El ETS registró el sesgo más cercano a cero (-302.029 t), mientras que el Naive estacional (-780.810 t) también subestimó, pero en menor grado que los demás. Los modelos Naive (-7.008.743 t) y MM3 (-6.348.331 t) exhibieron los mayores sesgos negativos, indicando una subestimación continua que puede llevar a decisiones conservadoras y a una subestimación de la demanda (Hyndman y Athanasopoulos, 2021).

Para complementar las métricas estadísticas, el costo del error se calculó en dólares, considerando el Valor FOB US$ mensual y el volumen exportado en cada mes de 2025. La Tabla 4 presenta el costo unitario mensual por tonelada.

Tabla 4. Costo unitario mensual en dólares por tonelada

Datos	Volumen en tonelada	Importe US$ FOB	Costo unitario
ene/25	1.069.087	$ 433.412.725	$ 405,40
feb/25	6.428.317	$2.543.652.430	$ 395,69
mzo/25	14.657.781	$5.673.615.141	$ 387,07
abril/25	15.271.914	$5.864.208.310	$ 383,99
may/25	14.099.745	$5.501.158.133	$ 390,16
junio/25	13.420.319	$5.337.449.698	$ 397,71
julio/25	12.257.306	$ 5.001.850.667	$ 408,07
agosto/25	9.325.162	$3.868.955.860	$ 414,89
establecer/25	7.339.951	$3.103.031.251	$ 422,76
oct/25	6.727.671	$2.878.022.046	$ 427,79
nov/25	4.197.159	$1.827.759.344	$ 435,48
dic/25	3.383.155	$ 1.498.479.236	$ 442,92

Fuente: Resultados originales de la investigación y datos extraídos del sistema Comex Stat (MDIC)(Brasil, [s.d.])

La variación del precio unitario a lo largo de 2025, con precios más bajos en meses de mayor volumen y más altos en meses de menor volumen, indica que el impacto económico del error de previsión está influenciado tanto por el precio unitario como por el volumen. El costo anual del error para cada modelo se calculó y se detalla en la Tabla 5.

Tabla 5. Costo del error para cada modelo de pronóstico de demanda

Modelo de predicción	Subestimación de costos	Sobrestimación de costos	Costo total
Ingenuo	$34.057.820.976	$379.850.481	$34.437.671.457
Estacional ingenuo	$4.936.315.383	$1.009.597.624	$5.945.913.007
MM3	$31.253.339.787	$819.096.726	$32.072.436.513
MM12	$13.096.524.451	$6.588.500.089	$19.685.024.540
ETS	$2.815.053.787	$1.358.749.449	$4.173.803.236

Fuente: Resultados originales de la investigación y datos extraídos del sistema Comex Stat (MDIC)(Brasil, [s.d.])

La mayor parte del costo del error para todos los modelos evaluados está ligada a la subestimación, lo que es consistente con los sesgos negativos observados. Esta subestimación representa un riesgo operativo significativo, pudiendo generar restricciones logísticas y menor preparación para atender la demanda en los picos de exportación (Hyndman y Athanasopoulos, 2021; Fildes, Ma y Kolassa, 2019).

En este contexto, el ETS presentó la menor exposición al costo total del error, con $4.173.803.236, lo que corresponde aproximadamente al 9,5% del valor exportado en 2025. Este valor fue significativamente inferior a los costos de error de los demás modelos. El Naive estacional registró $5.945.913.007, mientras que los modelos que no captaron la estacionalidad, como MM12 ($19.685.024.540), MM3 ($32.072.436.513) y Naive ($34.437.671.457), presentaron costos de error mucho más elevados. Esta diferencia demuestra que los modelos ETS y Naive estacional no solo superaron a los demás en precisión, sino que también fueron más eficaces en la reducción de la exposición económica asociada al error de pronóstico.

En resumen, las métricas estadísticas y de costo convergieron a la misma conclusión práctica: el modelo ETS fue consistentemente superior. Lideró en el criterio WMAPE y presentó los menores MAE y RMSE, el MAPE más bajo, el BIAS más cercano a cero y el menor costo de error. El Naive estacional, aunque no fue el mejor, demostró un buen rendimiento y puede servir como un benchmark útil para monitorear el valor agregado de modelos más sofisticados (Goodwin, Petropoulos y Hyndman, 2017). Por otro lado, los modelos de media móvil y el Naive no se mostraron adecuados a la dinámica de 2025, fallando en capturar la estacionalidad y resultando en errores significativamente superiores (Makridakis e Hibon, 2000).

4. Conclusión

El presente estudio evaluó la precisión de diferentes modelos de pronóstico aplicados al volumen mensual exportado de soja en grano de Brasil, buscando identificar el modelo de mejor desempeño y estimar la exposición económica asociada al error de pronóstico. Se verificó que el modelo de Suavización Exponencial Estacional (ETS) presentó consistentemente el mejor desempeño en la muestra de prueba, con menor error porcentual ponderado (WMAPE), menor error absoluto (MAE y RMSE) y menor sesgo (BIAS). El modelo Naive estacional también demostró buen desempeño, posicionándose como una referencia comparativa robusta. En contraste, los modelos Naive, Media Móvil de 3 meses y Media Móvil de 12 meses fallaron en capturar la estacionalidad intrínseca de la serie temporal, resultando en una subestimación significativa de los volúmenes de exportación, especialmente en los meses de pico, y, consecuentemente, en errores sustancialmente mayores y mayor exposición económica.

La principal contribución del estudio reside en la identificación de un enfoque de pronóstico que minimiza la incertidumbre y la exposición económica en la planificación de la cadena de exportación de soja brasileña. La adopción del modelo ETS, que incorpora explícitamente la estacionalidad, ofrece subsidios gerenciales para decisiones más precisas de planificación de ventas y operaciones, abastecimiento y gestión de riesgos. El análisis del costo del error en dólares reveló que la subestimación de la demanda representa la mayor parte de la exposición económica, indicando riesgos operativos significativos, como restricciones logísticas y menor preparación para atender la demanda. La evaluación conjunta de métricas de error y sesgo, complementada por la cuantificación del impacto económico, demostró ser esencial para una comprensión integral del desempeño de los modelos, reforzando que el análisis de una única métrica puede llevar a interpretaciones engañosas.

Referencias Bibliográficas

Agência GOV. Conab: safra de grãos 2024/25 será recorde com destaque para milho e soja. Agência Gov, 14 ago. 2025. Disponível em: . Acesso em: 10 abril 2026.

Brasil. Ministério do Desenvolvimento, Indústria, Comércio e Serviços (MDIC). Comex Stat: consulta geral (ID 149927). Brasília, DF: MDIC, [s.d.]. Disponível em: https://comexstat.mdic.gov.br/pt/geral/149927. Acesso em: 10 abril 2026.

Brasil. Secretaria de Comunicação Social da Presidência da República. Produção de grãos deve bater recorde com 332,9 milhões de toneladas na safra 2024/25. Gov.br, 15 maio 2025. Disponível em: . Acesso em: 10 abril 2026.

EMBRAPA. Dados econômicos. Londrina: Embrapa Soja, 2025. Disponível em: . Acesso em: 10 abril 2026.

Fildes, R.; Ma, S.; Kolassa, S. Retail forecasting: Research and practice. International Journal of Forecasting, v. 35, n. 1, p. 1–22, 2019. DOI: 10.1016/j.ijforecast.2018.06.004.

Goodwin, P.; Petropoulos, F.; Hyndman, R. A note on upper bounds for forecast-value-added relative to naïve forecasts. Journal of the Operational Research Society, v. 68, n. 9, p. 1082-1084, 2017.

Hyndman, R.; Athanasopoulos, G. Forecasting: Principles and Practice. 3. ed. OTexts, 2021. Disponível em: https://otexts.com/fpp3/.

Hyndman, R.; Koehler, A. Another look at measures of forecast accuracy. International Journal of Forecasting, v. 22, n. 4, p. 679–688, 2006.

Makridakis, S.; Hibon, M. The M3-Competition: results, conclusions and implications. International Journal of Forecasting, v. 16, n. 4, p. 451–476, 2000.

Schmidt, C.; Tayano, P; Santos, J.; Marujo, L.; Proença, G. Previsões estatísticas com base em séries temporais da cultura da soja no Brasil. Revista Técnico-Científica do CREA-PR, 2020.

SCOT Consultoria. Carta Grãos e Agricultura – Conab confirma produção histórica de soja no Brasil. Scot Consultoria, 27 maio 2025. Disponível em: . Acesso em: 10 abril 2026.

Vieira Filho, J. A produção de soja e sua importância na economia brasileira. Revista de Política Agrícola, v. 33, 2024, e01962. Disponível em: . Acesso em: 10 abril 2026.

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Gestión de Negocios del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy

Más recientes

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

22 de octubre de 2026

Combate a las Pérdidas Comerciales de Energía Eléctrica Utilizando Modelo de Series Temporales

También te puede interesar

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

La inserción de niños con Trastorno del Espectro Autista (TEA) en la Educación Infantil presenta desafíos significativos, dada la dificultad de adaptación a nuevos entornos y la intensidad de estímulos. El objetivo fue analizar la actuación docente en la Educación Infantil en el proceso de escolarización inicial de niños con TEA. Se realizó un estudio de caso, utilizando la entrevista narrativa como técnica de producción de datos. Los resultados revelaron que la actuación docente se caracterizó por prácticas de mediación y afecto, con la flexibilización de la rutina y el uso de recursos lúdicos como estrategias esenciales para el desarrollo y la organización sensorial del niño. También se destacó la importancia del profesional de apoyo escolar para el éxito del trabajo pedagógico. El desarrollo integral del niño fue promovido por medio de acciones docentes intencionales que priorizaron la adaptación ambiental, el fortalecimiento de vínculos y la atención a las necesidades específicas del TEA. Como contribución, se elaboró una guía de estrategias pedagógicas orientada a la acogida de niños con TEA en guarderías públicas.

Palabras clave: Educación Infantil; Inclusión Escolar; Narrativas Docentes; Prácticas Pedagógicas Inclusivas; Trastorno del Espectro Autista.

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

La expansión del comercio electrónico y la transformación tecnológica impulsaron la necesidad de comprender el comportamiento del consumidor de infoproductos, cuya experiencia percibida se ha vuelto crucial para el desarrollo profesional. El estudio tuvo como objetivo analizar los factores que influyeron en la decisión de compra de infoproductos en el entorno digital, considerando las etapas del viaje del consumidor. Se realizó una investigación aplicada, cuantitativa y descriptiva, a través de un estudio de campo con 100 consumidores de la Serra Gaúcha. La recopilación de datos se realizó mediante un cuestionario estructurado, utilizando muestreo no probabilístico. Los resultados revelaron un público cualificado y con un fuerte comportamiento “mobile-first”. Se constató que la disponibilidad de información detallada y la aprobación social fueron los principales desencadenantes de atracción en la fase de precompra. En las etapas transaccionales y posteriores, la minimización de fricciones operativas, la agilidad del acceso inmediato y la seguridad sistémica demostraron ser cruciales para la conversión y la satisfacción, aunque se identificaron lagunas en la eficiencia del soporte humano. La retención se fundamentó en la confianza generada por experiencias anteriores positivas, superando el factor precio. Se concluyó que el viaje del consumidor de infoproductos opera como un sistema integrado, exigiendo alineación entre infraestructura tecnológica, curaduría de contenido y humanización del soporte para asegurar el compromiso.

Palabras clave: Comercio electrónico; Comportamiento del consumidor; Experiencia del consumidor; Fidelización; Negocios virtuales.

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

La salud mental en el entorno laboral es un tema de creciente relevancia, que impacta el desarrollo profesional y el bienestar de los colaboradores. Se realizó un estudio para identificar aspectos y situaciones que pueden influir en los niveles de absentismo en una institución bancaria. La investigación involucró a 108 participantes y utilizó un cuestionario estructurado, basado en la versión corta del COPSOQ II de Gonçalves (2021), que contenía 45 preguntas cerradas en escala Likert y dos preguntas abiertas. Los datos se recopilaron a través de una plataforma en línea y se analizaron con un enfoque descriptivo y cuantitativo. Los resultados revelaron un escenario que indicó la necesidad de ajustes en la distribución de las actividades y en la percepción de los gerentes sobre comportamientos y señales de trastornos. Se identificaron evidencias importantes en las respuestas abiertas de los participantes. Se concluyó que el estudio contribuyó a la promoción de la percepción de un ambiente seguro para la salud mental en la organización.

Palabras clave: Ausencias por trastornos; Desarrollo profesional; Liderazgo operativo; Licencia médica; Salud mental.

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

El estado de Amazonas ha enfrentado desafíos históricos en la consolidación del Sistema Único de Salud (SUS), derivados de barreras geográficas, desigualdades socioeconómicas y limitaciones estructurales. En este estudio se describió el desarrollo e implementación de un geoportal de información en salud, concebido para apoyar el monitoreo, la evaluación y la planificación en el contexto amazónico. Se adoptó un enfoque de estudio de caso descriptivo, basado en análisis documental y datos secundarios, abarcando el mapeo de funcionalidades, la infraestructura técnica y las etapas de validación de la herramienta. El Portal fue desarrollado con tecnologías abiertas e integró múltiples bases de datos nacionales, ofreciendo dashboards interactivos, mapas temáticos y repositorio digital de documentos. Entre los resultados, destacaron la visualización georreferenciada de indicadores clave, la posibilidad de análisis comparativos temporales y la utilización de la plataforma en la revisión de planes de salud y en el redireccionamiento de acciones estratégicas. El portal puede representar un avance en la gobernanza digital y en la gestión basada en evidencia, con potencial de replicabilidad para otros territorios de alta complejidad, siempre que vaya acompañado de inversiones en infraestructura tecnológica, capacitación profesional y articulación interinstitucional.

Palabras clave: Amazonía; Evaluación en Salud; Salud Digital; Sistemas de Información en Salud.

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

El impacto del aprendizaje continuo y la gestión del conocimiento en el crecimiento de las organizaciones fue estudiado en un escenario de globalización y constantes cambios. El objetivo del estudio fue analizar la percepción de los colaboradores sobre la cultura de aprendizaje y su importancia para el desarrollo personal y profesional. Los datos se obtuvieron a través de una encuesta anónima, de enfoque cuantitativo, utilizando un formulario con preguntas tipo “survey” aplicado a 87 profesionales de los sectores de tecnología, salud, educación, comercio y servicios. Los resultados indicaron que los colaboradores tenían una percepción positiva sobre la contribución del aprendizaje continuo al crecimiento personal y organizacional, reconociendo sus beneficios para el desarrollo de nuevas habilidades, la innovación y la competitividad. Sin embargo, se observó que el incentivo al intercambio de conocimiento interno y la oferta de capacitaciones prácticas aún presentaban medias moderadas de acuerdo. Se concluyó que el aprendizaje continuo contribuye significativamente al desarrollo individual y organizacional, sugiriendo que las empresas deben desarrollar políticas estratégicas de aprendizaje dirigido a nuevas habilidades, buscando una mayor ventaja competitiva y la innovación.

Palabras clave: Aprendizaje continuo; Autodesarrollo; Crecimiento organizacional; Gestión del Conocimiento; Innovación.

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

Se propuso un modelo de regresión estadística múltiple para estimar el rendimiento operativo de la microrred CampusGrid de la UNICAMP, basándose en magnitudes eléctricas internas. La microrred integra generación fotovoltaica, baterías y un generador de gas. Se recopilaron datos del sistema de gestión de energía en intervalos de cinco minutos durante un mes. El Índice de Confiabilidad Operacional, definido como la razón entre energía atendida y demandada, se estableció como variable dependiente. El modelo se ajustó al modo de operación aislado, evaluando el impacto de la demanda, el estado de carga, la generación solar y la energía suministrada. Los resultados revelaron un elevado poder explicativo, indicando que la confiabilidad operativa depende de la interacción entre el suministro y la demanda. Se observó que el período nocturno concentró la mayor tasa de atención parcial, atribuida a la reducción de la generación solar. Se concluyó que la regresión múltiple ofrece una estructura interpretable y útil para el monitoreo de microrredes y el apoyo a estrategias de control.

Palabras clave: Almacenamiento en baterías; Generación fotovoltaica; Índice de Confiabilidad; Operación aislada; Sistema de Gestión de Energía.

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

La morosidad agregada en el sistema financiero brasileño es un indicador crucial de riesgo crediticio, cuya previsión está regulada por las Resoluciones CMN n.° 4.557/2017 y 4.966/2021 para la medición prospectiva de pérdidas esperadas. Se modeló y predijo la morosidad agregada mediante el modelo SARIMAX, proyectando su trayectoria hasta diciembre de 2026 bajo escenarios optimista, base y pesimista. Se utilizaron 164 observaciones mensuales (julio/2012 a febrero/2026) y variables macroeconómicas como desempleo, Selic, IPCA, IBC-Br y endeudamiento de las familias. La especificación con variables contemporáneas fue seleccionada con base en criterios de información y estabilidad de los coeficientes, y el diagnóstico de los residuos confirmó adecuación estadística, con MAPE de 3,12%. La morosidad histórica varió entre 4,33% y 7,64%. La estimación identificó el desempleo (β = 0,2534; p < 0,001) y la Selic (β = 0,2128; p < 0,001) como principales determinantes positivos, con fuerte persistencia temporal (AR(1) = 0,8965). La Selic exhibió correlación creciente con la morosidad (r = 0,62 en el rezago 12), mientras que el desempleo demostró efecto contemporáneo (r = 0,33). Las proyecciones indicaron morosidad entre 6,30% y 7,98% en diciembre de 2026, con una amplitud de 1,68 punto porcentual, evidenciando implicaciones directas para el dimensionamiento de provisiones en las instituciones financieras.

Palabras clave: Desempleo; Modelado predictivo; Política monetaria; Provisión de pérdidas; Series temporales.

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

Este estudio describió los factores críticos percibidos para la participación de las partes interesadas en la transferencia internacional de tecnología en un hospital público, con foco en la planificación. El objetivo fue describir estos factores condicionantes, según la percepción de los profesionales. Se realizó un estudio de caso único, aplicando un cuestionario a 25 profesionales y utilizando análisis de contenido, complementado por tabulaciones descriptivas. Los principales obstáculos identificados fueron resistencia al cambio (72%), financiación (64%), falta de comunicación (60%) y burocracia (40%). Solo el 28% de los encuestados reconoció la existencia de herramientas adecuadas para la gestión de stakeholders, mientras que el 48% negó y el 24% no supo informar. Cruzamientos exploratorios indicaron variaciones en la evaluación de influencia según el tiempo de actuación, pero no establecieron relaciones causales. La falta de participación se asoció con retrasos, baja adhesión, desperdicio de recursos, fallas de comunicación, compromiso de la absorción de conocimiento y riesgos para la seguridad del paciente. Las conclusiones se restringieron a las percepciones del grupo investigado y fundamentaron recomendaciones preliminares para la comunicación y coordinación intersectorial.

Palabras clave: Estudio de caso; Gestión de proyectos; Innovación en salud; Partes interesadas; Sector público.

22 de octubre de 2026

Combate a las Pérdidas Comerciales de Energía Eléctrica Utilizando Modelo de Series Temporales

Las pérdidas comerciales de energía eléctrica representaron uno de los principales desafíos para las distribuidoras, impactando directamente la sostenibilidad económica y la calidad del suministro. Se evaluó la eficiencia de modelos de series temporales, con foco en técnicas de suavización exponencial, en la predicción del consumo facturado de unidades consumidoras, para apoyar la identificación de desvíos asociados a pérdidas no técnicas. Se utilizaron datos históricos de consumo mensual de una distribuidora de energía eléctrica en Brasil, segmentados por perfiles de comportamiento (estacionariedad, tendencia y estacionalidad). Se aplicaron modelos de suavización exponencial simple, Holt y Holt-Winters (aditivo y multiplicativo), comparados a una media móvil tradicional. El error porcentual absoluto medio (MAPE) fue el criterio de evaluación. Adicionalmente, se empleó el enfoque predictivo para la selección automática del modelo y pruebas de diagnóstico de los residuos, como Ljung-Box y análisis de la función de autocorrelación. Los resultados demostraron que modelos más robustos presentaron mayor capacidad de adaptación a las características de las series y menor error, con destaque para el desempeño superior en escenarios con tendencia. Para series estacionales, el modelo ETS mostró mayor capacidad de adaptación a transiciones. Se concluyó que la utilización de modelos de series temporales más estructurados contribuyó significativamente a la mejora de la exactitud de las predicciones y ofreció soporte analítico relevante para la identificación de pérdidas comerciales y optimización de procesos operacionales y comerciales en el sector eléctrico.

Palabras clave: Distribución de energía; MAPE; Optimización; Predicción de consumo; Suavización exponencial.

Economia

19 de octubre de 2026

¿Fin de la escala 6×1: qué permiten concluir los números?

Tras la promulgación del fin de la escala 6×1, el debate sobre la jornada menor pasa a la implementación y exige distinguir beneficios sociales de costos económicos El fin de la escala 6×1 pasó de la discusión legislativa a un cambio constitucional en Brasil. El 16 de octubre de 2026, el Congreso Nacional promulgó la enmienda constitucional nº 141/2026, originada de la Propuesta […]

Inteligencia Artificial

16 de octubre de 2026

¿Por qué estudiar si existe la IA?

Cuando las respuestas se vuelven fáciles, aprender pasa a significar más que alcanzarlas. ¿Por qué necesito aprender esto si puedo preguntarle a una inteligencia artificial? Este tipo de pregunta ha acompañado a la educación durante décadas. ¿Por qué aprender una operación si existe una calculadora? ¿Por qué memorizar una información si se puede encontrar […]

Gestión Tributaria

15 de octubre de 2026

Impuesto rosa y el género del precio

Cómo los diferentes tratamientos de marketing para hombres y mujeres son incorporados por la tributación del consumo Imagine un estante en el que dos maquinillas de afeitar de la misma marca y destinadas al mismo propósito están expuestas una al lado de la otra: una tiene un empaque oscuro y promete fuerza, precisión y eficiencia; la otra viene en tonos de rosa o […]

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

¿Por qué la innovación no es suficiente para generar cambios en las organizaciones y en los sistemas de salud La transformación digital se ha consolidado como una prioridad estratégica para los sistemas de salud en todo el mundo. Historias clínicas electrónicas, inteligencia artificial, telemedicina, monitorización remota y análisis de datos han pasado a formar parte de la agenda estratégica de gobiernos y organizaciones sanitarias. Paradójicamente, […]

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

Un caso real de consumer intelligence muestra lo que queda fuera del briefing Hace algunos años, una aseguradora estadounidense contrató a una empresa especializada en consumer intelligence para responder a tres preguntas: La aseguradora también evaluaba lanzar seguros pagados en bitcoin. En ese momento, el proceso de trabajo de la consultoría funcionaba así: el analista creaba una query […]

Gestión Escolar

06 de octubre de 2026

La escuela no es un casino: cuando las figuritas se convierten en moneda en el patio

¿Por qué, para determinados estudiantes, la escuela logra ofrecer tan pocas experiencias de éxito? La Copa del Mundo ha terminado. Brasil ha quedado fuera de la competición, llegaron las vacaciones escolares, se disputó la final y el calendario del fútbol siguió adelante. Sería razonable imaginar que, con el fin del torneo y el regreso a clases, también comenzara […]

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

Brasil necesita invertir en la capacidad de transformar recursos naturales en innovación, productividad y desarrollo Hablar de energía es hablar de desarrollo. Detrás de la industria, el transporte, los servicios, las ciudades y, cada vez más, la inteligencia artificial, existe una infraestructura energética que sustenta la economía. Comprender la matriz energética de un país es comprender […]

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

Análisis de casi 20 millones de vínculos-año docentes entre 2020 y 2025 muestra cómo cambios en la composición de la población y en la producción de los registros pueden alterar la interpretación de series históricas Entre 2020 y 2025, el número de vínculos formales de trabajo docente identificados en la RAIS (Relación Anual de Información Social), del Ministerio de Trabajo, […]

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

¿Por qué tanta gente se une a los juegos con ChatGPT? Nunca fui una persona de tendencias. Sigo sin serlo. Algunas pasan por mi línea de tiempo, las veo, me parecen interesantes pero no al punto de experimentar. Fue así, inclusive, con algunas ondas recientes de imágenes hechas por inteligencia artificial, como la tendencia de los años 80, aquella que nos […]

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

La eficiencia para gestionar los impuestos facilita la gobernanza y permite organizar la sucesión familiar. La organización patrimonial rural se ha convertido en una medida estratégica ante la reforma tributaria en Brasil, que entró en vigor este año. La planificación de las actividades y de la gestión del patrimonio rural, a través de herramientas como la transición de la Persona Física a […]

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

Dentro de la empresa y fuera del radar: los riesgos de la IA Sombra

Según Microsoft, el 75% de los profesionales ya utilizan inteligencia artificial en el trabajo sin la aprobación de la empresa El uso de la inteligencia artificial generativa ya forma parte de la rutina corporativa. Herramientas como ChatGPT, Copilot y otras plataformas ayudan a los profesionales a producir textos, analizar datos, crear presentaciones y acelerar tareas en prácticamente todos los sectores. Pero este avance […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

El interés académico refuerza la proyección de escenarios como herramienta esencial para la toma de decisiones. Mientras algunas empresas aún intentan acertar el próximo paso, otras ya trabajan con múltiples futuros posibles — y se preparan para todos ellos. Pero, ¿qué significa “pensar el futuro”? ¿Es tendencia, es estrategia o una nueva competencia que […]

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

Pecege comanda a operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

Nueva gestión del Parque Tecnológico de Piracicaba ofrece consultoría a egresados de MBAs El nuevo director de proyectos del Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, suele decir que una de las mayores recompensas que ha tenido en la vida ha sido ver a sus orientandos del MBA USP/Esalq estructurar empresas a partir de sus trabajos de conclusión de […]

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

El pensamiento crítico y la creatividad son insustituibles en el trabajo del profesional de marketing La Inteligencia Artificial (IA) es capaz de hazañas increíbles, pero aún no posee la capacidad de juicio, empatía, intuición y creatividad estratégica necesarias para hacer el trabajo de un buen profesional de marketing. En esta área, es importante saber usar la herramienta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

Santa Clara equilibra responsabilidad social y ambiental con innovación Fundada en 1911 por inmigrantes italianos en Carlos Barbosa, en la sierra gaúcha, la Cooperativa Santa Clara es un ejemplo de que es posible equilibrar el crecimiento económico con la responsabilidad social y ambiental. De una pequeña empresa de producción de quesos, la organización evolucionó a un […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

¿Brasil libre de fiebre aftosa: qué cambia para la carne brasileña?

Con un rebaño de más de 200 millones de cabezas de ganado, el país es actualmente el líder en exportaciones Brasil recibió recientemente, por primera vez, la certificación de país libre de fiebre aftosa sin vacunación, otorgada por la Organización Mundial de Sanidad Animal (OMSA). El sello fortalece la posición del país como proveedor de carne confiable para el […]

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

El Instituto Pecege asume la gestión apostando en la creación de nuevos negocios A partir de 2026, el Instituto Pecege asumirá la gestión del Parque Tecnológico de Piracicaba (PTP). Entre sus responsabilidades estarán la administración, operación, mantenimiento y expansión del parque, además del fomento de actividades de innovación, emprendimiento y ciencia y tecnología. La elección fue realizada […]

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La arquitectura y el urbanismo se configuran como bases imprescindibles en un espacio urbano cada vez más complejo y desafiante, donde la intrínseca conexión entre cuestiones sociales, ambientales y tecnológicas […]