Artículo

26 de octubre de 2026

bacenR: paquete en R para descarga y tratamiento de datos del Banco Central de Brasil

Ricardo Theodoro; Walter Mesquita Filho

DOI: 10.22167/2675-6528-202603428

Artículo derivado del 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

En la investigación académica, la confiabilidad y la estructura de los datos son cruciales, pero la recolección manual de información del Banco Central de Brasil (Bacen) puede ser lenta y compleja. El presente estudio tuvo como objetivo desarrollar el paquete bacenR para el lenguaje R, con el fin de facilitar la descarga y el procesamiento de datos del Bacen, incluyendo balances, estados de cuentas, datos de registro de instituciones financieras, actos normativos e información sobre carteras de crédito. El desarrollo del paquete siguió las directrices de Wickham y Bryan (2023) para la creación de paquetes en R, abarcando etapas como la definición del alcance, la codificación de funciones, las pruebas, la documentación y el mantenimiento. Las funciones fueron diseñadas para descargar y organizar datos de normas, balances e información de IFdata. El paquete bacenR se puso a disposición en CRAN y GitHub, y su versión estable fue instalada por 823 usuarios. El uso demostró eficiencia en la recolección y el procesamiento de grandes volúmenes de datos con pocas líneas de código. Se concluyó que bacenR es una herramienta útil que optimiza el tiempo de investigación al reducir el esfuerzo en la recolección de datos, permitiendo una mayor dedicación al análisis y democratizando el acceso a la información financiera para investigadores con menor experiencia en programación.

Palabras clave: Actos normativos; Bacen; Balancete; IFdata; Instituciones financieras.

1. Introducción

La investigación académica sobre bancos y cooperativas de crédito depende fundamentalmente del acceso a datos financieros confiables, granulares y actualizados. Estos datos son esenciales para investigar la eficiencia, el desempeño, el riesgo y la competitividad de estas instituciones dentro del sistema financiero nacional. La relevancia del tema es creciente, según lo indicado por la Coordinación de Perfeccionamiento de Personal de Nivel Superior (CAPES), que registró una expansión en la cantidad de tesis y disertaciones anuales sobre el asunto, pasando de 37 en 2010 a 64 en 2022.

Diversos estudios ya han evidenciado la importancia del uso de datos de fuentes confiables para probar hipótesis y proponer soluciones (Bath, 2023; Olmsted, 2024; Hackman et al., 2024). En este contexto, el Banco Central de Brasil (Bacen) desempeña un papel estratégico al disponibilizar públicamente una inmensa cantidad de datos. Estos abarcan desde series históricas hasta estadísticas específicas de diferentes segmentos del sistema financiero, incluyendo bancos comerciales, cooperativas de crédito, financieras no bancarias y puestos de atención (Theodoro et al., 2021; Canassa et al., 2022; Bressan et al., 2023). Esta política de datos abiertos democratiza el acceso a la información y promueve avances metodológicos en investigaciones académicas, haciendo posible el análisis descriptivo e inferencial con rigor técnico.

Sin embargo, a pesar de la amplia disponibilidad de estos datos, la etapa de recolección y tratamiento de la información aún representa un desafío expresivo para los investigadores, principalmente aquellos con poca experiencia en programación o automatización. El proceso manual demanda tiempo, atención, recursos humanos y está sujeto a inconsistencias, duplicidades y errores de digitación, especialmente cuando se trata de la unificación de múltiples bases, tratamiento de formatos distintos y actualización constante de requisitos regulatorios. La literatura especializada señala que la etapa de preparación y limpieza de datos puede consumir hasta el 80% del tiempo de análisis, haciendo inviable la conducción eficiente de estudios a gran escala sin herramientas adecuadas (Paton, 2019; Santos et al., 2025).

En este contexto, el desarrollo de un paquete en R especializado para descargar, tratar y organizar datos del Bacen ya listos para análisis emerge como una iniciativa con potencial relevancia académica y social. Dicha herramienta automatiza rutinas de recolección y transformación, y un paquete bien documentado, con manual de uso y ejemplos concretos, amplía el acceso de investigadores con poca experiencia técnica, fomentando trabajos innovadores y garantizando que el análisis de los datos se realice de manera estandarizada y confiable. Esto permite que el investigador pueda dedicar más tiempo a analizar los datos que a recolectarlos. Aunque existen paquetes como BacenAPI (Icaro et al., 2025), rbcb (Freitas, 2024) y BETS (Costa et al., 2018) que demuestran la necesidad de soluciones de código abierto para la investigación económica y financiera nacional, estos se centran en datos como IPCA, SELIC, PIB y Deudas del Gobierno, y no cubren todos los datos disponibles por el Bacen. Existe una brecha para un paquete que descargue datos como los balances de las instituciones financieras, los organice para facilitar su uso y descargue las instrucciones normativas emitidas por la Comisión de Valores Mobiliarios (CVM) y puestas a disposición por el Bacen.

Teniendo en cuenta los puntos presentados y la necesidad de llenar este vacío, el objetivo de este trabajo fue crear un paquete en R, denominado bacenR, para descargar información sobre Instrucciones Normativas que rigen la regulación y fiscalización de las instituciones financieras, los Balances y Balancetes de las mismas, información sobre las carteras de crédito activas de cada institución y datos sobre la dirección de las instituciones financieras activas en cada período, de manera que los datos obtenidos sean fácilmente tratados y organizados.

2. Material y Métodos

La investigación se caracterizó por ser de naturaleza aplicada, con un enfoque metodológico de desarrollo de un paquete de software, específicamente para el lenguaje R. El objetivo central fue crear una herramienta, denominada bacenR, capaz de automatizar el proceso de recolección, tratamiento y organización de datos financieros y regulatorios puestos a disposición por el Banco Central de Brasil (Bacen), con el fin de facilitar el análisis académico y reducir el esfuerzo manual.

La metodología adoptada se basó en las directrices de Wickham y Bryan (2023), quienes describen sistemáticamente el proceso de concepción y desarrollo de paquetes en el entorno R. Complementariamente, se utilizaron como referencia las obras de Grolemund (2014), Marwick et al. (2018a; 2018b), Silge (2018), Wickham (2021) y Wickham et al. (2023). Estos materiales fueron esenciales por abordar principios de buenas prácticas de programación, reproducibilidad, testeabilidad y legibilidad del código.

El desarrollo del paquete se realizó en etapas secuenciales, según el modelo propuesto por Wickham y Bryan (2023). Las fases incluyeron: 1) Configuraciones iniciales del entorno de desarrollo; 2) Definición de los componentes del paquete, como código y datos; 3) Elaboración de metadatos, abarcando descripción, dependencias y licencia; 4) Pruebas rigurosas de las funcionalidades; 5) Documentación detallada; y 6) Mantenimiento continuo del paquete.

Como paso inicial, se definió el alcance del proyecto, contemplando el idioma a utilizar, las principales funcionalidades a implementar y el cronograma de ejecución. A continuación, se creó un “GitHub Project” para mejorar la gestión del desarrollo, distribuir tareas, seguir el progreso de las implementaciones y planificar las próximas etapas de trabajo.

Con la estructura organizacional establecida, se inició la fase de codificación del paquete. Las funciones fueron diseñadas para descargar las normas publicadas por el Banco Central de Brasil y sus modificaciones, extraer el texto íntegro de dichas normas, obtener los balances y los balancetes de las instituciones financieras, y procesar estos datos, preparándolos para su posterior análisis. Las funciones iniciales desarrolladas fueron `get_normative_data()`, `get_normative_txt()`, `get_balance_sheets()` y `tidy_balance_sheets()`.

A continuación, se procedió al análisis de los componentes estructurales del paquete, que se componen del código fuente, las bases de datos, los directorios y las referencias bibliográficas, a fin de asegurar su consistencia y coherencia interna. Una vez completada esta verificación, se elaboraron los metadatos, que contemplaron la descripción detallada del paquete, sus dependencias y la definición de la licencia de uso. Para el funcionamiento de bacenR, el entorno R necesita estar en la versión 4.1 o superior, y se utilizaron como dependencias paquetes como `dplyr`, `fs`, `glue`, `httr`, `janitor`, `jsonlite`, `lifecycle`, `purrr`, `readr`, `rlang`, `stringr`, `tibble`, `tidyr`, `tools`, `utils` y `xml2`.

Con la estructura final consolidada, se inició la fase de pruebas. Cada función fue sometida a pruebas individuales con la utilización de los paquetes `testthat` y `devtools`, empleando diferentes parámetros para verificar la robustez y el comportamiento del código. Los errores identificados fueron corregidos iterativamente, implicando ajustes tanto en la codificación como en la documentación y en las dependencias declaradas. Tras la aprobación en todas las pruebas, incluyendo el “R CMD CHECK” ejecutado por medio de la integración con el “GitHub”, se inició el proceso de documentación formal, con la ayuda del paquete `usethis`. Todas las funciones fueron descritas detalladamente, con la exposición de sus objetivos, parámetros, resultados esperados y respectivas fuentes de datos, de modo a garantizar total transparencia y comprensibilidad al usuario final.

Con el paquete finalizado, se procedió a su puesta a disposición en “GitHub”, acompañada de un archivo README.md que contiene instrucciones para la instalación, explicación sobre el funcionamiento y ejemplos de uso de las funciones implementadas. La versión lanzada, denominada bacenR v0.1.0, fue clasificada como versión beta. Para ampliar la fase de validación, el paquete fue divulgado en redes sociales, permitiendo la recopilación de comentarios para identificar fallos, proponer mejoras y definir nuevas funcionalidades a ser incorporadas.

Después de la recopilación de comentarios, las funciones se ajustaron y se agregaron nuevas funcionalidades, siguiendo la necesidad de los usuarios. Estas nuevas funciones tenían como objetivo recopilar datos de IFdata sobre las carteras de crédito activas de las instituciones financieras y la dirección de las instituciones autorizadas. Las funciones agregadas fueron `get_ifdata_reports()`, `get_ifdata_registry()`, `get_institutions()` y `tidy_institutions()`. Después de una serie de pruebas y mejoras, ya en la versión 0.3.1, el paquete fue sometido a la evaluación de la “Comprehensive R Archive Network” (CRAN), repositorio oficial del lenguaje R, bajo la licencia “General Public License” 3 (GPL-3.0). Para la presentación, se creó un archivo “vignettes” con la descripción del paquete y ejemplos de uso, además de un README.md en GitHub, que contiene una breve presentación del paquete, sugerencias de paquetes similares, instrucciones de instalación, usos básicos, lista de tareas futuras, información sobre el autor, cómo citar y cómo apoyar, y una guía para contribuciones.

3. Resultados y Discusión

La fase inicial del desarrollo del paquete bacenR se centró en la creación de un entorno organizado en “GitHub Projects”, siguiendo las buenas prácticas de gestión de proyectos de software. Este entorno se estructuró para gestionar los “issues” (tareas o problemas) que surgían durante el proceso de codificación y documentación. La organización permitió que tanto los desarrolladores como los colaboradores potenciales pudieran seguir el progreso de las funcionalidades, verificar qué tareas estaban en curso o concluidas, e identificar lagunas para nuevas contribuciones. Este enfoque de desarrollo colaborativo es fundamental para proyectos de código abierto, incentivando la participación de la comunidad y mejorando la robustez de la herramienta.

En “GitHub Projects”, las tareas se categorizaron por “Status” en “Todo” (por hacer), “In Progress” (en progreso) y “Done” (hecho), facilitando el seguimiento visual del flujo de trabajo. Además, se incorporaron características de gestión de equipos, como “Priority” (prioridad), “Size” (tamaño), “Estimate” (tiempo estimado), “Start date” (fecha de inicio) y “End date” (fecha final). Estas métricas no solo ayudaron al mantenedor en la gestión del desarrollo, sino que también sirvieron como guía para la coordinación de un equipo de contribuidores, promoviendo transparencia y eficiencia en el ciclo de vida del paquete.

La elección del idioma inglés para el paquete fue estratégica, con el objetivo de maximizar el alcance global de la herramienta y atraer una base de usuarios y colaboradores más amplia. Sin embargo, para garantizar la accesibilidad a usuarios brasileños, los mensajes de error y algunas instrucciones fueron traducidos al portugués. Los parámetros de cada función también fueron descritos en portugués, lo que facilita la comprensión y el uso del paquete por parte de investigadores y profesionales en Brasil, alineándose con el objetivo de democratizar el acceso a los datos del Banco Central de Brasil.

Las primeras funciones desarrolladas, en la versión 0.1.0 del paquete, incluyeron `get_normative_data()`, `get_normative_txt()`, `get_balance_sheets()` y `tidy_balance_sheets()`. La función `get_normative_data()` fue diseñada para descargar actos normativos del Bacen, permitiendo la búsqueda por términos específicos y dentro de una ventana de fechas. Complementariamente, la función `get_normative_txt()` posibilitó la extracción del texto integral de estos actos normativos a partir del `data.frame` generado por la función anterior, proporcionando acceso detallado al contenido regulatorio.

Para datos financieros, la función `get_balance_sheets()` fue implementada para descargar balances y balancetes de instituciones financieras, con opciones de filtrado por año, mes y tipo de documento. A continuación, la función `tidy_balance_sheets()` fue desarrollada para procesar y organizar los balances descargados, preparándolos para análisis. La documentación interna de cada función, accesible directamente en el entorno R, describe el objetivo, la fuente de recolección de datos, los parámetros necesarios y ejemplos de uso, garantizando claridad y facilidad para el usuario.

La licencia adoptada para el paquete fue la “General Public License” 3 [GPL-3.0], que asegura la libertad de uso y distribución del paquete y sus funciones en otros programas, siempre que la distribución de estos también sea libre. Tras la conclusión de las pruebas y la garantía de conformidad con las buenas prácticas de desarrollo en R, el paquete fue puesto a disposición en “GitHub”. Se creó un archivo README.md para acompañar el paquete, proporcionando una presentación concisa, instrucciones de instalación, ejemplos de uso básico e información sobre cómo contribuir.

La versión 0.1.0, clasificada como beta, se difundió ampliamente en redes sociales como LinkedIn, Twitter/X e Instagram, generando un compromiso significativo. Las publicaciones obtuvieron un promedio de 150 “me gusta” y 3.000 impresiones o visualizaciones, lo que indica un notable interés del público académico y profesional por el acceso facilitado a estos datos. Esta difusión inicial fue crucial para recopilar comentarios valiosos de los usuarios, que contribuyeron a la identificación de fallos, sugerencias de mejoras y proposición de nuevas funcionalidades, demostrando la relevancia del paquete para la comunidad.

En respuesta a los comentarios recibidos, la versión 0.3.0 del paquete se ha mejorado con la adición de cuatro nuevas funciones. Se han incluido `get_ifdata_reports()` para descargar datos de informes institucionales del IFdata, `get_ifdata_registry()` para obtener datos de registro de las instituciones en el IFdata, `get_institutions()` para descargar datos de registro de las instituciones autorizadas por el Bacen y `tidy_institutions()` para tratar y organizar estos datos de registro. Con estas adiciones, la versión final del paquete pasó a contar con un total de ocho funciones dedicadas a la recolección y tratamiento de datos, expandiendo significativamente su capacidad de acceso a información financiera.

Después de una serie de pruebas y mejoras continuas, el paquete bacenR, en la versión 0.3.1, fue sometido a la evaluación de la “Comprehensive R Archive Network” (CRAN), el repositorio oficial del lenguaje R. La aceptación del paquete en CRAN representa un hito importante, confiriéndole mayor visibilidad y credibilidad en la comunidad científica y técnica. Para su publicación formal, se creó un “vignette”, un documento que ofrece una descripción detallada del paquete y ejemplos prácticos de uso, complementando el README.md de GitHub y facilitando la adopción por nuevos usuarios.

La instalación de la versión estable del paquete bacenR se realiza mediante el comando `install.packages(“bacenR”)` en el entorno R, según se indica en el README.md actualizado. Esta distinción entre la versión estable del CRAN y la versión en desarrollo disponible en GitHub es importante para los usuarios, asegurando que puedan elegir la versión más adecuada a sus necesidades. La estructura de directorios del paquete, incluyendo archivos de código fuente, documentación, pruebas y vignettes, refleja las buenas prácticas de desarrollo de paquetes en R, garantizando su organización y mantenimiento.

get_balance_sheets() y tidy_balance_sheets()

Las funciones `get_balance_sheets()` y `tidy_balance_sheets()` fueron diseñadas para simplificar el acceso y la organización de los balances y balancetes de las instituciones financieras. La función `get_balance_sheets()` permite descargar datos especificando tipos de instituciones (como “BANCOS”, “COOPERATIVAS”, “CONSORCIOS”), meses (de 1 a 12), y un intervalo de años (primer y último año). El usuario también puede definir un directorio de salida y optar por sobrescribir archivos existentes. Por ejemplo, es posible descargar los balances de todas las cooperativas de crédito referentes a diciembre de 2023.

Después de la descarga, la función `tidy_balance_sheets()` entra en acción para procesar y organizar estos datos. Transforma los balances brutos en un formato más amigable para el análisis, donde cada fila representa una observación y cada columna una información específica. En el ejemplo práctico, los balances de cooperativas de crédito para diciembre de 2023, filtrados por el código 4010, fueron descargados y organizados, resultando en un `tibble` con 800 filas y 145 columnas, conteniendo información detallada como CNPJ, nombre de la institución y diversos indicadores financieros. Es importante notar que los valores no son ajustados por inflación.

get_institutions() y tidy_institutions()

Las funciones `get_institutions()` y `tidy_institutions()` facilitan la obtención y organización de datos cadastrales de instituciones financieras. La función `get_institutions()` permite descargar información sobre diversos tipos de instituciones financieras registradas en el Bacen, como conglomerados, bancos, cooperativas y sociedades. Los parámetros incluyen la especificación del tipo de institución, fechas de inicio y fin en formato “YYYYMM”, un directorio de salida y opciones para eliminar archivos ZIP después de la extracción y mostrar mensajes de progreso.

Después de la descarga, la función `tidy_institutions()` organiza los datos de registro para uso analítico. En el ejemplo de uso, al descargar datos de cooperativas para noviembre y diciembre de 2023, la función devuelve variables como CNPJ, nombre de la institución, dirección, municipio, UF, clase, criterio de asociación, teléfono y correo electrónico. Esta organización estandarizada es crucial para investigaciones que involucran el análisis de la estructura y ubicación de las instituciones financieras, permitiendo comparaciones y mapeos geográficos de manera eficiente.

get_normative_data() y get_normative_txt()

Las funciones `get_normative_data()` y `get_normative_txt()` ofrecen un acceso simplificado a las normas emitidas por el Banco Central de Brasil. La función `get_normative_data()` requiere solo los términos de búsqueda deseados y un intervalo de fechas de inicio y fin para realizar la búsqueda y descarga de los actos normativos. Los resultados incluyen variables como título, tipo de norma, número, asunto, fecha de publicación e información sobre normas vinculadas y actualizaciones.

La función `get_normative_txt()` complementa la anterior, permitiendo la descarga del texto completo de los actos normativos encontrados. Si bien estas funciones facilitan el acceso a un vasto repositorio de regulaciones, es fundamental observar que la descarga de textos puede ser un proceso que consume tiempo. El Bacen impone límites de acceso, y la amplitud de un período muy extenso o el uso de muchos términos simultáneamente puede resultar en errores. Se recomienda, por lo tanto, reducir el período de amplitud en caso de fallas, optimizando la recolección de datos regulatorios.

get_ifdata_reports y get_ifdata_registry

Finalmente, las funciones `get_ifdata_reports()` y `get_ifdata_registry()` fueron desarrolladas para acceder a datos de IFdata, que incluyen informes y registros de instituciones. La función `get_ifdata_reports()` permite descargar informes institucionales especificando el año, mes, tipo de institución (como conglomerados prudenciales, financieros o instituciones individuales) y el tipo de informe (resumen, activo, pasivo, estado de resultados, información de capital, cartera de crédito activa por indexador, riesgo, región geográfica, clientes, modalidad de persona física y jurídica, tamaño del tomador, movimiento de divisas). La función ofrece una amplia gama de opciones para análisis financieros detallados.

La función `get_ifdata_registry()` permite descargar datos de registro de las instituciones presentes en IFdata, proporcionando información catastral adicional. En el ejemplo de uso, al descargar informes y registros para diciembre de 2024, la función `get_ifdata_reports()` devolvió 8.532 registros con variables como tipo de institución, código de institución, nombre del informe y saldo, mientras que `get_ifdata_registry()` devolvió 5.752 registros con código de institución, fecha, nombre de la institución, municipio y situación. Es importante notar que, para interpretar algunas columnas, es necesario consultar un diccionario disponible en el sitio web de IFdata, una funcionalidad que se integrará al paquete en futuras actualizaciones. Un ejemplo práctico demostró la capacidad de obtener 10 años de datos sobre carteras de crédito con pocas líneas de código, evidenciando la eficiencia de la herramienta.

Guía de uso

La disponibilidad del paquete bacenR en CRAN el 08/03/2026 y su uso posterior demostraron un interés significativo de la comunidad. Hasta el 09/04/2026, el paquete registró 823 descargas, lo que evidencia su relevancia y aceptación entre los usuarios. Para ampliar aún más la accesibilidad, especialmente para aquellos con menor familiaridad en programación R, se creó y divulgó un video tutorial en YouTube el 28/03/2026. Este tutorial, que presentaba el paquete y sus funciones, acumuló 288 visualizaciones hasta el 09/04/2026, reforzando la demanda de herramientas que simplifiquen la recolección de datos y optimicen el tiempo de investigación.

Posibilidades de investigación

El paquete bacenR abre un amplio abanico de posibilidades para la investigación y el análisis de datos en el sector financiero. Con las funciones disponibles, es posible investigar cuestiones complejas, como la distribución geográfica de los mayores bancos y cooperativas de crédito, identificando qué ciudades y estados presentan una mayor concentración de sucursales bancarias o nuevas instituciones. La herramienta permite analizar la relación entre diferentes tipos de instituciones a nivel municipal, la edad media de las instituciones y los patrones de crecimiento en términos de número de sucursales, activos o volumen de operaciones a lo largo del tiempo, tanto en cuartiles específicos como en regiones determinadas.

Además, el bacenR permite la comparación de carteras de crédito entre bancos y cooperativas, identificando similitudes y diferencias que pueden variar por región o edad de la institución. La integración de datos normativos permite investigar cómo hitos regulatorios específicos pueden influir en estos datos. Estos análisis son cruciales para los formuladores de políticas públicas, ya que proporcionan subsidios para dirigir la regulación a lugares e instituciones que más necesitan intervención, garantizando el desarrollo sostenible del sistema financiero nacional y la protección del consumidor.

El desarrollo del paquete bacenR demostró ser una herramienta de gran utilidad, permitiendo a investigadores y profesionales recopilar y procesar una amplia gama de datos del Banco Central de Brasil con pocas líneas de código. Esta eficiencia se traduce en un ahorro de tiempo significativo, que puede ser redirigido de la recopilación al análisis e interpretación de los resultados. La recepción positiva en las redes sociales y el número de instalaciones del paquete confirman el interés de la comunidad, especialmente de aquellos con menor experiencia en programación, en la democratización del acceso a la información financiera.

4. Conclusión

El presente estudio buscó desarrollar el paquete bacenR para el lenguaje R, con el propósito de optimizar el acceso, descarga y tratamiento de datos del Banco Central de Brasil, incluyendo balances, balancetes, información catastral de instituciones financieras, actos normativos y datos sobre carteras de crédito. Se verificó que el desarrollo del paquete siguió las buenas prácticas de creación de paquetes en R, resultando en la implementación de ocho funciones principales que permitieron la recolección y organización de vastos volúmenes de datos con pocas líneas de código. Se observó la eficiencia de la herramienta en la automatización de rutinas de recolección y tratamiento, lo que se tradujo en una significativa economía de tiempo para los investigadores. La disponibilidad del bacenR en CRAN y en GitHub, junto con la divulgación en redes sociales y un tutorial en video, generó un compromiso expresivo, con 823 instalaciones de la versión estable, evidenciando la relevancia y la aceptación de la herramienta por la comunidad académica y profesional. Esta contribución reside en la democratización del acceso a información financiera compleja, permitiendo que los investigadores, incluso con menor experiencia en programación, dediquen más tiempo al análisis e interpretación de los resultados.

A pesar de la robustez alcanzada, se identificó que el proceso de descarga de textos normativos puede ser demorado debido a límites de acceso impuestos por el Bacen, lo que sugiere la necesidad de optimización para períodos muy extensos. También se constató que la interpretación de algunas columnas de los datos del IFdata requiere la consulta a un diccionario externo, y los valores de los balances no se ajustan por inflación, lo que representa limitaciones actuales. Para estudios futuros, se recomienda mejorar los mensajes de error y advertencias del paquete, integrar un diccionario nativo para los datos del IFdata y desarrollar nuevas funciones para expandir la recolección de información. Adicionalmente, la creación de una interfaz en Shiny podría simplificar aún más el uso del paquete para usuarios sin conocimiento de programación. El bacenR, al facilitar el acceso a datos granulares, abre un vasto abanico de posibilidades para investigaciones sobre la distribución geográfica de instituciones financieras, la comparación de carteras de crédito y el impacto de marcos regulatorios, proporcionando subsidios valiosos para políticas públicas y el desarrollo del sistema financiero nacional.

Referencias Bibliográficas

Bath, 2023 [Referência completa não encontrada no documento original]

Bressan, V. G. F., Souza, G. H. D., Santos, M. H. S., & Braga, M. J. (2023). Cooperativas de crédito e competitividade no mercado financeiro brasileiro: uma análise das taxas de juros. Revista De Gestão E Organizações Cooperativas, 10(19), e68474. https://doi.org/10.5902/2359043268474

Canassa, B. J., Zancan, F., & de Moura Costa, D. R. (2022). Quadro Social e Ciclo de Vida de Cooperativas: Evidências em Cooperativas de Crédito Brasileiras. Contabilidade Gestão E Governança, 25(1), 43–59. https://doi.org/10.51341/1984-3925_2022v25n1a3

Costa Ferreira P, Speranza T, Costa J (2018). BETS: Brazilian Economic Time Series. https://doi.org/10.32614/CRAN.package.BETS

Freitas W (2024). rbcb: R Interface to Brazilian Central Bank Web Services. https://doi:10.32614/CRAN.package.rbcb

Grolemund, G. (2014). Hands-On Programming with R: Write Your Own Functions and Simulations. O’Reilly Media.

Hackman, L., Mack, P., & Ménard, H. (2024). Behind every good research there are data: What are they and their importance to forensic science. Forensic Science International: Synergy, 8, 100456. https://doi.org/10.1016/j.fsisyn.2024.100456

Icaro P, Sousa L, Ferreira da Silva F (2025). BacenAPI: Data Collection from the Central Bank of Brazil. https://doi.org/10.32614/CRAN.package.BacenAPI

Marwick, B., Boettiger, C., and Mullen, L. (2018a). “Packaging Data Analytical Work Reproducibly Using r (and Friends).” The American Statistician 72 (1): 80–88. https://doi.org/10.1080/00031305.2017.1375986.

Marwick, B., Boettiger, C., and Mullen, L. (2018b). “Packaging Data Analytical Work Reproducibly Using r (and Friends).” PeerJ Preprints 6 (March): e3192v2. https://doi.org/10.7287/peerj.preprints.3192v2.

Olmsted, J. (2024). Research reliability and validity: Why do they matter? Journal of Dental Hygiene, 98(6), 53–57.

Paton, N. (2019). Automating Data Preparation: Can We? Should We? Must We? In Proceedings of the 21st International Workshop on Design, Optimization, Languages and Analytical Processing of Big Data http://ceur-ws.org/Vol-2324/Paper00-InvTalk2-NPaton.pdf

Santos, A. G. V., Alves, J. J. M., Pinto, D. S. A., & Ferreira, P. C. A. (2025). A Importância Da Limpeza E Qualidade Na Análise De Dados: O Papel De Ferramentas Como O Power Bi. Revista Foco, 18(11), e10458. https://doi.org/10.54751/revistafoco.v18n11-083

Silge, J., Nash, J. C. and Graves, S. (2018). “Navigating the R Package Universe.” The R Journal 10 (2): 558-63. https://doi.org/10.32614/RJ-2018-058.

Theodoro, R., Bonacim, C. A. G., & de Moura Costa, D. R. (2021). Identificação de Ações Discricionárias do Gestor em Cooperativas de Crédito: Uma aplicação da Lei de Benford. Contabilidade Gestão E Governança, 24(3), 331-348. https://doi.org/10.51341/1984-3925_2021v24n3a5

Wickham, H. (2021). Mastering Shiny: Build Interactive Apps, Reports, and Dashboards Powered by R. O’Reilly Media.

Wickham, H., & Bryan, J. (2023). R Packages: Organize, Test, Document, and Share Your Code. O’Reilly Media.

Wickham, H., Cetinkaya-Rundel, M., & Grolemund, G. (2023). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O’Reilly Media.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy

También te puede interesar

17 de noviembre de 2026

Detección y Diagnóstico de Enfermedades en Maíz y Arroz en Mozambique con Deep Learning

La agricultura mozambiqueña depende del maíz y el arroz, cultivos fundamentales para la seguridad alimentaria, pero su productividad se ve fuertemente afectada por enfermedades fitosanitarias, cuya identificación temprana y precisa sigue siendo un desafío en contextos de recursos limitados. El estudio tuvo como objetivo desarrollar y comparar modelos basados en Deep Learning para la detección y el diagnóstico automático de enfermedades en hojas de maíz y arroz en Mozambique. Se utilizaron tres enfoques: una Red Neuronal Convolucional (CNN) clásica desarrollada desde cero, y dos modelos de transfer learning, ResNet50 y MobileNetV2. El conjunto de datos se compuso de imágenes de bases públicas y recolectadas en campo, que pasaron por etapas de limpieza, balanceo y aumento artificial. Los modelos fueron entrenados y evaluados con métricas de desempeño estándar, incluyendo precisión (accuracy), precisión (precision), recall, F1-score, Log Loss y Kappa de Cohen. La CNN clásica presentó el mejor desempeño global, con 94% de precisión (precision), recall y F1-score, y 93% de precisión (accuracy) y Kappa de Cohen. La MobileNetV2 alcanzó 91% de F1-score y 90% de precisión (accuracy), destacándose por el menor Log Loss (0,30) y tiempo de entrenamiento (6h32min59s). La ResNet50 alcanzó 80% de F1-score y 79% de precisión (accuracy). Se concluyó que las técnicas de Deep Learning poseen un elevado potencial para apoyar el diagnóstico fitopatológico en contextos agrícolas reales, contribuyendo a decisiones más rápidas y precisas en el manejo de enfermedades en maíz y arroz.

Palabras clave: Aprendizaje profundo; Arroz; Enfermedades en plantas; Maíz; Visión computacional.

17 de noviembre de 2026

Estructuración del proceso de cierre de proyectos de una industria de la construcción civil

Un estudio abordó el grupo de procesos de cierre de proyectos en una industria de manufactura de la construcción civil, utilizando la guía PMBOK como referencia principal. El proceso existente en la industria presentaba superficialidad y fragilidades, especialmente en el registro de lecciones aprendidas. Ante este escenario, el objetivo fue desarrollar un procedimiento para el cierre de proyectos de la organización, visando agregar valor por medio de la estandarización del proceso, registro del conocimiento adquirido, formalización de la conclusión y entrega de los proyectos, y mejoramiento de la comunicación, compromiso, integración y transparencia con los stakeholders. La investigación se clasificó como descriptiva, empleó datos cualitativos y adoptó la investigación-acción como delineamiento. El alcance del estudio se estructuró conforme a los cinco grupos de procesos de la guía PMBOK y fue representado por una Estructura Analítica de Proyecto (EAP). Los principales resultados obtenidos incluyeron el procedimiento desarrollado y diversas plantillas de documentos, que constituyeron los entregables del nuevo proceso de cierre de proyectos. Se verificó que el trabajo alcanzó el objetivo esperado, pues el procedimiento desarrollado viabilizó la estandarización del cierre de proyectos, el mejoramiento de la integración y el compromiso con los stakeholders, y la promoción de seguridad y transparencia en el proceso.

Palabras clave: Gestión del conocimiento; Lecciones aprendidas; PMBOK; Plantillas; Término de aceptación de proyecto.

17 de noviembre de 2026

Machine Learning y priorización de funcionalidades en productos digitales: un estudio de caso en una fintech

Una investigación analizó el potencial del uso de técnicas de machine learning aplicadas al análisis del comportamiento de los usuarios en la priorización de funcionalidades en productos digitales. El objetivo fue comprender los procesos de priorización utilizados en la práctica, el papel de los datos de comportamiento en la toma de decisiones y las percepciones sobre la aplicación de técnicas de machine learning en este contexto. Se adoptó un enfoque cualitativo y exploratorio, estructurado como un estudio de caso en productos desarrollados bajo el modelo Software as a Service (SaaS). La recolección de datos se realizó a través de entrevistas semiestructuradas con profesionales de las áreas de producto y de datos. El análisis de los datos siguió la técnica de análisis de contenido. Los resultados indicaron que, aunque los datos de comportamiento ya se utilizaban como apoyo a la decisión, los procesos de priorización aún presentaban baja formalización y enfrentaban limitaciones técnicas y organizacionales. Se observó, también, el reconocimiento del potencial del machine learning como soporte estratégico a la priorización de funcionalidades, aunque su aplicación práctica fuera incipiente. Como principal contribución, el estudio propuso un modelo conceptual que integra datos de comportamiento, procesos de priorización y el uso de machine learning como soporte a la decisión.

Palabras clave: Análisis de datos; Comportamiento del usuario; Datos de comportamiento; Software as a Service (SaaS); Toma de decisiones.

17 de noviembre de 2026

Inteligencia artificial en las rutinas operativas contables y en la eficiencia financiera

La incorporación de Inteligencia Artificial (IA) y de herramientas de automatización ha reconfigurado las rutinas de las oficinas contables brasileñas, impactando la productividad, la mitigación de errores y la eficiencia financiera. Se analizaron estos impactos en una oficina contable de pequeño tamaño, especializada en la atención a prestadores de servicios del área médica en São Caetano do Sul, São Paulo. La investigación adoptó un enfoque cualitativo, con un diseño de estudio de caso único y unidades de análisis incorporadas. Los datos se recolectaron mediante un cuestionario estructurado, aplicado vía Google Forms entre enero y febrero de 2026, a cinco profesionales de la estructura operativa de la oficina en un relevamiento censal. El tratamiento siguió un análisis de contenido con categorías a priori y emergentes. Todos los encuestados declararon uso de herramientas automatizadas o con recursos de IA. La percepción de reducción del tiempo de ejecución, de disminución de errores operacionales, de retrabajo y de mejor aprovechamiento del tiempo del equipo convergió en el 80% de las respuestas afirmativas y el 20% parciales. Las actividades más beneficiadas fueron la conciliación bancaria, la importación de documentos fiscales y la liquidación tributaria, con ganancias visibles sobre errores de digitación, asientos duplicados y clasificación incorrecta. La intervención humana permaneció indispensable en la planificación tributaria, el análisis de escenarios y la verificación de obligaciones accesorias. La evaluación general de la contribución de la IA fue predominantemente favorable, con moderación vinculada a la complejidad normativa fiscal.

Palabras clave: Análisis de contenido; Automatización de procesos; Contabilidad 4.0; Pequeño tamaño; Transformación digital.

17 de noviembre de 2026

Factores que influyen en la gestión de plazos en proyectos de “retrofit” de estaciones de tratamiento de aguas residuales

Los proyectos de “retrofit” en Plantas de Tratamiento de Aguas Residuales (PTAR) se caracterizan por su alta complejidad, restricciones operativas y múltiples interfaces técnicas. El estudio analizó la percepción de los profesionales involucrados sobre la gestión y el cumplimiento de los plazos en proyectos de “retrofit” de plantas de tratamiento de aguas residuales, considerando factores técnicos, operativos y organizacionales. La investigación se caracterizó como un estudio aplicado, con un enfoque cuali-cuantitativo, delineado como un levantamiento de campo de tipo “survey”. El análisis de los datos se realizó mediante estadística descriptiva y categorización cualitativa, utilizando las herramientas SWOT, matriz de riesgo (Probabilidad x Impacto) y plan de acción 5W2H. Los resultados indicaron una alta percepción de claridad (77,8%) y realismo de los plazos (100% de acuerdo), evidenciando una planificación inicial consistente. Sin embargo, el 77,7% de los encuestados señaló que los retrabajos y cambios de alcance impactaron directamente el cumplimiento de los plazos. La integración entre ingeniería, fabricación y Planificación y Control de la Producción (PCP) presentó una evaluación intermedia (77,7% de acuerdo parcial/total), indicando fragilidad en la coordinación interfuncional. La matriz de riesgo destacó como críticos: cambios de alcance, limitaciones operativas de la PTAR y complejidad técnica, todos con nivel alto. Como mejora central, se propuso la estandarización del control de cambios de alcance, análisis y aprobación, con el fin de reducir retrabajos y aumentar la previsibilidad del cronograma.

Palabras clave: Desempeño; Integración; Planificación; Retrabajo; Riesgo.

17 de noviembre de 2026

Captación B2C en medicina diagnóstica: acuerdos estratégicos con consultorios médicos especializados

El sector de la medicina diagnóstica en Brasil opera con una alta dependencia de las aseguradoras de planes de salud, lo que limita la autonomía financiera de los prestadores. Este estudio propuso y analizó un modelo de captación directa de pacientes (B2C) para una institución de medicina diagnóstica de alta complejidad, estructurado a partir de alianzas con consultorios de Oncología y Cardiología y operado por un servicio de atención personalizada denominado conserjería. La investigación adoptó un enfoque mixto en tres fases: levantamiento de campo con cuestionario estructurado aplicado a 87 pacientes, mapeo del flujo operativo mediante “Service Blueprint” y análisis de la tasa de conversión a partir de 312 indicaciones médicas registradas en el proyecto piloto. Los resultados indicaron que la confianza en la indicación médica obtuvo un 92,0% de concordancia, configurándose como el principal factor de adhesión. La conveniencia de realizar el examen el mismo día alcanzó el 78,2%, y la disposición al pago directo llegó al 55,2%, con una polarización asociada a la predominancia de usuarios de planes de salud. El “Service Blueprint” identificó tres puntos críticos en las transiciones entre etapas del recorrido. La tasa de conversión global fue del 51,0%, con un desempeño superior en Oncología (58,2%) en relación con Cardiología (45,0%), y la mayor pérdida se concentró en la etapa de aceptación y agendamiento (28,3%). Se concluyó que el modelo demostró posible viabilidad operativa e indicios de aceptación por parte de los pacientes, condicionado a la transparencia de precios y a la reducción del intervalo entre la consulta y el abordaje por la conserjería.

Palabras clave: Desembolso directo; Recorrido del paciente; Salud suplementaria; Servicio de conserjería; Tasa de conversión.

17 de noviembre de 2026

El papel del director escolar en la promoción de una cultura inclusiva: liderazgo y políticas educativas

La investigación analizó el desempeño del director escolar en la promoción de una cultura inclusiva, considerando la necesidad de transformar directrices legales y fundamentos pedagógicos en prácticas institucionales efectivas. Se partió del supuesto de que la inclusión escolar exige planificación, organización y liderazgo estratégico en el día a día de la escuela. Se adoptó un enfoque cualitativo de naturaleza aplicada, desarrollado en tres etapas complementarias: análisis documental de las legislaciones brasileñas sobre educación inclusiva, revisión bibliográfica sobre liderazgo y gestión escolar, y sistematización de los datos por medio de herramientas gerenciales como la matriz FODA y el ciclo PDCA. Los resultados indicaron que el desempeño de la gestión escolar influyó directamente en la consolidación de ambientes inclusivos, especialmente en la organización de procesos, formación continua del equipo y fortalecimiento de una cultura institucional colaborativa y respetuosa de la diversidad. También se identificaron desafíos estructurales, pedagógicos y relacionales que demandaron intervenciones planificadas. Al final, se elaboró una Guía Práctica para Directores Escolares, con directrices, protocolos y orientaciones operacionales para la toma de decisiones y organización de los procesos inclusivos. Se concluyó que la construcción de una cultura inclusiva dependió de la capacidad de gestión para articular políticas públicas, prácticas pedagógicas y procesos institucionales, consolidando la inclusión como un compromiso permanente en el contexto escolar.

Palabras clave: Accesibilidad educativa; Equidad educativa; Gestión participativa; Planificación estratégica; Procesos institucionales.

17 de noviembre de 2026

Un artefacto de IA basado en Design Thinking para apoyar la elicitación de requisitos de software a partir de las necesidades de los usuarios

El desarrollo de software orientado a las necesidades de los usuarios a menudo enfrenta desafíos en la elicitación de requisitos, derivados de ambigüedades en el lenguaje natural y fallos de comunicación. Ante esto, se propuso y validó un artefacto inteligente que integra Design Thinking e Inteligencia Artificial, con foco en las etapas de Empatía y Definición, para apoyar la recolección, interpretación y estructuración de las necesidades de los usuarios. La investigación, de naturaleza aplicada, cualitativa y exploratoria, condujo una Prueba de Concepto en un ambiente controlado, empleando escenarios hipotéticos. El artefacto operó mediante entrevistas guiadas en lenguaje natural, organizando información en elementos como dolor, contexto e impacto, y generando síntesis de problemas rastreables. Los resultados indicaron que el sistema organizó relatos no estructurados, redujo ambigüedades y preservó el sentido de la información original en la mayoría de los casos. Se observó también la capacidad de reorganización lógica en escenarios complejos, aunque con limitaciones en la separación de múltiples problemas y dependencia de las instrucciones. Se concluyó que el artefacto tiene potencial como apoyo a la elicitación de requisitos, mejorando la claridad y la estructuración de la información, pero requiere supervisión y control contextual.

Palabras clave: Design Thinking; Elicitación de Requisitos; Ingeniería de Requisitos; Inteligencia Artificial; Procesamiento del Lenguaje Natural.

17 de noviembre de 2026

La Extinción de la Sistemática de Retención en la Industria Farmacéutica a la Luz de la Reforma Tributaria

La Reforma Tributaria del consumo, establecida por la Enmienda Constitucional nº 132/2023, introdujo alteraciones estructurales en el sistema tributario brasileño, con la sustitución del Programa de Integración Social (PIS) y de la Contribución para el Financiamento de la Seguridad Social (COFINS) por la Contribución sobre Bienes y Servicios (CBS), en un modelo de Impuesto sobre el Valor Añadido (IVA dual). El objetivo fue analizar los impactos de la extinción de la sistemática monofásica en la industria farmacéutica, a la luz del nuevo diseño normativo y de sus efectos económicos y jurídicos. Se realizó una investigación cualitativa, de naturaleza exploratoria, por medio de estudio de caso y análisis documental de la legislación y la doctrina especializada. Se examinó si el fin de la monofasia implicaría un aumento relevante de la carga tributaria para el sector. Los resultados indicaron que, aunque la superación formal de la sistemática monofásica ha ocurrido, la desgravación material de los medicamentos fue preservada, sobre todo en razón de la aplicación de alícuotas reducidas del 60% y, en determinados casos, de alícuota cero del Impuesto sobre Bienes y Servicios (IBS) y de la CBS. El cambio de modelo puede provocar variaciones puntuales en la recaudación, sin caracterizar un aumento estructural de la carga tributaria, tendiendo a la neutralidad a lo largo del tiempo. Se concluyó, preliminarmente, que la Reforma Tributaria reorganizó la técnica de tributación en la industria farmacéutica, sustituyendo un régimen concentrado por mecanismos más transparentes de desgravación. Este enfoque se mostró compatible con los principios de neutralidad, de no acumulatividad plena y de extrafiscalidad, manteniendo la protección tributaria a los medicamentos esenciales y alineando la política fiscal al derecho fundamental a la salud.

Palabras clave: CBS; COFINS; IBS; IVA Dual; PIS.