Comparação entre regressão logística e boosting na predição de inadimplência

Inadimplência, Comparação entre Regressão Logística e Boosting na Predição de

doi:10.22167/2675-6528-202602747

Artigo

30 de setembro de 2026

Comparação entre regressão logística e boosting na predição de inadimplência

Comparação entre Regressão Logística e Boosting na Predição de Inadimplência

Bruno Nogueira Pereira; Alexandre Mendes da Silva

DOI: 10.22167/2675-6528-202602747

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

Uma análise comparativa entre a regressão logística, método tradicional na avaliação de risco de crédito, e técnicas de “ensemble” como LightGBM e XGBoost foi apresentada. O objetivo principal foi verificar a eficácia desses modelos na previsão de inadimplência, utilizando o “dataset” “Home Credit Default Risk”. Adotou-se uma metodologia quantitativa e aplicada, de caráter experimental, com pré-processamento de dados e engenharia de atributos. Avaliou-se o desempenho dos modelos por meio de métricas como AUC-ROC, índice de Gini e matriz de confusão. A técnica SHAP foi aplicada para interpretar a influência das variáveis nos modelos de “ensemble”. Os resultados obtidos indicaram que os métodos de “ensemble” demonstraram leve superioridade em termos de capacidade preditiva em relação à regressão logística, capturando melhor as complexidades do “dataset”. A análise SHAP destacou a importância de variáveis como fontes externas de “score” e características financeiras do cliente. Concluiu-se que os modelos de “ensemble” ofereceram um desempenho ligeiramente superior, reforçando a necessidade de considerar a interpretabilidade e o desbalanceamento da variável alvo na avaliação de modelos preditivos de inadimplência.

Palavras-chave: Inadimplência; LightGBM; Regressão Logística; Risco de Crédito; XGBoost.

1. Introdução

O crédito ao consumidor desempenha um papel fundamental na economia, pois facilita a aquisição de bens e serviços, impulsionando o consumo. Contudo, a expansão do crédito traz consigo o desafio da gestão do risco, que exige metodologias eficazes para sua mensuração e controle.

O risco de crédito é compreendido como a mensuração da incerteza quanto ao recebimento futuro de um valor acordado, a ser quitado pelo tomador de empréstimo (Gonçalves et al., 2013). Dentro desse contexto, o risco de inadimplência, que se refere ao descumprimento da obrigação de pagamento de uma operação de crédito, representa uma das principais preocupações para as instituições financeiras (Çallı e Coşkun, 2021; Duffie e Singleton, 2003).

A gestão eficaz do risco de crédito é essencial para a saúde financeira das instituições, permitindo a alocação criteriosa de recursos e a prevenção de prejuízos. A inadimplência é influenciada por uma variedade de fatores, incluindo características do tomador, condições do empréstimo e variáveis macroeconômicas (Camargos et al., 2010). A compreensão desses elementos é crucial para o desenvolvimento de modelos preditivos precisos.

Nesse cenário, modelos de classificação binária são amplamente empregados para prever a probabilidade de um cliente se tornar inadimplente. A regressão logística, por exemplo, é uma técnica estatística tradicional e popular na modelagem de eventos binários, valorizada por sua interpretabilidade e capacidade de identificar a contribuição de cada fator para o risco (Hosmer et al., 2013; Araújo e Carmona, 2009; Gonçalves et al., 2013).

No entanto, a regressão logística pode apresentar limitações ao lidar com relações não lineares complexas e interações significativas entre variáveis (Coelho et al., 2021). Em contrapartida, os métodos de “ensemble”, como o “boosting” (Friedman, 2001; Zhou, 2012), que incluem algoritmos como LightGBM e XGBoost (Chen e Guestrin, 2016; Ponsam et al., 2021), têm demonstrado alta performance preditiva ao capturar padrões complexos nos dados. A literatura aponta, contudo, uma lacuna na conexão entre modelos de alta performance e aqueles que oferecem boa interpretabilidade (Baesens et al., 2016; Lessmann et al., 2015).

Diante dessa problemática, surge a demanda por modelos que aliem bom desempenho preditivo à capacidade de explicar os fatores que influenciam a inadimplência. A interpretabilidade é crucial para justificar decisões de crédito a reguladores, gestores e clientes. Para mitigar o caráter de “caixa preta” dos modelos de “ensemble”, a técnica SHAP (SHapley Additive exPlanations) oferece uma abordagem unificada para interpretar as previsões, atribuindo a cada característica um valor que representa sua contribuição (Lundberg e Lee, 2017).

Assim, a presente pesquisa é justificada pela necessidade de aprofundar a compreensão sobre o equilíbrio entre a capacidade preditiva e a interpretabilidade dos modelos no contexto de risco de crédito, utilizando uma base de dados real de inadimplência. Desta forma, o objetivo principal deste trabalho é investigar e comparar a eficácia da regressão logística e de técnicas de “ensemble”, especificamente os modelos de “boosting” como LightGBM e XGBoost, na previsão de inadimplência, e analisar a interpretabilidade de suas previsões por meio da técnica SHAP.

2. Material e Métodos

Neste estudo, adotou-se uma metodologia quantitativa e aplicada, com foco na análise comparativa do desempenho preditivo entre diferentes modelos estatísticos e de aprendizado de máquina. A pesquisa possui caráter experimental, pois foram realizados testes práticos com um conjunto de dados real, avaliando o comportamento dos modelos em diversas métricas de desempenho.

A abordagem metodológica empregada foi comparativa, confrontando a regressão logística, um método tradicional na modelagem de risco de crédito, com os modelos de

ensemble

LightGBM e XGBoost. Esses modelos foram selecionados por sua capacidade de capturar relações não lineares e interações complexas entre variáveis, permitindo avaliar se o desempenho preditivo superior dos modelos de

boosting

justifica sua maior complexidade em relação à regressão logística.

O objeto empírico da pesquisa foi o conjunto de dados “Home Credit Default Risk”, disponibilizado publicamente pela empresa “Home Credit Group”. Este

dataset

contém informações detalhadas sobre empréstimos e o histórico de pagamento de clientes, abrangendo variáveis socioeconômicas, dados de

bureau

de crédito e histórico de pagamentos anteriores.

A variável dependente, que representa a inadimplência, é do tipo binário, indicando se o cliente apresentou inadimplência (valor 1) ou se realizou o pagamento normalmente (valor 0). Observou-se que o

dataset

é desbalanceado, com aproximadamente 8% de clientes inadimplentes, o que foi considerado um desafio adicional para a modelagem preditiva.

O pré-processamento dos dados foi uma etapa crucial para garantir a qualidade e a consistência dos modelos. Inicialmente, os nomes das colunas originais foram traduzidos para português e convertidos para minúsculo, visando facilitar a interpretação e a padronização no trabalho.

Em seguida, realizou-se a engenharia de atributos, criando novas variáveis para aprimorar a capacidade preditiva e a interpretabilidade dos modelos. Foram geradas variáveis como idade_anos, calculada a partir de dias_nascimento, e diversos índices financeiros, incluindo credito_por_renda, anuidade_por_renda, credito_por_anuidade e credito_por_valor_bens. Valores anômalos na variável dias_empregado foram tratados como ausentes.

Para o tratamento de valores ausentes, adotou-se uma estratégia de remoção de variáveis que apresentavam uma proporção de dados faltantes superior a 20%. Essa abordagem buscou evitar a inclusão de atributos com baixa disponibilidade de informação, que poderiam comprometer a qualidade das análises subsequentes.

As variáveis categóricas remanescentes foram transformadas em variáveis numéricas por meio da técnica de

one-hot encoding

. Posteriormente, as variáveis numéricas foram padronizadas utilizando

StandardScaler

, garantindo que todas estivessem na mesma escala e contribuindo para a estabilidade dos modelos.

Foram implementados e comparados três modelos preditivos: Regressão Logística, LightGBM e XGBoost. A Regressão Logística foi implementada com parâmetros padrão e balanceamento de classes (

class_weight = “balanced”

), sem otimização de hiperparâmetros, para servir como base de comparação.

O LightGBM foi implementado utilizando a biblioteca LightGBM, com balanceamento de classes e otimização dos hiperparâmetros

n_estimators

(100 e 200) e

num_leaves

(31 e 50) por meio do

GridSearchCV

. O XGBoost foi implementado com a biblioteca XGBoost, utilizando balanceamento de classes via

scale_pos_weight

e otimização dos hiperparâmetros

n_estimators

(100 e 200) e

max_depth

(3 e 5) também por meio do

GridSearchCV

Para a otimização dos modelos LightGBM e XGBoost, utilizou-se validação cruzada estratificada com 3

folds

, mantendo a proporção entre as classes em cada divisão. A seleção da melhor combinação de hiperparâmetros foi baseada na métrica AUC-ROC. Os dados foram divididos em conjuntos de treino (80%) e teste (20%) de forma estratificada, preservando a proporção da variável alvo.

A Regressão Logística é uma técnica estatística amplamente utilizada para modelagem de

credit scoring

, adequada para problemas de classificação binária, como a previsão de inadimplência (Araújo e Carmona, 2009). O modelo estima a probabilidade de um evento ocorrer, sendo valorizado por sua interpretabilidade (Gonçalves et al., 2013; Hosmer et al., 2013).

Os métodos de

ensemble

, como LightGBM e XGBoost, combinam múltiplos modelos, geralmente árvores de regressão ou classificação, para obter um desempenho preditivo superior (Zhou, 2012). O

boosting

, em particular, constrói modelos sequencialmente, onde cada novo modelo é treinado para corrigir os erros dos modelos anteriores (Friedman, 2001; Chen e Guestrin, 2016; Ponsam et al., 2021).

Para avaliar o desempenho dos modelos no conjunto de teste, foram utilizadas as seguintes métricas: AUC-ROC (

Area Under the Receiver Operating Characteristic Curve

), que mede a capacidade de distinção entre as classes; o Índice de Gini, derivado da curva ROC; a Matriz de Confusão, que apresenta os verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos; e o Relatório de Classificação, que inclui precisão,

recall

e F1-score para cada classe.

Considerando o desbalanceamento da variável alvo, com predominância da classe de não inadimplentes, avaliou-se o desempenho dos modelos não apenas por métricas globais, como AUC-ROC, mas também por métricas sensíveis à classe minoritária, como

recall

, precisão e F1-score, que são cruciais para a identificação de inadimplentes.

Para interpretar as previsões dos modelos de

ensemble

(LightGBM e XGBoost), aplicou-se a técnica SHAP (

SHapley Additive exPlanations

). Esta abordagem unificada explica a saída de qualquer modelo de

machine learning

, atribuindo a cada característica um valor que representa sua contribuição para a previsão final (Lundberg e Lee, 2017).

A aplicação da técnica SHAP permitiu a geração de gráficos como o SHAP Summary Plot e o SHAP Feature Importance Plot (Bar), que ilustram a importância e o impacto de cada característica no modelo. Esses gráficos são fundamentais para entender como as variáveis influenciam as decisões de crédito, mitigando o caráter de “caixa preta” dos modelos de

ensemble

3. Resultados e Discussão

A presente seção detalha os achados da pesquisa, comparando o desempenho da regressão logística com os modelos de “ensemble” LightGBM e XGBoost na previsão de inadimplência, e explorando a interpretabilidade dos modelos de “boosting” por meio da técnica SHAP. Os resultados obtidos confirmam a capacidade preditiva superior dos métodos de “ensemble” em relação à regressão logística, embora com diferenças marginais, e destacam a importância de variáveis específicas na determinação do risco de crédito, conforme a análise SHAP. A discussão aborda o equilíbrio entre o desempenho preditivo e a interpretabilidade, um desafio central na modelagem de risco de crédito.

Desempenho Comparativo dos Modelos

A avaliação do desempenho dos modelos no conjunto de teste revelou que os modelos de “ensemble” LightGBM e XGBoost apresentaram uma capacidade discriminatória ligeiramente superior em comparação à regressão logística. O modelo de regressão logística obteve um valor de AUC-ROC de 0,746 e um Índice de Gini de 0,491. Em contraste, o LightGBM alcançou um AUC-ROC de 0,762 e um Índice de Gini de 0,524, enquanto o XGBoost demonstrou um desempenho marginalmente melhor, com um AUC-ROC de 0,764 e um Índice de Gini de 0,528. Esses valores indicam que ambos os modelos de “boosting” são mais eficazes na distinção entre clientes adimplentes e inadimplentes.

Essa vantagem, ainda que modesta, dos modelos de “ensemble” pode ser atribuída à sua capacidade de identificar padrões mais complexos e relações não lineares presentes nos dados, característica que a regressão logística, por sua natureza linear, não consegue capturar com a mesma eficácia. Contudo, é importante notar que o ganho prático observado foi limitado, uma vez que as métricas de desempenho dos três modelos permaneceram relativamente próximas. Além disso, a avaliação foi baseada em uma única divisão dos dados para teste, o que impede a afirmação de significância estatística das diferenças observadas entre os modelos.

Análise das Matrizes de Confusão

A análise das matrizes de confusão forneceu uma visão detalhada dos erros de classificação de cada modelo. A regressão logística identificou corretamente 38.940 clientes não inadimplentes (verdadeiros negativos) e 3.324 clientes inadimplentes (verdadeiros positivos). No entanto, classificou erroneamente 1.641 clientes inadimplentes como não inadimplentes (falsos negativos) e 17.598 clientes não inadimplentes como inadimplentes (falsos positivos).

Os modelos de “ensemble” demonstraram um desempenho superior na identificação de clientes inadimplentes. O LightGBM apresentou 40.094 verdadeiros negativos e 3.364 verdadeiros positivos, com 1.601 falsos negativos e 16.444 falsos positivos. O XGBoost obteve o maior número de verdadeiros negativos (40.358) e verdadeiros positivos (3.371), e o menor número de falsos negativos (1.594) e falsos positivos (16.180) entre os três modelos. Embora todos os modelos tenham classificado um número considerável de clientes adimplentes como inadimplentes (falsos positivos), esse comportamento é esperado em cenários com desbalanceamento da variável alvo e uso de limiar de decisão padrão de 0,5.

Relatórios de Classificação

Ao examinar as métricas de classificação, como precisão, recall e F1-score, observou-se um comportamento semelhante entre os modelos, especialmente para a classe predominante de não inadimplentes (classe 0). Para esta classe, todos os modelos apresentaram precisão muito alta, em torno de 0,96, indicando que as previsões de não ocorrência do evento são frequentemente corretas. O recall para a classe 0 variou entre 0,69 e 0,71, e o F1-score manteve-se elevado, aproximadamente entre 0,80 e 0,82.

Para a classe minoritária de inadimplentes (classe 1), a precisão foi consideravelmente baixa, variando entre 0,16 e 0,17, o que aponta para um número significativo de falsos positivos. Contudo, o recall para a classe 1 atingiu níveis mais razoáveis, entre 0,67 e 0,68, indicando que os algoritmos conseguiram identificar uma boa parte dos verdadeiros positivos, mesmo que à custa de um aumento nos falsos positivos, um comportamento comum em bases de dados desbalanceadas. O F1-score resultante para a classe 1, entre 0,26 e 0,28, reflete diretamente esse desbalanceamento entre precisão e recall.

O modelo XGBoost apresentou o melhor F1-score na classe 0 (0,82) e um recall ligeiramente maior na classe 1 (0,68) em comparação aos demais. O LightGBM ficou muito próximo, com F1-score de 0,81 para a classe 0 e 0,27 para a classe 1, e recall de 0,68 para a classe 1. A acurácia de ambos os modelos ficou em 71%. A regressão logística, por sua vez, ficou um pouco atrás, com F1-score de 0,80 para a classe 0 e 0,26 para a classe 1, e recall de 0,67 para a classe 1, resultando em uma acurácia de 69%.

As diferenças entre os modelos são pequenas, mas a regressão logística demonstrou um desempenho mais contido, associado à sua menor capacidade de capturar relações não lineares presentes nos dados. É crucial notar que, em aplicações de crédito, a escolha da métrica deve considerar as consequências dos erros. Um falso negativo, que classifica um inadimplente como adimplente, pode resultar em perdas financeiras. Assim, o recall da classe 1 é vital para identificar potenciais inadimplentes, enquanto a precisão avalia a correção das classificações de inadimplência.

Interpretabilidade com SHAP

A análise SHAP foi aplicada aos modelos LightGBM e XGBoost para compreender a contribuição das variáveis nas previsões. Ambos os modelos identificaram as variáveis `fonte_ext_3` e `fonte_ext_2` como as de maior impacto, indicando que essas fontes externas de “score” possuem uma forte capacidade preditiva no contexto analisado. Essa consistência na importância das variáveis entre os modelos de “ensemble” reforça a robustez dos achados.

Outras variáveis importantes incluíram as características de engenharia de atributos, como `credito_por_anuidade` e `credito_por_valor_bens`, além de `dias_empregado`, `dias_nascimento` (idade), gênero, escolaridade e posse de carro. A direção do impacto, conforme os gráficos SHAP, revelou que valores mais baixos de `fonte_ext_3` e `fonte_ext_2` tendem a aumentar a previsão de inadimplência. Por outro lado, valores mais altos de `dias_empregado` (indicando maior tempo de emprego) tendem a diminuir a previsão de inadimplência, enquanto valores mais altos de `dias_nascimento` (menor idade) tendem a aumentá-la.

A análise SHAP oferece transparência aos modelos de “ensemble”, que são frequentemente vistos como “caixas pretas”. Ao atribuir um valor a cada característica que representa sua contribuição para a previsão final (Lundberg e Lee, 2017), a técnica permite entender quais fatores mais contribuem para a classificação de risco de um cliente. Essa interpretabilidade é essencial para a validação do modelo e para a tomada de decisões de crédito, justificando as escolhas a reguladores, gestores e clientes.

Equilíbrio entre Interpretabilidade e Desempenho Preditivo

Os resultados deste estudo evidenciam um equilíbrio importante entre a interpretabilidade e o desempenho preditivo dos modelos. A regressão logística se destaca por sua capacidade de permitir uma leitura direta dos coeficientes estimados, o que facilita a compreensão do sentido e da intensidade da relação entre as variáveis explicativas e a probabilidade de inadimplência. Essa característica torna a regressão logística particularmente útil em contextos onde a explicação das decisões é tão relevante quanto a capacidade preditiva, conforme apontado por Hosmer et al. (2013).

Por outro lado, os modelos de “ensemble”, como LightGBM e XGBoost, apresentaram um desempenho ligeiramente superior nas métricas discriminatórias, sugerindo uma maior capacidade de capturar relações não lineares e interações mais complexas entre as variáveis. Esse comportamento é consistente com a literatura de “credit scoring”, que indica que técnicas mais flexíveis tendem a obter ganhos marginais de desempenho em bases de dados complexas, embora geralmente à custa de menor transparência interpretativa (Coelho et al., 2021).

Nesse contexto, a utilização da técnica SHAP representa um recurso importante para reduzir a opacidade desses modelos, permitindo estimar a contribuição individual de cada variável para as previsões. Além de fornecer explicações globais sobre a importância das variáveis, a técnica também contribui para a interpretação local das decisões, o que é especialmente relevante em aplicações de risco de crédito, nas quais a justificativa do resultado é parte essencial do processo analítico. A literatura já destacava a relevância dessa tensão entre desempenho e interpretabilidade (Baesens et al., 2016; Lessmann et al., 2015), e este estudo reforça a necessidade de métodos explicativos para modelos mais complexos.

Limitações do Estudo

A avaliação dos modelos neste estudo foi realizada a partir de uma única divisão entre os conjuntos de treino e teste, o que pode limitar a robustez da comparação, embora a otimização dos modelos de “ensemble” tenha sido conduzida com validação cruzada estratificada de três folds. Adicionalmente, a regressão logística não passou por um processo de otimização de hiperparâmetros, e o limiar de decisão padrão de 0,5 foi utilizado para todos os modelos, o que pode ter influenciado as métricas de classificação, especialmente em um contexto de desbalanceamento de classes. Por fim, a análise foi baseada em uma única base de dados, o que restringe a generalização dos resultados para outros contextos de crédito ou diferentes perfis de clientes.

Em síntese, os resultados confirmam que os modelos de “ensemble” LightGBM e XGBoost oferecem um desempenho preditivo ligeiramente superior à regressão logística na previsão de inadimplência, capturando melhor as complexidades do conjunto de dados “Home Credit Default Risk”. A análise SHAP foi fundamental para interpretar a contribuição das variáveis, destacando a relevância de fontes externas de “score” e características financeiras. Este estudo reforça a importância de considerar tanto a capacidade preditiva quanto a interpretabilidade e o tratamento do desbalanceamento da variável alvo na avaliação de modelos de risco de crédito, buscando o melhor compromisso para o contexto de decisão.

4. Conclusão

O presente estudo investigou a eficácia da regressão logística e de técnicas de “ensemble”, como LightGBM e XGBoost, na previsão de inadimplência, e analisou a interpretabilidade de suas previsões. Verificou-se que os modelos de “ensemble” demonstraram uma capacidade preditiva ligeiramente superior em comparação à regressão logística, conforme indicado por métricas como AUC-ROC e Índice de Gini. O XGBoost, em particular, obteve um desempenho marginalmente melhor, com um AUC-ROC de 0,764. Embora as diferenças nas métricas discriminatórias fossem modestas, os métodos de “boosting” revelaram maior aptidão para capturar padrões complexos nos dados. A análise SHAP foi fundamental para desvendar a contribuição das variáveis nos modelos de “ensemble”, destacando a importância de `fonte_ext_3`, `fonte_ext_2`, `credito_por_anuidade` e `dias_empregado` como fatores preditivos cruciais. Essa interpretabilidade é essencial para a validação do modelo e para a tomada de decisões de crédito, oferecendo transparência a modelos frequentemente considerados “caixas pretas”.

A principal contribuição deste trabalho reside na demonstração do equilíbrio entre o desempenho preditivo e a interpretabilidade no contexto de risco de crédito, reforçando a necessidade de métodos explicativos para modelos mais complexos. Contudo, o estudo apresentou limitações, como a avaliação dos modelos a partir de uma única divisão entre os conjuntos de treino e teste, a ausência de otimização de hiperparâmetros para a regressão logística e o uso de um limiar de decisão padrão de 0,5 para todos os modelos, o que pode ter influenciado as métricas de classificação em um cenário de desbalanceamento de classes. Além disso, a análise foi baseada em uma única base de dados, restringindo a generalização dos resultados. Sugere-se, para estudos futuros, a avaliação dos modelos com diferentes estratégias de tratamento do desbalanceamento, incluindo técnicas de “oversampling” e ajuste do limiar de decisão, bem como a aplicação de procedimentos estatísticos para avaliar a significância das diferenças de desempenho em diversas bases de crédito.

Referências Bibliográficas

Araújo, E.A.; Carmona, C.U.M. 2009. Desenvolvimento de modelos credit scoring com abordagem de regressão logística para a gestão da inadimplência de uma instituição de microcrédito. Contabilidade Vista e Revista 18(3): 107-131.

Baesens, B.; Roesch, D.; Scheule, H. 2016. Credit Risk Analytics: Measurement techniques, applications, and examples in SAS. Wiley, Hoboken, NJ, EUA.

Camargos, M.A.; Camargos, M.C.S.; Coutinho, E.S. 2010. Fatores condicionantes de inadimplência em processos de concessão de crédito: uma análise com dados em painel. Revista de Administração Mackenzie 11(5): 103-131.

Chen, T.; Guestrin, C. 2016. XGBoost: a scalable tree boosting system. In: ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 22, 2016, San Francisco, CA, EUA. Anais… p. 785-794.

Coelho, F.F.; Amorim, D.P.L.; Camargos, M.A. 2021. Analisando métodos de machine learning e avaliação do risco de crédito. Revista Gestão & Tecnologia 21(1): 89-116.

Duffie, D.; Singleton, K.J. 2003. Credit Risk: Pricing, measurement, and management. Princeton University Press, Princeton, NJ, EUA.

Friedman, J.H. 2001. Greedy function approximation: a gradient boosting machine. The Annals of Statistics 29(5): 1189-1232.

Gonçalves, E.B.; Gouvêa, M.A.; Mantovani, D.M.N. 2013. Análise de risco de crédito com o uso de regressão logística. Revista Contemporânea de Contabilidade 10(20): 139-160.

Hosmer, D.W.; Lemeshow, S.; Sturdivant, R.X. 2013. Applied Logistic Regression. 3ed. Wiley, Hoboken, NJ, EUA.

Lessmann, S.; Baesens, B.; Seow, H.-V.; Thomas, L.C. 2015. Benchmarking state-of-the-art classification algorithms for credit scoring: an update of research. European Journal of Operational Research 247(1): 124-136.

Lundberg, S.M.; Lee, S.I. 2017. A unified approach to interpreting model predictions. In: Advances in Neural Information Processing Systems (NIPS), 30, 2017, Long Beach, CA, EUA. Anais… p. 4765-4774.

Ponsam, J.G.; Gracia, S.V.J.B.; Geetha, G.; Karpagaselvi, S. 2021. Credit risk analysis using LightGBM and a comparative study of popular algorithms. In: International Conference on Computing and Communication Technologies (ICCCT), 4, 2021.

Zhou, Z.-H. 2012. Ensemble Methods: Foundations and algorithms. Chapman & Hall/CRC, Boca Raton, FL, EUA.

Çallı, B.A.; Coşkun, E. 2021. A longitudinal systematic review of credit risk assessment and credit default predictors. Sage Open 11: 21582440211061333.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

Mais recentes

13 de outubro de 2026

“Marca”: viabilidade econômica para moda sustentável LGBTQIA+ em São Paulo

13 de outubro de 2026

Preditores de óbitos em idosos com síndrome respiratória aguda grave confirmados por Influenza A(H1N1)pdm09

13 de outubro de 2026

Construindo a beleza desde cedo: comportamentos de consumo de maquiagem e skincare na Geração Alpha

13 de outubro de 2026

Uma visão geral comparativa das frotas de veículos elétricos no Brasil e na União Europeia

13 de outubro de 2026

População e Imigração no Japão: Projeções com Séries Temporais e Análise Causal Demográfica até 2044

13 de outubro de 2026

Marketing digital e engajamento no youTube: estratégias para canais de crimes reais no Brasil

13 de outubro de 2026

Utilização de técnicas de Machine Learning Não Supervisionado para planejamento de trabalho de revisão de remunerações para aposentadoria

13 de outubro de 2026

Gestão de vendas para o desempenho de uma empresa do setor imobiliário

13 de outubro de 2026

Delineo: Adaptação de modelo de difusão para prototipagem de interface de usuário guiada por esboço

Você também pode gostar

13 de outubro de 2026

“Marca”: viabilidade econômica para moda sustentável LGBTQIA+ em São Paulo

O cenário atual da moda, marcado pelo consumo excessivo de “fast fashion” e pela exclusão de corpos dissidentes, evidenciou a necessidade de marcas focadas em conscientização, “upcycling” e transmutação têxtil. Neste contexto, o estudo objetivou analisar a viabilidade econômica de uma marca de moda sustentável e inclusiva, direcionada ao público LGBTQIA+ na cidade de São Paulo. A pesquisa caracterizou-se como um estudo de caso quantitativo, fundamentado na aplicação de um questionário para aferir o comportamento de consumo e na projeção de cenários financeiros para um quinquênio. Os resultados revelaram um ticket médio viável de R$200,00 e confirmaram a rentabilidade da operação com um Valor Presente Líquido de R$ 47.699,49, uma Taxa Interna de Retorno de 343,70% e uma Taxa Interna de Retorno Modificada de 115,80%. A análise de sensibilidade comprovou a solidez do projeto, demonstrando retorno positivo mesmo em simulações pessimistas. O empreendimento mostrou-se viável, indicando que a união entre valores de sustentabilidade, economia social e estrutura financeira eficiente resulta em um negócio de baixo risco.

Palavras-chave: Análise de investimentos; Economia circular; Empreendedorismo; Impacto socioambiental; Vestuário.

13 de outubro de 2026

Preditores de óbitos em idosos com síndrome respiratória aguda grave confirmados por Influenza A(H1N1)pdm09

A infecção pelo vírus influenza A(H1N1)pdm09 pode evoluir para Síndrome Respiratória Aguda Grave (SRAG), com maior risco de óbitos em idosos. O objetivo foi analisar fatores preditores de óbito em casos de SRAG confirmados para influenza A(H1N1)pdm09, entre idosos com 60 anos ou mais, considerando fatores individuais e contextuais das Regiões Administrativas (RA) do Estado de São Paulo (ESP), e comparar o desempenho de modelos de regressão. Realizou-se um estudo descritivo e analítico no ESP, de 2023 a 2024, utilizando dados do SIVEP-Gripe e da Fundação SEADE. Incluíram-se 714 casos confirmados por RT-PCR de influenza A(H1N1)pdm09 em residentes do ESP com 60 anos ou mais. Analisaram-se variáveis sociodemográficas, clínicas, de internação, tratamento, vacinação e local de residência. Empregou-se regressão logística binária e hierárquica logística, com o desfecho de evolução para óbito. Dos 714 casos, 202 resultaram em óbito. O modelo final de regressão logística binária associou maior chance de óbito ao sexo masculino, idade avançada, saturação de oxigênio inferior a 95%, internação em UTI e uso de suporte ventilatório invasivo. A presença de tosse e o uso de antiviral foram associados a menor chance de óbito. O modelo hierárquico logístico apresentou desempenho semelhante, com pequena contribuição contextual residual das RA. Concluiu-se que o modelo de regressão logística binária foi suficiente e mais simples para representar os dados, sendo adotado como modelo final.

Palavras-chave: Influenza A(H1N1)pdm09; Modelagem hierárquica logística; Óbito por Influenza A(H1N1)pdm09; Regressão logística; Síndrome Respiratória Aguda Grave.

13 de outubro de 2026

Construindo a beleza desde cedo: comportamentos de consumo de maquiagem e skincare na Geração Alpha

O interesse feminino pela estética manifesta-se em diversas sociedades, sendo amplificado pelo avanço da internet e das redes sociais, que impulsionaram o surgimento de influenciadores digitais. O estudo analisou como o marketing de influência digital impacta o comportamento de consumo e a percepção estética de meninas da Geração Alpha (3 a 15 anos) no estado de São Paulo, sob a perspectiva de seus pais e/ou responsáveis, com foco no consumo precoce de maquiagem e skincare e na construção de padrões estéticos. Para isso, realizou-se uma pesquisa bibliográfica, aplicou-se um formulário quantitativo online e presencial, e conduziu-se uma entrevista com um médico dermatologista. Os resultados indicaram que o interesse pela beleza surge precocemente, com incentivo dos responsáveis. As jovens demonstraram desejo de pertencimento, e itens de maquiagem apresentaram ligeira predominância sobre os de skincare. A maioria dos participantes acreditou que o marketing de influência impacta as decisões de compra. Concluiu-se que o interesse pela beleza e o incentivo ao autocuidado são naturalizados desde cedo, e que o marketing de influência contribui para a formação de desejos de consumo, embora a amostra não probabilística limite generalizações.

Palavras-chave: Adolescentes; Crianças; Estética; Influenciadores; Redes Sociais.

13 de outubro de 2026

Uma visão geral comparativa das frotas de veículos elétricos no Brasil e na União Europeia

O transporte rodoviário contribui para aproximadamente 20% das emissões globais de CO2, impulsionando a busca por soluções de mobilidade mais limpas, como veículos elétricos. O objetivo deste estudo foi comparar os mercados de veículos elétricos no Brasil e na União Europeia, contrastando suas políticas, adoção por consumidores e desenvolvimento de infraestrutura. Empregou-se um desenho de pesquisa descritiva comparativa, analisando dados quantitativos da Associação Brasileira do Veículo Elétrico, Associação Nacional dos Fabricantes de Veículos Automotores, European Alternative Fuels Observatory e European Environment Agency para o período de 2015 a 2024, complementados por análise qualitativa de documentos de política. Os resultados revelaram uma divergência estrutural fundamental: o Brasil apresentou crescimento exponencial de 80,7% ao ano (2022-2025), com híbridos compreendendo aproximadamente 66% das vendas e impulsionado por incentivos fiscais que alavancam a bioeconomia do etanol. A União Europeia, por sua vez, mostrou expansão em fase de consolidação a uma taxa anual de 8,35% (2008-2025), com veículos elétricos a bateria superando 40% dos novos registros, impulsionados por mandatos regulatórios vinculativos. A análise de densidade de infraestrutura indicou que a rede pública de carregamento da União Europeia (55,3 pontos por mil veículos de combustível alternativo) era o dobro da brasileira (27,9 pontos por mil veículos eletrificados). A quantificação ambiental confirmou que a matriz energética predominantemente renovável do Brasil (64 gCO2/kWh) resultou em emissões well-to-wheel substancialmente menores em comparação com a matriz da União Europeia (246 gCO2/kWh). Concluiu-se que o modelo brasileiro, com incentivos fiscais neutros em tecnologia e aproveitamento da infraestrutura de biocombustíveis, pode acelerar a adoção de híbridos em economias emergentes com baixo gasto público. Para mercados maduros, o modelo da União Europeia, com mandatos regulatórios, estabeleceu um mercado dominante de veículos elétricos a bateria, embora com custo fiscal mais elevado.

Palavras-chave: Energia renovável; Mercado; Qualitativo; Quantitativo.

13 de outubro de 2026

População e Imigração no Japão: Projeções com Séries Temporais e Análise Causal Demográfica até 2044

O envelhecimento populacional e a baixa taxa de fecundidade configuram desafios demográficos complexos no Japão, acompanhados pela expansão da imigração estrangeira como resposta às restrições de oferta de mão de obra. O estudo teve como objetivo analisar as tendências demográficas japonesas e projetar sua evolução até 2044, com ênfase nas relações entre declínio populacional, fecundidade e imigração. Aplicaram-se os modelos de séries temporais ARIMA e Prophet a dados históricos do Banco Mundial, do Instituto Nacional de Pesquisa Populacional e Segurança Social do Japão e da Agência de Serviços de Imigração do Japão, abrangendo o período de 2003 a 2023 para a série populacional e de 2014 a 2024 para a série imigratória. A análise incluiu estatísticas descritivas, correlação de Pearson, teste de estacionariedade de Dickey-Fuller aumentado e testes de causalidade de Granger, além da avaliação preditiva por meio das métricas MAE e MAPE. Os resultados evidenciaram a continuidade da redução populacional e o crescimento do contingente de imigrantes nas projeções até 2044. O Prophet apresentou menores valores de MAE e MAPE nos conjuntos de teste, embora a curta extensão da série imigratória limitasse a capacidade de generalização. Os testes de causalidade temporal não identificaram evidências estatisticamente significativas de precedência entre população e imigração. Concluiu-se que a imigração pode contribuir para mitigar restrições de oferta de mão de obra, mas não constitui, isoladamente, mecanismo suficiente para reverter o declínio populacional japonês.

Palavras-chave: Declínio populacional; Demografia; Fertilidade; Fluxos migratórios; Séries temporais.

13 de outubro de 2026

Marketing digital e engajamento no youTube: estratégias para canais de crimes reais no Brasil

O fenômeno dos crimes reais consolidou-se como um nicho de crescimento no YouTube brasileiro, impulsionado pela expansão das mídias digitais e pelo fascínio do público. Contudo, muitos criadores enfrentaram dificuldades para alcançar crescimento sustentável. Analisou-se como as estratégias de marketing digital influenciaram o crescimento, o engajamento e a monetização de canais brasileiros de crimes reais na plataforma YouTube. Adotou-se pesquisa de abordagem mista, qualitativa e quantitativa, de natureza exploratória e descritiva. Analisaram-se quatro canais brasileiros do nicho por meio de análise documental de conteúdos, coleta de métricas públicas via Social Blade e Noxinfluencer, e aplicação de questionários a quatro criadores e a 104 espectadores. Os resultados evidenciaram que os canais de maior desempenho adotaram estratégias distintas, como abordagem narrativa linear e contextualizada, comunicação emocional personalizada, postura técnico-informativa ou conteúdo opinativo provocativo. Verificou-se convergência entre criadores e audiência sobre a centralidade do storytelling para retenção, com a maioria dos espectadores afirmando que a forma como a história era contada determinava a continuidade da visualização. Os criadores indicaram o tempo médio de retenção como métrica mais preditiva para crescimento sustentável, embora 100% dependessem exclusivamente do AdSense para monetização, revelando vulnerabilidade financeira. Concluiu-se que o sucesso no nicho depende da integração entre marketing digital, identidade narrativa consistente e responsabilidade ética.

Palavras-chave: creator economy; engajamento digital; marketing de conteúdo; storytelling; true crime.

13 de outubro de 2026

Utilização de técnicas de Machine Learning Não Supervisionado para planejamento de trabalho de revisão de remunerações para aposentadoria

O dimensionamento de pessoal e a gestão de fluxos de aposentadoria em órgãos públicos federais configuraram desafios estratégicos complexos. O estudo teve como objetivo aplicar técnicas de Machine Learning não supervisionado, especificamente Agrupamento (K-means) e Análise de Correspondência Múltipla (ACM), para aprimorar o planejamento de revisões funcionais em uma autarquia federal brasileira. A metodologia consistiu no processamento de uma base validada de 487 servidores ativos. Inicialmente, variáveis quantitativas, como idade, tempo de contribuição e remuneração, foram submetidas ao algoritmo K-means, resultando na formação de cinco clusters, apoiada no Método do Cotovelo e Coeficiente de Silhueta. Subsequentemente, os grupos foram integrados a variáveis qualitativas via ACM, projetadas em um mapa perceptual que explicou 74,81% da inércia dos dados. Os resultados revelaram que os clusters 0 e 3 representaram os perfis de maior criticidade previdenciária, concentrando todos os beneficiários de abono de permanência e a maioria dos cargos extintos. A pesquisa gerou um Plano de Ação escalonado, priorizando os 75 servidores desses clusters que integralizaram os requisitos de aposentadoria até 2025, com diretriz similar para 2026. Em contrapartida, o cluster 2 apresentou menor risco, com inatividade prevista apenas a partir de 2031. O modelo mostrou-se amplamente favorável como ferramenta de auditoria e saneamento, embora sua plena eficácia dependa de uma governança de dados mais rigorosa no serviço público.

Palavras-chave: Agrupamento; Análise de Correspondência Múltipla (ACM); Aposentadoria; Clusterização.

13 de outubro de 2026

Gestão de vendas para o desempenho de uma empresa do setor imobiliário

A gestão de vendas desempenha um papel estratégico no desempenho organizacional, especialmente em setores de desenvolvimento imobiliário, caracterizados por complexidade comercial. Este estudo teve como objetivo analisar a contribuição das práticas de gestão de vendas para o desempenho comercial e organizacional de uma empresa do setor imobiliário, considerando seu modelo de atuação e estrutura comercial. A pesquisa caracterizou-se como exploratória, com abordagem qualitativa e quantitativa, adotando um estudo de caso único. Coletaram-se dados por meio de triangulação, utilizando pesquisa documental e questionário estruturado aplicado à equipe de vendas terceirizada. Os resultados indicaram que a empresa estruturou suas práticas de gestão comercial com metas mensais e anuais, campanhas de marketing e sistemas de incentivos. O desempenho foi acompanhado por indicadores quantitativos, como volume de vendas e percentual de atingimento de metas. No período analisado, realizaram-se 179 vendas, correspondendo a 74,6% da meta anual estabelecida. Observaram-se oportunidades de aprimoramento no alinhamento entre planejamento comercial, acompanhamento de resultados e efetividade das estratégias. A percepção dos corretores apontou limitações nos sistemas de incentivo, como a ausência de progressividade nas comissões e a duração das premiações. Concluiu-se que, embora a gestão de vendas influencie o desempenho organizacional, existem fragilidades no alinhamento entre esforço, recompensa e motivação da força de vendas. Recomendaram-se o fortalecimento do acompanhamento sistemático, a melhoria da comunicação, a definição de metas mais realistas e a implementação de incentivos progressivos para potencializar os resultados comerciais.

Palavras-chave: Estratégias de vendas; Força de vendas; Gestão comercial; Indicadores de desempenho; Setor imobiliário.

13 de outubro de 2026

Delineo: Adaptação de modelo de difusão para prototipagem de interface de usuário guiada por esboço

A evolução da inteligência artificial e das redes neurais profundas revolucionou as interações humano-máquina. Modelos generativos, embora promissores para a síntese de imagens, enfrentam desafios na prototipagem de interfaces de usuário (UI) ao falhar em respeitar a estrutura espacial. Para solucionar essa divergência, propôs-se uma abordagem de difusão latente condicionada, integrando uma arquitetura de controle a um modelo de larga escala ajustado para interfaces móveis, que suportou esboços de UI para guiar a inferência de imagens. A base de dados de treinamento foi composta por aproximadamente 12.400 imagens de UI e esboços de fontes públicas, pré-processadas e enriquecidas com dados sintéticos e instruções textuais. A abordagem utilizou um modelo Stable Diffusion 3.5 Large como base, adaptado com ControlNet canny edges e um adaptador LoRA. A viabilidade da abordagem foi validada por avaliação quantitativa, empregando uma métrica de similaridade semântica normalizada (SSN) baseada em Sentence-BERT, e por análise qualitativa com 20 especialistas da indústria. Os resultados confirmaram que o método superou as capacidades do modelo original. Contudo, a avaliação evidenciou que a eficácia na estruturação lógica da interface ainda enfrentava degradação estética e perda de elementos funcionais. Concluiu-se que, embora a tecnologia comprove sua viabilidade técnica para otimizar a transição entre requisitos e a implementação de código, a automatização de processos criativos demanda aprimoramentos arquiteturais para atingir o rigor visual exigido pela indústria de desenvolvimento de software.

Palavras-chave: Adaptação de baixo posto; Aprendizado de máquina; Difusão latente condicionada; Redes neurais profundas.

Saúde

13 de outubro de 2026

O elo perdido da transformação da saúde

Por que inovar não basta para provocar mudanças nas organizações e nos sistemas de saúde A transformação digital consolidou-se como prioridade estratégica para os sistemas de saúde em todo o mundo. Prontuários eletrônicos, inteligência artificial, telemedicina, monitoramento remoto e análise de dados passaram a integrar a agenda estratégica de governos e organizações de saúde. Paradoxalmente, […]

Marketing

09 de outubro de 2026

Bitcoin ou pets: o que a Inteligência Artificial não veria

Um caso real de consumer intelligence mostra o que fica fora do briefing Há alguns anos, uma seguradora americana contratou uma empresa especializada em consumer intelligence para responder a três perguntas: A seguradora também avaliava lançar seguros pagos em bitcoin. Na época, o processo de trabalho da consultoria funcionava assim: o analista criava uma query […]

Gestão Escolar

06 de outubro de 2026

A escola não é um cassino: quando figurinhas viram moeda no pátio

Por que, para determinados estudantes, a escola consegue oferecer tão poucas experiências de conquista? A Copa do Mundo acabou. O Brasil deixou a competição, vieram as férias escolares, a final foi disputada e o calendário do futebol seguiu adiante. Seria razoável imaginar que, com o fim do torneio e o retorno às aulas, também começasse […]

Transição Energética

30 de setembro de 2026

Energias renováveis: a vantagem brasileira

Brasil precisa investir na capacidade de transformar recursos naturais em inovação, produtividade e desenvolvimento Falar sobre energia é falar sobre desenvolvimento. Por trás da indústria, dos transportes, dos serviços, das cidades e, cada vez mais, da inteligência artificial, existe uma infraestrutura energética que sustenta a economia. Compreender a matriz energética de um país é compreender […]

Análise De Dados

30 de setembro de 2026

Quando o dado muda, a realidade mudou?

Análise de quase 20 milhões de vínculos-ano docentes entre 2020 e 2025 mostra como mudanças na composição da população e na produção dos registros podem alterar a interpretação de série histórica Entre 2020 e 2025, o número de vínculos formais de trabalho docente identificados na RAIS (Relação Anual de Informações Sociais), do Ministério do Trabalho, […]

Inteligência Artificial

28 de setembro de 2026

Inteligência artificial e as trends

Por que tantas pessoas aderem às brincadeiras com o ChatGPT? Nunca fui a pessoa da trend. Continuo não sendo. Algumas passam pela minha timeline, vejo, acho interessante mas não a ponto de experimentar. Foi assim, inclusive, com algumas ondas recentes de imagens feitas por inteligência artificial, como a trend dos anos 80, aquela que nos […]

Gestão De Projetos

25 de setembro de 2026

A IA acelera as respostas; quem assume as decisões?

Velocidade da tecnologia só vira vantagem quando acompanha a capacidade de compreender, verificar e assumir a responsabilidade pelos resultados Imagine uma equipe que passa a produzir em uma tarde as análises que antes exigiam uma semana. A mudança parece justificar o investimento em inteligência artificial. Mas, antes de contabilizar o ganho, cabe perguntar quem examinou […]

Inovação

14 de setembro de 2026

Não lemos apenas palavras

Como novos códigos, tecnologias e formas de comunicação ampliam aquilo que precisamos aprender a interpretar Ser alfabetizado costuma ser entendido inicialmente como: reconhecer letras, formar palavras, compreender frases e produzir textos. Durante muito tempo, foi principalmente a partir desse domínio que definimos o que significava saber ler e, consequentemente, participar de diferentes espaços da sociedade. […]

Redes Sociais

14 de setembro de 2026

O efeito da influência no consumo

O que a pesquisa Youpix/Nielsen 2026 mostra sobre o avanço da Creator Economy Em 2025, 80% dos consumidores brasileiros compraram algum produto recomendado por influenciadores. Em 2026, o índice chegou a 81%. A estabilidade em um patamar tão elevado indica que a compra por influência deixou de ser um comportamento restrito a determinados públicos. O […]

Gestão Tributária

01 de setembro de 2026

Reforma tributária e planejamento patrimonial no campo

Eficiência para gerenciar os impostos facilita a governança e permite organizar a sucessão familiar A organização patrimonial rural virou uma medida estratégica diante da reforma tributária no Brasil, que entrou em vigor neste ano. O planejamento das atividades e da gestão do patrimônio rural, por meio de ferramentas como a transição da Pessoa Física para […]

Renata de Gaspari Valdejão Almeida

Inteligência Artificial

05 de agosto de 2026

Dentro da empresa e fora do radar: os riscos da Shadow AI

Segundo a Microsoft, 75% dos profissionais já utilizam inteligência artificial no trabalho sem homologação da empresa O uso da inteligência artificial generativa já faz parte da rotina corporativa. Ferramentas como ChatGPT, Copilot e outras plataformas ajudam profissionais a produzir textos, analisar dados, criar apresentações e acelerar tarefas em praticamente todos os setores. Mas esse avanço […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julho de 2026

O futuro como competência

Interesse acadêmico reforça a projeção de cenários como ferramenta essencial para a tomada de decisões Enquanto algumas empresas ainda tentam acertar o próximo passo, outras já trabalham com múltiplos futuros possíveis — e se preparam para todos eles. Mas afinal, o que significa “pensar o futuro”? É tendência, é estratégia ou uma nova competência que […]

Renata de Gaspari Valdejão Almeida

Inovação

Tecnologia

21 de maio de 2026

Corredor Agro SP: inovação, articulação institucional e futuro

Pecege comanda 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 […]

Educação

27 de abril de 2026

Como transformar um TCC em negócio

Nova gestão do Parque Tecnológico de Piracicaba oferece consultoria a egressos de MBAs O novo diretor de projetos do Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, costuma dizer que uma das maiores recompensas que já teve na vida foi ver seus orientandos do MBA USP/Esalq estruturarem empresas a partir de seus trabalhos de conclusão de […]

Tecnologia

20 de março de 2026

O repertório humano na era da IA

Pensamento crítico e criatividade são insubstituíveis no trabalho do profissional de marketing A Inteligência Artificial (IA) é capaz de feitos incríveis, mas ainda não possui a capacidade de julgamento, empatia, intuição e criatividade estratégica necessárias para fazer o trabalho de um bom profissional de marketing. Nessa área, é importante saber usar a ferramenta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

23 de fevereiro de 2026

ESG como estratégia de crescimento em uma cooperativa do RS

Santa Clara equilibra responsabilidade social e ambiental com inovação Fundada em 1911 por imigrantes italianos em Carlos Barbosa, na serra gaúcha, a Cooperativa Santa Clara é um exemplo de que é possível equilibrar o crescimento econômico com a responsabilidade social e ambiental. De uma pequena empresa de produção de queijos, a organização evoluiu para um […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

22 de janeiro de 2026

Brasil livre de febre aftosa: o que muda para a carne brasileira?

Com um rebanho de mais de 200 milhões de cabeças de gado, o país é atualmente o líder em exportações O Brasil recebeu recentemente, pela primeira vez, a certificação de país livre de febre aftosa sem vacinação, conferida pela Organização Mundial de Saúde Animal (OMSA). O selo fortalece a posição do país como fornecedor de carne confiável para o […]

Renata de Gaspari Valdejão Almeida

Inovação

09 de dezembro de 2025

Inovação: o novo ciclo do Parque Tecnológico de Piracicaba

Instituto Pecege assume a gestão apostando na criação de novos negócios A partir de 2026, o Instituto Pecege assumirá a gestão do Parque Tecnológico de Piracicaba (PTP). Entre suas responsabilidades estarão a administração, operação, manutenção e expansão do parque, além do fomento de atividades de inovação, empreendedorismo e ciência e tecnologia. A escolha foi feita […]

Renata de Gaspari Valdejão Almeida

06 de julho de 2026

Arquitetura de Grande Porte: Gestão de Mudanças DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. A arquitetura e o urbanismo configuram-se como bases imprescindíveis em um espaço urbano cada vez mais complexo e desafiador, onde a intrínseca conexão entre questões sociais, ambientais e tecnológicas […]