Comparativa de Modelos de Riesgo de Crédito e impacto de sus variables en sus predicciones

doi:10.22167/2675-6528-202602838

Artículo

30 de septiembre de 2026

Comparativa de Modelos de Riesgo de Crédito e impacto de sus variables en sus predicciones

Comparativa de Modelos de Riesgo de Crédito e Impacto de Sus Variables en Sus Predicciones

Domingos Soares do Carmo Neto; Felipe Pinto da Silva

DOI: 10.22167/2675-6528-202602838

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

Resumen

La creciente morosidad en el sistema financiero y las limitaciones de los métodos tradicionales de evaluación crediticia evidenciaron la necesidad de modelos predictivos más robustos e interpretables. El estudio comparó el rendimiento de tres algoritmos supervisados de aprendizaje automático — Regresión Logística, Árbol de Decisión y Red Neuronal Artificial (MLP) — aplicados a tres bases públicas de riesgo crediticio: Statlog German Credit Dataset, Default of Credit Card Clients y Give Me Some Credit. Se realizó preprocesamiento de los datos, incluyendo imputación por la mediana, codificación binaria, estandarización y estrategias para clases desequilibradas. Los modelos fueron evaluados por precisión (accuracy), exactitud (precision), exhaustividad (recall), F1-score y AUC-ROC, y sometidos a optimización de hiperparámetros con validación cruzada de cinco folds. La interpretabilidad de las predicciones se realizó mediante el método SHAP. Los resultados revelaron que ningún algoritmo demostró superioridad consistente en todos los escenarios. La Regresión Logística obtuvo el mejor AUC-ROC en la base German Credit (0,803), el Árbol de Decisión lideró en la base Give Me Some Credit (0,849), y el MLP se destacó en la base Taiwan Credit Card (0,765). El análisis SHAP indicó que el comportamiento financiero reciente, la utilización del crédito rotatorio y la disponibilidad de cuenta corriente fueron consistentemente las variables más predictivas. Se concluyó que el enfoque multimodelo, unido al análisis de interpretabilidad por SHAP, ofrece una estructura más completa y confiable para la clasificación de riesgo crediticio que la utilización aislada de cualquier algoritmo.

Palabras clave: Aprendizaje automático; Clasificación de incumplimiento; Modelos predictivos; Riesgo de crédito; SHAP.

1. Introducción

La creciente complejidad del sistema financiero y el aumento de los índices de impago han convertido la gestión del riesgo crediticio en uno de los principales desafíos para las instituciones financieras. En este contexto, la evaluación de la capacidad de pago de los prestatarios asume un papel estratégico, ya que decisiones erróneas pueden exponer a los prestamistas a pérdidas significativas y comprometer la estabilidad del sistema financiero en su conjunto (Sanches, Vander Lúcio et al., 2018).

El análisis de crédito desempeña un papel central en este proceso, permitiendo la asignación eficiente de recursos y la mitigación del incumplimiento. Según Joseph y Ciby (2013), cumple tres propósitos fundamentales: revelar los riesgos financieros del tomador, orientar el análisis operativo y comercial del negocio y determinar la extensión del soporte financiero necesario, sobre todo para intermediarios como los bancos.

El análisis de crédito se basa en la evaluación de diversos factores, como el historial financiero, los ingresos y el comportamiento de pago de los clientes, con el objetivo de predecir la probabilidad de impago. La importancia de este estudio se intensificó a partir de la crisis financiera de 2008 en Estados Unidos, cuando el colapso de bonos respaldados por hipotecas de alto riesgo evidenció fallas en los modelos tradicionales de evaluación de crédito (Reinhart & Rogoff, 2009). La crisis reveló la necesidad de mejorar las metodologías de medición del riesgo, impulsando investigaciones en modelos predictivos basados en técnicas estadísticas y aprendizaje automático.

Desde entonces, diversos estudios han explorado el potencial de las técnicas de aprendizaje automático en la evaluación del riesgo crediticio. Selau (2017) comparó tres enfoques distintos de modelado predictivo, analizando su eficacia en la clasificación de clientes morosos y evidenciando la importancia de la elección del modelo adecuado para optimizar la precisión de las predicciones. Adicionalmente, Marques, Garcia y Sanchez (2012) evaluaron el desempeño de siete modelos de predicción diferentes, incluyendo 1-Nearest Neighbour, Naive Bayes Classifier, Regresión Logística, Multilayer Perceptron, Redes Neuronales de Función de Base Radial, Máquina de Vectores de Soporte con kernel lineal y Árbol de Decisión, y también mostraron que el modelo de árbol de decisión constituye una solución eficaz para métodos de clasificación predictiva.

Además del modelo en sí, diversos factores pueden influir en la clasificación de la morosidad, siendo uno de los principales la selección y ingeniería de variables. Khandani et al. (2010) demostraron que la incorporación de un conjunto diversificado de atributos, como historial crediticio, comportamiento de pago y datos demográficos, en algoritmos predictivos puede revelar interacciones complejas y mejorar la exactitud de los modelos de puntaje de crédito. Un modelo ampliamente utilizado es el “credit score”, o puntaje de crédito, basado en análisis discriminante o de regresión logística. Vicente (2003) afirma que es muy empleado por instituciones financieras para la concesión de crédito y relaciona la puntuación obtenida por un cliente con la probabilidad de pérdida, destacando variables como estado civil, cantidad de cuotas del financiamiento y compromiso de la renta.

Ante este escenario, el análisis comparativo de modelos de riesgo de crédito se ha vuelto esencial para identificar enfoques más eficaces y robustos en la predicción de la morosidad. La problemática se centró en la necesidad de mejorar la precisión de estas predicciones y garantizar que los métodos utilizados fueran interpretables, evitando sesgos que pudieran comprometer las decisiones financieras. Así, el presente estudio buscó investigar la precisión y la aplicabilidad de diferentes modelos de aprendizaje de máquina, evaluando su eficacia en la identificación de buenos y malos pagadores, y comparando el rendimiento de tres algoritmos supervisados de aprendizaje de máquina — Regresión Logística, Árbol de Decisión y Red Neuronal Artificial del tipo Multilayer Perceptron (MLP) — aplicados a tres bases públicas de riesgo de crédito: Statlog German Credit Dataset, Default of Credit Card Clients y Give Me Some Credit, totalizando nueve combinaciones modelo-base, contribuyendo al avance de las técnicas de análisis de crédito y auxiliando a las instituciones financieras en la toma de decisiones.

2. Material y Métodos

El presente estudio adoptó una naturaleza de investigación aplicada explicativa, según la clasificación de Gil (2002). El objetivo fue la implementación de algoritmos de aprendizaje automático para la búsqueda de conocimientos aplicables en contextos reales, con el fin de comprender las características de los clientes que más contribuyen a la morosidad. El enfoque metodológico fue predominantemente cuantitativo, centrado en el análisis de modelos predictivos de riesgo de crédito y en la mitigación de la morosidad a través de técnicas estadísticas.

Complementariamente, se realizó un análisis cualitativo interpretativo para comprender la influencia y el peso de las variables más relevantes en la clasificación de morosos, según Pinto (2021). Para el análisis, se utilizaron tres bases de datos públicas: Statlog German Credit Dataset (Hofmann, 1994), con 1.000 observaciones; Default of Credit Card Clients (Yeh & Lien, 2009), con 30.000 registros; y Give Me Some Credit (Kaggle, 2011), con 150.000 observaciones. Todas las bases incluían una variable objetivo binaria de morosidad.

Los datos pasaron por un proceso de preprocesamiento estructurado en cuatro etapas. En primer lugar, se realizó la imputación de valores ausentes en la base Give Me Some Credit, donde las variables MonthlyIncome (19,8% ausente) y NumberOfDependents (2,6% ausente) fueron rellenadas por la mediana, método robusto a valores extremos (Chapman, 2005). A continuación, las variables categóricas de la base German Credit fueron convertidas por codificación binaria (One-Hot Encoding).

Posteriormente, todas las variables numéricas fueron estandarizadas por el método StandardScaler, que establece media cero y desviación estándar unitaria, eliminando diferencias de escala. Finalmente, cada base fue dividida en conjuntos de entrenamiento (80%) y prueba (20%), con estratificación por la variable objetivo para mantener la proporcionalidad entre las clases, según lo recomendado por Kuhn y Johnson (2013). El desequilibrio entre clases, acentuado en la base Give Me Some Credit, fue tratado con el parámetro `class_weight=’balanced’` en los modelos y pesos por muestra en la red neuronal.

Se implementaron tres modelos supervisados de aprendizaje automático: Regresión Logística, Árboles de Decisión y Redes Neuronales Artificiales del tipo Multilayer Perceptron (MLP). La Regresión Logística fue implementada por la clase `LogisticRegression` de Scikit-learn (Pedregosa et al., 2011), con regularización L2 y solver `lbfgs`. Los Árboles de Decisión utilizaron el algoritmo CART, implementado por la clase `DecisionTreeClassifier` de Scikit-learn. El MLP fue implementado por la clase `MLPClassifier` de Scikit-learn.

Los modelos fueron sometidos a un proceso de optimización de hiperparámetros con validación cruzada de 5 folds, adoptando la AUC-ROC como métrica de optimización, por ser más adecuada a datos desbalanceados. Para la Regresión Logística y el Árbol de Decisión, se utilizó el `GridSearchCV`. Para la red neuronal MLP, se empleó el `RandomizedSearchCV`, buscando mayor eficiencia computacional en el mayor espacio de configuraciones.

La interpretabilidad de las predicciones se realizó de forma unificada mediante el método SHAP (SHapley Additive exPlanations), aplicado a los nueve modelos (Lundberg & Lee, 2017). Se utilizó el `LinearExplainer` para la Regresión Logística, el `TreeExplainer` para el Árbol de Decisión y el `KernelExplainer` para el MLP. Las bibliotecas Scikit-learn (Pedregosa et al., 2011), Seaborn (Waskom, 2021) y SHAP (Lundberg & Lee, 2017) se emplearon para el desarrollo y análisis de los datos.

La comparación entre los modelos se realizó mediante cinco métricas consagradas en la literatura de aprendizaje automático (Fawcett, 2006), derivadas de la matriz de confusión: verdaderos positivos (VP), verdaderos negativos (VN), falsos positivos (FP) y falsos negativos (FN). Las métricas incluyeron precisión, exactitud, recall, F1-score y AUC-ROC, permitiendo una evaluación exhaustiva del rendimiento predictivo en escenarios de desequilibrio de clases.

3. Resultados y Discusión

La implementación de los tres modelos de aprendizaje automático en las tres bases de crédito seleccionadas reveló un panorama de desempeño que, en diversos aspectos, desafió las expectativas iniciales basadas en la literatura. Se observó que ningún algoritmo demostró superioridad consistente en todos los escenarios evaluados, lo que indica que la elección del modelo más adecuado depende intrínsecamente de las características específicas de cada base de datos, incluyendo su volumen, la distribución de las clases y la naturaleza de las variables, además de las prioridades métricas del problema de negocio en cuestión. Esta variabilidad subraya la complejidad de la predicción de riesgo de crédito y la necesidad de un enfoque flexible en la selección de modelos.

El análisis de las métricas de evaluación, antes de la optimización de hiperparámetros, demostró que la Regresión Logística alcanzó el mejor AUC-ROC en la base German Credit, con un valor de 0,803, y un recall de 0,800. En la base Give Me Some Credit, el Árbol de Decisión se destacó con el mayor AUC-ROC, alcanzando 0,849, y un recall de 0,801. Por su parte, la Red Neuronal Artificial (MLP) obtuvo el mejor rendimiento en la base Taiwan Credit Card, con un AUC-ROC de 0,765. Estos resultados iniciales ya apuntaban a la ausencia de un modelo universalmente superior, reforzando la pertinencia de un análisis comparativo detallado.

En cuanto al recall, una métrica crucial para la reducción de pérdidas para el acreedor, el Árbol de Decisión presentó los mejores resultados en la base Give Me Some Credit, con 0,801, y en la base German Credit, con 0,750. La Regresión Logística también demostró un recall competitivo en la base German Credit, con 0,800, y en la base Give Me Some Credit, con 0,670. La Red Neuronal MLP, aunque competitiva en términos de AUC-ROC en algunas bases, no lideró en recall en ninguno de los escenarios, lo que sugiere que una alta capacidad predictiva general no siempre se traduce en una mayor sensibilidad para la identificación de la clase minoritaria de morosos.

Estos hallazgos divergen parcialmente de los de Marques, Garcia y Sanchez (2012), quienes identificaron el árbol de decisión como la solución más eficaz para la clasificación predictiva en credit scoring. En el presente estudio, el Árbol de Decisión se destacó solo en la base de mayor volumen, Give Me Some Credit, que posee 150.000 observaciones, siendo superado por los demás modelos en los otros contextos. Esta observación está en consonancia con Selau (2017), quien notó la variación del desempeño de los algoritmos en función del tamaño y la naturaleza de la base de datos, un resultado que se alinea con los patrones identificados en esta investigación.

Profundizando el análisis por base de datos, en German Credit, que contiene 1.000 observaciones y 30% de morosos, la Regresión Logística obtuvo el mejor AUC-ROC de 0,803 y el mayor recall de 0,800. En contraste, la Red Neuronal MLP registró el peor desempeño inicial, con un AUC de 0,703. El menor volumen de datos en esta base se mostró desfavorable para las redes neuronales, que típicamente requieren muestras más voluminosas para converger a configuraciones óptimas. La Regresión Logística, por su naturaleza lineal, se mostró menos sensible al volumen de datos y más capaz de generalizar en bases menores con variables de relaciones más directas.

En la base Taiwan Credit Card, con 30.000 observaciones y 22,1% de morosos, la Red Neuronal MLP alcanzó el mejor AUC-ROC de 0,765, seguida por el Árbol de Decisión con 0,759 y la Regresión Logística con 0,708. La riqueza de variables de historial de comportamiento, como los estados de pago de PAY_0 a PAY_6, con sus interacciones no lineales, favoreció a los modelos de mayor capacidad expresiva, como el MLP y el Árbol de Decisión. Sin embargo, la alta precisión del Árbol de Decisión, de 0,772, debe interpretarse con cautela, ya que en un escenario con 22% de morosos, precisiones en este nivel pueden reflejar un sesgo de la clase mayoritaria, en lugar de una discriminación real efectiva entre buenos y malos pagadores.

La base Give Me Some Credit, con 150.000 observaciones y solo un 6,7% de impagos, presentó un acentuado desequilibrio de clases, lo que representó un desafío metodológico significativo. En este contexto, el Árbol de Decisión obtuvo el mayor AUC-ROC de 0,849 y el mayor recall de 0,801, beneficiándose del volumen de datos y de su capacidad para capturar relaciones no lineales, especialmente entre la frecuencia de retrasos pasados y la morosidad futura. En escenarios de desequilibrio tan pronunciado, un modelo trivial que clasificara a todos los clientes como cumplidores alcanzaría una precisión del 93,3% sin identificar ningún impago, evidenciando que, en estas condiciones, el AUC-ROC y el recall son las métricas verdaderamente informativas y más robustas para evaluar el rendimiento.

En el contexto de la concesión de crédito, el costo de un falso negativo, que ocurre al clasificar a un deudor como solvente, es considerablemente superior al de un falso positivo, ya que representa una pérdida financiera concreta para el acreedor. Por esta razón, el recall es la métrica más crítica para la toma de decisión institucional, pues mide la proporción de deudores reales que son correctamente identificados por el modelo. Sin embargo, la maximización irrestricta del recall puede llevar a un comportamiento degenerado, donde un modelo que clasificara a todos los clientes como deudores obtendría un recall perfecto de 1,0, pero sin ninguna utilidad práctica para la institución.

La AUC-ROC, a su vez, al evaluar el rendimiento del modelo en todos los umbrales de decisión posibles, ofrece una medida equilibrada de la capacidad discriminatoria real, siendo particularmente adecuada para datos desequilibrados, como lo destacó Fawcett (2006). El F1-score complementa este análisis al armonizar la precisión y el recall en un único indicador, siendo especialmente recomendado en escenarios de clases desequilibradas. La utilización conjunta de estas métricas permite una evaluación más robusta y completa que la precisión aislada, que se muestra inadecuada en contextos de fuerte desequilibrio entre las clases.

La optimización de hiperparámetros se realizó utilizando el AUC-ROC como métrica principal, por ser independiente del umbral de decisión y medir la calidad discriminatoria intrínseca del modelo en todo el espectro de sensibilidad y especificidad. Este proceso en dos etapas permite, en primer lugar, seleccionar el modelo con mayor capacidad de separar las clases y, posteriormente, ajustar el umbral de decisión por separado para favorecer el recall operativo, conforme a la tolerancia al riesgo de la institución. Este enfoque garantiza que el modelo seleccionado sea el más robusto y que su aplicación en producción pueda ser calibrada para atender a las necesidades específicas del negocio.

Los resultados de la optimización de hiperparámetros revelaron hallazgos importantes. La Red Neuronal MLP obtuvo la mayor ganancia absoluta, con un aumento de 9,11 puntos porcentuales en la base German Credit (de 0,703 a 0,794), lo que demuestra la eficacia de la optimización en la arquitectura y en los parámetros de regularización y tasa de aprendizaje para este modelo. En contraste, el Árbol de Decisión presentó una reducción del AUC-ROC en dos bases, German Credit (-0,12 pp) y Taiwan Credit Card (-1,20 pp), indicando que la validación cruzada seleccionó hiperparámetros que se sobreajustaron al conjunto de entrenamiento, no generalizando bien al conjunto de prueba. La Regresión Logística, por su parte, exhibió variaciones cercanas a cero en todas las bases (+0,35, -0,01 y +0,01 pp), sugiriendo que el modelo ya operaba esencialmente en su potencial máximo con los parámetros iniciales.

La importancia de las variables fue analizada de forma unificada mediante el método SHAP (SHapley Additive exPlanations), aplicado a los nueve modelos, utilizando el explainer más adecuado para cada estructura. Este enfoque permitió comparar directamente cómo cada algoritmo ponderó las mismas variables en diferentes contextos. En la base German Credit, los tres modelos convergieron en identificar la ausencia de cuenta corriente (`checking_account_A14`) como la variable de mayor impacto. Para la Regresión Logística, el historial crítico de crédito (`credit_history_A34`) y el estado de hombres solteros (`personal_status_A93`) surgieron como predictores secundarios, indicando que la combinación de perfil demográfico e historial negativo eleva sustancialmente el riesgo de incumplimiento.

En el Árbol de Decisión para la base German Credit, la duración del préstamo (`duration`) ocupó la segunda posición de destaque, sugiriendo que contratos más largos amplían el riesgo de forma no lineal. El MLP, por su parte, corroboró la ausencia de cuenta corriente como factor dominante y destacó el historial de créditos pagados a tiempo (`credit_history_A32`) como segundo predictor con efecto protector, interpretado por el SHAP como una reducción del riesgo. Estas diferencias en la jerarquía de las variables secundarias entre los modelos reflejan sus distintas capacidades de capturar relaciones lineales y no lineales en los datos.

En la base de datos de tarjetas de crédito de Taiwán, el estado de pago (`PAY_0`) fue unánimemente el predictor dominante en los tres modelos, pero la segunda variable más importante difirió entre ellos. Para la Regresión Logística, el monto de la factura del mes más reciente (`BILL_AMT1`) surgió como el segundo predictor relevante, lo que indica que facturas más altas, combinadas con retrasos, amplifican el riesgo de forma lineal. Para el Árbol de Decisión, los montos pagados hace dos meses (`PAY_AMT2`) y el límite de crédito (`LIMIT_BAL`) fueron los siguientes, lo que sugiere que los pagos históricos bajos y los límites reducidos son señales de riesgo captadas por la estructura jerárquica del modelo.

El MLP, en la base Taiwan Credit Card, asignó un peso considerablemente alto al límite de crédito (`LIMIT_BAL`), casi equiparable al estado de pago (`PAY_0`), seguido por los valores de las facturas (`BILL_AMT2`, `BILL_AMT5`). Este patrón sugiere que la red neuronal logró capturar interacciones no lineales complejas entre el límite de crédito y el comportamiento de la factura, algo que los demás modelos no detectaron con la misma claridad. La capacidad del MLP para identificar estas interacciones complejas es una ventaja en bases de datos con características conductuales ricas.

La base Give Me Some Credit reveló la mayor divergencia entre los modelos en relación con la importancia de las variables. La Regresión Logística identificó retrasos leves y recientes (`NumberOfTime30-59DaysPastDueNotWorse`) como principal predictor, indicando que son una señal lineal de riesgo futuro, seguido por la edad (`age`), sugiriendo que los clientes más jóvenes tienden a la morosidad, posiblemente debido a un historial crediticio menor y un mayor compromiso de ingresos. Notablemente, la utilización del crédito rotativo (`RevolvingUtilizationOfUnsecuredLines`) tuvo una importancia cercana a cero en este modelo lineal.

En contraste, el Árbol de Decisión en la base Give Me Some Credit presentó un patrón opuesto, donde la utilización del crédito rotatorio (`RevolvingUtilizationOfUnsecuredLines`) fue la variable absolutamente dominante, seguida por los indicadores de retraso. La estructura jerárquica del árbol capturó que una utilización elevada del límite es el divisor primario entre buenos y malos pagadores, evidenciando su capacidad de modelar relaciones no lineales. El MLP, por su parte, produjo un tercer patrón distinto, con la edad (`age`) asumiendo el liderazgo, seguida de cerca por la frecuencia de retrasos leves y recientes (`NumberOfTime30-59DaysPastDueNotWorse`), mientras que la utilización del crédito rotatorio (`RevolvingUtilizationOfUnsecuredLines`) quedó en último lugar. Este resultado indica que la red neuronal aprendió interacciones demográficas y de historial de retraso como combinatoriamente más predictivas que la utilización del límite, destacando la capacidad de diferentes algoritmos de construir representaciones de riesgo fundamentalmente distintas a partir de los mismos datos.

El análisis comparativo de los nueve SHAP reveló un patrón claro: las variables de mayor impacto fueron consistentes entre los modelos en las tres bases, siendo estas la ausencia de cuenta corriente (`checking_account_A14`) en German Credit, el estado de pago (`PAY_0`) en Taiwan Credit Card y la utilización del crédito rotativo (`RevolvingUtilizationOfUnsecuredLines`) en Give Me Some Credit (para Árbol de Decisión y MLP). La divergencia se concentró en las posiciones siguientes, donde la naturaleza lineal de la Regresión Logística la llevó a privilegiar variables demográficas estables, mientras que el Árbol de Decisión y el MLP capturaron indicadores comportamentales de frecuencia de retraso y utilización de crédito con relaciones no lineales. Esta constatación justifica la utilización conjunta de múltiples modelos en aplicaciones reales de credit scoring, especialmente cuando la interpretabilidad y la capacidad predictiva necesitan ser balanceadas.

En resumen, los resultados de la investigación demostraron que ningún modelo de aprendizaje automático presentó una superioridad consistente en todas las bases de datos y métricas evaluadas, reforzando la necesidad de un enfoque multimodelo para la clasificación del riesgo crediticio. La Regresión Logística demostró ser eficaz en bases más pequeñas y lineales, mientras que el Árbol de Decisión y el MLP se destacaron en bases con mayor volumen y complejidad de interacciones no lineales, respectivamente. El análisis SHAP fue fundamental para interpretar las predicciones, revelando que el comportamiento financiero reciente, la utilización del crédito rotatorio y la disponibilidad de cuenta corriente fueron consistentemente las variables más predictivas, independientemente del algoritmo, y que diferentes modelos pueden construir representaciones de riesgo distintas a partir de los mismos datos, lo que valida el enfoque multimodelo para un análisis más completo y confiable.

4. Conclusión

El presente estudio buscó investigar la precisión y la aplicabilidad de diferentes modelos de aprendizaje automático en la clasificación de riesgo crediticio, evaluando su eficacia en la identificación de buenos y malos pagadores y mejorando la interpretabilidad de las predicciones. Se verificó que ninguno de los algoritmos — Regresión Logística, Árbol de Decisión y Red Neuronal Artificial (MLP) — demostró superioridad consistente en todas las bases de datos y métricas evaluadas. La Regresión Logística obtuvo el mejor rendimiento en la base German Credit, mientras que el Árbol de Decisión se destacó en la base Give Me Some Credit, y el MLP lideró en la base Taiwan Credit Card. La optimización de hiperparámetros reveló ganancias significativas para el MLP, especialmente en la base German Credit, confirmando su potencial en escenarios con gran volumen de datos y relaciones no lineales. El análisis SHAP fue fundamental para interpretar las predicciones, indicando que el comportamiento financiero reciente, la utilización del crédito rotatorio y la disponibilidad de cuenta corriente fueron consistentemente las variables más predictivas. Este enfoque multimodelo, aliado al análisis de interpretabilidad por SHAP, ofrece una estructura más completa y confiable para la clasificación de riesgo crediticio, contribuyendo al avance de las técnicas de análisis de crédito y auxiliando a las instituciones financieras en la toma de decisiones.

Sin embargo, el estudio utilizó bases públicas que pueden no reflejar la complejidad y especificidad de carteras reales de instituciones financieras, lo que representa una limitación. Adicionalmente, el umbral de decisión se mantuvo en el valor predeterminado de 0,5 en todos los modelos, sin calibración por política de riesgo, lo que puede subestimar el desempeño operacional real en entornos de producción. Para estudios futuros, se sugiere explorar la calibración del umbral conforme a la tolerancia al riesgo institucional, la inclusión de técnicas de ensemble para combinar las fortalezas de los diferentes modelos, y la aplicación de los algoritmos a carteras de crédito brasileñas, con el objetivo de aprimorar las prácticas de análisis de riesgo en el contexto nacional.

Referencias Bibliográficas

Chapman, A. D. 2005. Principles and Methods of Data Cleaning – Primary Species and Species-occurrence Data, version 1.0. Report for the Global Biodiversity Information Facility, Copenhagen.

Fawcett, T. 2006. An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861– 874.

Gil, A. C. 2002. Como elaborar projetos de pesquisa. 4. ed. São Paulo: Atlas.

Hofmann, H. 1994. Statlog (German Credit Data) [Dataset]. UCI Machine Learning Repository. https://doi.org/10.24432/C5NC77.

Joseph, C. 2013. Advanced Credit Risk Analysis and Management. Chichester: John Wiley & Sons. (Wiley Finance Series).

Kaggle, 2011 [Referência completa não encontrada no documento original]

Khandani, Amir E., Kim, Andrew J., Lo, Andrew W. 2010. Consumer credit-risk models via machine-learning algorithms. Journal of Banking & Finance, [S.I.], v. 34, n. 11, p. 2767-2787.

Kuhn, M., & Johnson, K. 2013. Applied predictive modeling. New York, NY: Springer.

Lundberg, S. M., & Lee, S. I. 2017. A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765-4774.

Marqués, A. I.; García, V.; Sánchez, J. S. 2012. Exploring the behaviour of base classifiers in credit scoring ensembles. Expert Systems with Applications, v. 39, n. 11, p. 10244–10250, set. 2012. ISSN 0957-4174.

Pedregosa, F., et al. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830.

Pinto, A. C. 2021. O poder preditivo dos modelos com aprendizado de máquina é superior aos modelos tradicionais para análise do risco de crédito? Revista Debates em Economia Aplicada – REDEA, v. 1, n. 1.

Reinhart, Carmen M.; Rogoff, Kenneth S. 2009. This time is different: eight centuries of financial folly. Princeton University Press.

Sanches, Vander Lúcio. et al. 2018. Análise de crédito: instituições financeiras minimizam os riscos de inadimplência por meio da análise de crédito. Revista Científica Multidisciplinar Núcleo do Conhecimento. Ano 03, Ed. 09, Vol. 09, pp. 127-151.

Selau, Lisiane Priscila Roldão. 2017. Construção de modelos de previsão de risco de crédito.. Dissertação (Mestrado em Modelagem Matemática) – Universidade Federal de Santa Maria, Santa Maria.

Vicente, E. 2003. Modelo para a avaliação do risco de crédito de municípios brasileiros. Tese (Doutorado em Administração) – Universidade de São Paulo.

Waskom, M. (2021). Seaborn: Statistical data visualization. Journal of Open Source Software, 6(60), 3021.

Yeh, I. C.; Lien, C. H. 2009. The comparisons of data mining techniques for the predictive accuracy of probability of default of credit card clients. Expert Systems with Applications, v. 36, n. 2, p. 2473-2480. https://doi.org/10.1016/j.eswa.2007.12.020.

Artículo originario 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

Más recientes

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

También te puede interesar

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

La gestión financiera personal representa un desafío creciente, influenciada por sesgos cognitivos que afectan la toma de decisiones, incluso en individuos con alto conocimiento. El presente estudio analizó la relación entre el nivel de educación financiera y la ocurrencia de sesgos conductuales en la toma de decisiones financieras de adultos residentes en Brasil. Se realizó un levantamiento de campo de naturaleza aplicada, cuantitativa y descriptivo-correlacional, mediante la aplicación de un cuestionario estructurado a 163 encuestados. El instrumento contempló variables sociodemográficas, conocimiento y hábitos financieros, y situaciones hipotéticas para identificar sesgos cognitivos. Los resultados indicaron que niveles más elevados de educación financiera se asociaron con mejores prácticas de control financiero, ahorro e inversión, con correlaciones significativas con ingresos y escolaridad. Sin embargo, la presencia de sesgos conductuales (anclaje, aversión a la pérdida, escasez, optimismo/pesimismo, sesgo del presente, status quo, exceso de confianza y contabilidad mental) persistió incluso entre individuos con mayor escolaridad e ingresos, sin asociación estadísticamente significativa con las variables sociodemográficas analizadas. Se concluyó que la educación financiera, aunque esencial para la organización y el control financiero, no fue suficiente para neutralizar la influencia de sesgos cognitivos. Se sugiere la incorporación de enfoques conductuales a los programas de educación financiera.

Palabras clave: Comportamiento financiero; Economía conductual; Finanzas personales; Heurísticas cognitivas; Sesgos cognitivos.

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

Economia

19 de octubre de 2026

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

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

Inteligencia Artificial

16 de octubre de 2026

¿Por qué estudiar si existe la IA?

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

Gestión Tributaria

15 de octubre de 2026

Impuesto rosa y el género del precio

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

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

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

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

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

Gestión Escolar

06 de octubre de 2026

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

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

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

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

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

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

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

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

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

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

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

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

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

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

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

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

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

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

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

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

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

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

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

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

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

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

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

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

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

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