Logo de la Revista E&S

Artículo

15 de septiembre de 2026

Detección de Fraudes en Tarjetas de Crédito Utilizando Redes Neuronales en Entornos de Datos Desbalanceados

Jefferson de Oliveira Ferreira; Lauro Marques Vicari

DOI: 10.22167/2675-6528-202602232

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 digitalización del sistema financiero ha convertido el fraude en transacciones de tarjetas de crédito en un obstáculo crítico para la estabilidad institucional y la confianza de los clientes. Este estudio comparó una arquitectura de Red Neuronal Multilayer Perceptron (MLP) con un modelo de Regresión Logística, utilizado como línea de base, para la detección de fraudes en un escenario de desequilibrio extremo de datos. Se utilizó un conjunto de datos de transacciones reales de tarjetas de crédito, aplicando técnicas de sobremuestreo sintético (SMOTE) y la función de pérdida Focal Loss para mitigar el sesgo de la clase mayoritaria. La MLP se implementó con cuatro capas densas, y la Regresión Logística sirvió como referencia. Los experimentos revelaron que la Red Neuronal superó al modelo logístico en métricas de negocio, alcanzando un Recall de 0,8553 y un F1-Score de 0,8483. Notablemente, la MLP redujo los bloqueos indebidos (Falsos Positivos) en un 23,08% en comparación con la Regresión Logística, presentándose como una solución más equilibrada entre eficiencia operativa y experiencia del usuario. Sin embargo, ambos modelos enfrentaron dificultades para identificar fraudes de alto valor debido al mimetismo conductual de los infractores. Se concluyó que las Redes Neuronales constituyen una opción estratégica superior para las instituciones que buscan escalabilidad y menor fricción operativa, aunque necesiten reglas de negocio complementarias para fraudes de alto valor.

Palabras clave: Tarjeta de Crédito; Ciencia de datos; Detección de Fraude; Redes Neuronales; Regresión Logística.

1. Introducción

El ecosistema de pagos en Brasil ha experimentado una transformación estructural significativa en la última década, impulsada por la amplia digitalización de los servicios financieros y la consolidación del comercio electrónico. En este escenario, la tarjeta de crédito se ha consolidado como el principal vector de transacciones, registrando volúmenes financieros sin precedentes, según lo señalado por la ABECS (2024). La migración a modalidades de “Tarjeta No Presente” (CNP) ha traído consigo un desafío considerable para los operadores, que se enfrentan al refinamiento de los fraudes digitales, operando en regímenes de escala y velocidad que superan los mecanismos de defensa convencionales.

En el contexto nacional, la estafa digital ha evolucionado hacia el paradigma del “fraude como servicio” (“Fraud-as-a-Service”). Datos del Indicador de Serasa Experian (2025) revelan que aproximadamente el 25% de los intentos de fraude detectados en Brasil están relacionados con bancos y emisores, con una ocurrencia cada 4,2 segundos. El Mapa de Fraude de ClearSale (2025) indica que el “ticket” promedio de las transacciones fraudulentas (R$ 1.083,00) es significativamente superior al de las transacciones legítimas (R$ 549,00). Este escenario compromete la viabilidad del comercio minorista debido al “chargeback”, proceso en el que el comerciante asume la pérdida total, además de generar sanciones por parte de las adquirentes.

Históricamente, la detección de fraudes dependía de barreras tradicionales, como reglas estáticas y extensas revisiones manuales realizadas por analistas humanos. Sin embargo, estos enfoques perdieron efectividad a medida que el volumen de datos transaccionales creció exponencialmente y aumentó la sofisticación de los delincuentes. Los defraudadores comenzaron a imitar el comportamiento de consumo de clientes legítimos para eludir parámetros previamente fijados, haciendo que el costo operativo de mantener grandes equipos de revisión manual fuera insostenible.

Para superar esta lógica inflexible, las organizaciones comenzaron a implementar arquitecturas de inteligencia artificial capaces de procesar múltiples variables de forma dinámica. Sin embargo, la transición a modelos predictivos tropieza con desafíos inherentes a la naturaleza de los datos financieros, como el desvío de concepto (“Concept Drift”), fenómeno estadístico en el cual las propiedades y los patrones de ataque cambian rápidamente a lo largo del tiempo (Dal Pozzolo, 2015). La naturaleza dinámica de las transacciones exige algoritmos que aprendan continuamente y técnicas robustas para lidiar con el desbalanceo histórico extremo, donde el fraude es siempre un evento raro en un vasto océano de datos lícitos.

Investigaciones correlacionadas evidencian la superioridad analítica de modelos no lineales para superar los desafíos inherentes a los datos financieros. Gouvêa et al. (2013) demostraron que las arquitecturas neuronales poseen aptitud superior para descifrar correlaciones complejas y optimizar la mitigación de pérdidas. Jordan y Mitchell (2015) destacan el aprendizaje automático como un avance fundamental para la ciberseguridad, permitiendo la predicción proactiva de amenazas. Aggarwal (2018) y Schmidhuber (2015) explican que el “Deep Learning” se destaca por extraer patrones latentes y no lineales de forma jerárquica, utilizando múltiples capas de abstracción. Esta flexibilidad es crucial para la calibración precisa de funciones de pérdida y umbrales de decisión, permitiendo que la institución priorice métricas estratégicas de seguridad, como la sensibilidad (“Recall”), mitigando la caída de precisión que penaliza a los modelos tradicionales. Una clasificación errónea que resulte en un falso positivo, como el bloqueo indebido de una tarjeta, provoca fricciones operativas inmediatas, pérdida de ingresos directos, aumento de la tasa de evasión de clientes y daños a la reputación de la institución, superando el valor nominal del estorno que el algoritmo intentó evitar.

De esta forma, el objetivo general del presente artículo es desarrollar e implementar un modelo predictivo de detección de fraudes anclado en una arquitectura de Redes Neuronales Artificiales del tipo “Multilayer Perceptron” (MLP), y compararlo directamente con un modelo tradicional de Regresión Logística (utilizado como “baseline”). La investigación busca validar la eficacia técnica y operativa de ambos enfoques en un “dataset” experimental representativo, evaluando qué algoritmo entrega la mejor solución para el enfrentamiento de datos desbalanceados y para el equilibrio estratégico entre seguridad y experiencia del consumidor.

2. Material y Métodos

Para este proyecto, se optó por un enfoque práctico y basado en datos (cuantitativo). El objetivo fue estructurar un proceso de detección de fraudes utilizando redes neuronales profundas y técnicas específicas para lidiar con la escasez de observaciones de fraude. El código se desarrolló en Python, empleando las bibliotecas Pandas para manipulación de datos y TensorFlow y Keras para modelado.

Fuente de Datos y Entorno de Desarrollo

El estudio utilizó un “dataset” de transacciones financieras reales de tarjetas de crédito, obtenido del repositorio “Kaggle”, proporcionado por el Machine Learning Group de la Université Libre de Bruxelles y fundamentado en los estudios de Dal Pozzolo (2015). La base de datos comprende 284.807 operaciones de clientes europeos a lo largo de dos días. El conjunto presentaba un desbalanceo extremo, con solo 492 operaciones clasificadas como fraudes, representando el 0,172% del volumen total.

Las variables originales no fueron reveladas debido a normativas de confidencialidad bancaria. En su lugar, se proporcionaron 28 componentes principales (“features” V1 a V28) generados por una transformación PCA (“Principal Component Analysis”), manteniéndose en formato bruto solo las variables numéricas Tiempo (“Time”) y Valor (“Amount”). La presencia de 28 componentes para representar las variables originales indica que la técnica PCA se empleó primariamente como un mecanismo criptográfico, lo que impone una fragilidad metodológica por la ausencia de metadatos sobre los predictores originales, limitando la explicabilidad del modelo.

Análisis Exploratorio y Preprocesamiento de Datos

Se realizó un Análisis Exploratorio de Datos (AED) utilizando la biblioteca Pandas, confirmando la integridad del conjunto y la ausencia de valores faltantes. El severo desequilibrio de los datos (0,172% de fraudes) exigió una estrategia de modelado que fuera más allá de lo convencional, ya que los algoritmos sesgados tenderían a ignorar la clase minoritaria. Para un análisis robusto en escenarios de desequilibrio extremo, métricas como precisión y “recall” se consideraron esenciales.

Para mitigar el sesgo de los datos, se empleó la técnica de remuestreo “oversampling” SMOTE (“Synthetic Minority Over-sampling Technique”). El SMOTE actúa de forma sintética, identificando vecinos cercanos de la clase minoritaria y creando nuevos ejemplos para equilibrar la distribución de las clases. Esta técnica se aplicó exclusivamente sobre el conjunto de entrenamiento, tras la separación de los datos de prueba, para evitar “data leakage”. Antes del SMOTE, el conjunto de entrenamiento contenía 199.020 muestras legítimas y 344 fraudulentas. Tras el reequilibrio, la base de entrenamiento se igualó al 50% de cada clase, totalizando 398.040 observaciones.

Tabla 1. Distribución de las clases en el conjunto de entrenamiento pre y post-SMOTE.

Etapa de procesamientoTransacciones legítimas (clase 0)Transacciones fraudulentas (clase 1)Total de muestras
Original (pre-SMOTE)199.020344199.364
Balanceado (post_SMOTE)199.020199.020398.040

Fuente: Datos originales de la investigación

La disparidad entre las variables “Time” y “Amount” y la presencia de “outliers” fueron tratadas con el “StandardScaler”, que redimensiona los datos a una escala común, centrando la media en cero y ajustando la desviación estándar a la unidad, según la Ecuación (1):

Z = (χ – μ) / σ (1)

donde x representa el valor original, μ la media de la muestra y σ la desviación estándar. Esta estandarización asegura que el algoritmo procese todas las “características” con la misma importancia jerárquica.

La base de datos se subdividió en tres conjuntos: Entrenamiento (70%), Validación (15%) y Prueba (15%). El conjunto de entrenamiento se utilizó para la convergencia de los pesos sinápticos, el de validación para monitorear el rendimiento y ajustar hiperparámetros, y el de prueba, mantenido aislado, para la evaluación definitiva del rendimiento del modelo en un escenario real. Se utilizó una partición estratificada (“stratified split”) para preservar la proporción original del 0,172% de fraudes en todas las submuestras (Entrenamiento, Validación y Prueba), garantizando la confiabilidad del modelo en condiciones reales.

Arquitectura y Funcionamiento del Modelo Neuronal

Se implementó una Red Neuronal del tipo “Multilayer Perceptron” (MLP) con cuatro capas densas: una capa de entrada con 30 neuronas, tres capas ocultas (con 128, 64 y 32 neuronas, respectivamente) y una capa de salida, según figura 1.

Figura 1. Representación esquemática de la arquitectura de la Red Neuronal MLP Propuesta

Fuente: Datos originales de la investigación

Cada neurona funciona como un nodo que recibe señales de entrada, aplica pesos y genera una activación. Las capas densas están totalmente conectadas, permitiendo al modelo aprender combinaciones globales y patrones complejos. El funcionamiento interno de cada neurona se basa en una transformación lineal seguida de una activación no lineal. La suma ponderada de las entradas (x) y los pesos (w), sumándose el sesgo (b), se calcula por:

z = (x .w) + b (2)

En las capas ocultas, se aplicó la función ReLU (“Rectified Linear Unit”) para aprender patrones complejos y no lineales, acelerando la convergencia del modelo:

f(z) = max(0, z) (3)

Para prevenir el “overfitting”, las capas ocultas utilizaron la Regularización L2 (λ = 0.0001), que añade una penalización a la función de pérdida proporcional al cuadrado de los pesos. En la capa de salida, se utilizó la función Sigmoide, que comprime el resultado en una probabilidad entre 0 y 1:

σ(z) = 1 / (1 + e^(-z)) (4)

El proceso de aprendizaje se basa en la utilización del error generado en la salida como guía para la recalibración de los pesos internos, mediante el algoritmo de “backpropagation” (retropropagación). Este ciclo iterativo, conocido como “training loop”, busca minimizar la función de costo progresivamente, confrontando las predicciones del modelo con los objetivos reales (“labels”) para ajustar la red basándose en el descenso del gradiente.

Figura 2. Proceso de aprendizaje de la red neuronal

Fuente: Chollet (2011)

Experimentación y ajuste de hiperparámetros

La configuración final de la red neuronal (128, 64 y 32 neuronas) resultó de un proceso iterativo de experimentación. La Tabla 2 presenta las métricas de sensibilidad (“Recall”) de diferentes arquitecturas bajo las mismas condiciones de entrenamiento y un umbral de “Enfoque de Negocio” (máximo de 50 Falsos Positivos).

Tabla 2. Métricas de sensibilidad (“Recall”) para diferentes arquitecturas.

Arquitectura inicialRecordatorio EstadísticoRecordar NegocioDiagnóstico
256 neuronas86,49%81,08%Sobreajuste / Memorización de ruido
16 neuronas86,49%81,08%Subajuste / Baja capacidad de separación
128 neuronas86,49%85,14%Punto óptimo de generalización

Fuente: Datos originales de la investigación

La arquitectura intermedia seleccionada (128, 64, 32 neuronas) demostró ser la más robusta, elevando el Recall de negocio al 85,14% y maximizando la identificación de transacciones fraudulentas sin comprometer la estabilidad del aprendizaje. El algoritmo Adam (“Adaptive Moment Estimation”) fue elegido como optimizador debido a su alta eficiencia en escenarios con datos dispersos y espacios de pérdida complejos, calculando tasas de aprendizaje adaptativas para cada peso individualmente y garantizando una convergencia más rápida y estable. La técnica de “Early Stopping” fue incorporada para monitorear la pérdida en el conjunto de validación (val_loss) y detener el entrenamiento cuando la ganancia de rendimiento se estancara, combatiendo el “overfitting”.

Optimización

La técnica “Focal Loss” se implementó como función de pérdida, reemplazando la entropía cruzada binaria estándar. Esta métrica está diseñada para manejar el desequilibrio extremo de clases, enfocando el aprendizaje en los ejemplos “difíciles” (fraudes raros) y penalizando la influencia de las transacciones legítimas. La función se define por:

FL(pt) = −αt(1 − pt)γlog(pt) (5)

donde (pt) es la probabilidad estimada para la clase verdadera, αt es el factor de balanceo y γ (“parámetro de enfoque”) modula la pérdida de ejemplos ya bien clasificados. En este estudio, se adoptó γ = 2 y α = 0.25, definidos estáticamente con base en la literatura para datos desbalanceados. El error fue minimizado a través de la retropropagación, guiada por el optimizador Adam.

Una diferencia metodológica fue la flexibilización del límite de clasificación. Se aplicó una rutina de búsqueda sistemática (“Threshold Moving”) para identificar el punto de operación óptimo del modelo, alineado a criterios de negocio y apetito al riesgo, y no solo a la maximización estadística. El umbral se ajustó para mantener el volumen de fraudes no detectadas (Falsos Negativos) por debajo de 14 casos en el conjunto de prueba, priorizando la contención del perjuicio directo y minimizando los Falsos Positivos.

Modelos de referencia y fundamentación comparativa

Para validación, la arquitectura MLP se comparó con la Regresión Logística, adoptada como “baseline” debido a su historial en sistemas de “credit scoring” y prevención de fraude. La Regresión Logística intenta separar las clases mediante una combinación lineal de las variables, mapeada a un intervalo probabilístico por la función sigmoide:

P(y = 1|x) = 1 / (1 + e^(-(β0+β1×1+…+βnxn))) (6)

donde P(y = 1|x) es la probabilidad de transacción fraudulenta, β0 es el intercepto y βi son los coeficientes ajustados para cada variable xi. La comparación tuvo como objetivo verificar si la complejidad de la Red Neuronal resultaría en una ganancia real en el “Recall” y en la reducción de Falsos Positivos, y si el modelo avanzado extraería información latente ignorada por modelos lineales. Por equidad, la Regresión Logística también fue sometida a la rutina de búsqueda de umbral (“Threshold Moving”) para alcanzar el mismo rigor de seguridad estipulado para el modelo principal, permitiendo una comparación pareada del costo operacional.

Uso de IA en el desarrollo del trabajo

Durante la preparación del trabajo, Gemini (Google) y ChatGPT (OpenAI) se utilizaron para ayudar en la búsqueda de literatura, alineación de la metodología, revisión, formato y traducción del resumen. El contenido fue revisado y editado por el autor, quien asume toda la responsabilidad.

3. Resultados y Discusión

Esta sección presenta los resultados obtenidos por la arquitectura de Red Neuronal frente al modelo de referencia (Regresión Logística). La discusión no se limita al rigor estadístico, sino que busca traducir las métricas de rendimiento en impacto de negocio, evaluando el equilibrio entre seguridad y operabilidad.

Análisis descriptivo de los datos

Inicialmente, se analizó la distribución de los valores de las transacciones (Figura 3). Para permitir la visualización de las densidades y mitigar el efecto de valores atípicos extremos, se optó por un recorte de transacciones de hasta $2.000, un rango que comprende aproximadamente el 99.76% de la base total de datos. Se observó que tanto las transacciones legítimas como las fraudulentas se concentran en valores bajos, sin embargo, los fraudes presentan una mayor concentración en microtransacciones, lo que posiblemente indica pruebas de tarjetas.

Figura 3. Densidad probabilística de los Valores

Fuente: Resultados originales de la investigación

Al convertir el tiempo original a un ciclo de 24 horas (Figura 4), se observó que las transacciones legítimas siguen el ritmo comercial estándar. En contraste, las fraudes mantienen una densidad relevante durante la madrugada (entre las 2h y las 6h), período de menor vigilancia activa por parte del usuario, lo que caracteriza el factor temporal como un fuerte indicador de anomalía. El aumento proporcional de ataques en horarios de menor volumen transaccional sugiere un intento de explotación de ventanas con menor sensibilidad de monitoreo. Por lo tanto, la inclusión de esta característica ofrece a la red neuronal una dimensión contextual valiosa para diferenciar el comportamiento típico del atípico.

Figura 4. Densidad de las transacciones por hora

Fuente: Resultados originales de la investigación

Continuando el análisis de relevancia, la Figura 5 presenta la asociación entre las variables latentes (V1 a V28) y la ocurrencia de fraudes, utilizando el coeficiente de correlación punto-biserial. El mapeo reveló que variables como V17 (negativa) y V11 (positiva) son los principales indicadores de fraude. Variables como V17, V14 y V12 exhiben asociaciones negativas más acentuadas, indicando que valores menores en estas dimensiones aumentan la probabilidad de transacción fraudulenta. Por otro lado, V11 y V4 presentan las mayores asociaciones positivas, funcionando como indicadores de riesgo a medida que sus valores aumentan. Las distribuciones de densidad de las variables de mayor impacto fueron examinadas individualmente, confirmando visualmente la separación entre las clases.

Figura 5. Correlación entre las variables

Fuente: Resultados originales de la investigación

En la Figura 6, se observa el comportamiento de la variable V11 (correlación positiva), donde es nítido el desplazamiento de la masa de datos de los fraudes (en rojo) hacia la derecha de la curva de las transacciones normales, ratificando V11 como un predictor robusto. De forma análoga, la Figura 7 detalla la variable V17 (correlación negativa), donde la densidad de fraudes se concentra severamente en la cola izquierda (valores negativos), conforme lo predicho por el coeficiente punto-biseral. El diferencial de la Red Neuronal MLP reside en la capacidad de procesar estas polaridades de forma multivariada, capturando patrones de fraude complejos que escapan a métricas de asociación lineal simples.

Figura 6. Distribución de densidad V11

Fuente: Resultados originales de la investigación

Figura 7. Distribución de densidad V17

Fuente: Resultados originales de la investigación

Monitorización de Métricas e Identificación de “Overfitting”

La evaluación del rendimiento de la red neuronal se inició con el monitoreo de las curvas de aprendizaje a lo largo de las épocas de entrenamiento, según se detalla en las Figuras 8 y 9. Los resultados revelaron un escenario clásico de sobreajuste (overfitting) precoz. En el gráfico de Pérdida (Loss), se observó que, mientras el error de entrenamiento decreció de forma constante, la curva de validación presentó una inflexión ascendente e inestable después de la primera época, indicando que el modelo comenzó a ajustarse excesivamente al ruido de la base de entrenamiento. Este comportamiento fue corroborado por la evolución de la métrica AUC-ROC, donde el modelo alcanzó rápidamente la puntuación máxima (AUC-ROC = 1,00) en el conjunto de entrenamiento, pero falló en mantener la estabilidad en los datos de validación, oscilando entre 0,91 y 0,94. Esta disparidad entre las curvas confirmó que, a pesar de las técnicas de regularización L2, la red tendió a la memorización de los patrones históricos en detrimento de la generalización. Por lo tanto, la interrupción del entrenamiento mediante Early Stopping demostró ser fundamental para preservar la utilidad práctica del artefacto, activando la parada en la 6ª época para garantizar que el modelo interrumpiera el aprendizaje en su punto de mayor equilibrio.

Figura 8. Evolución de la pérdida (loss)

Fuente: Resultados originales de la investigación

Figura 9. Evolución del AUC (área bajo la curva) durante el entrenamiento

Fuente: Resultados originales de la investigación

Análisis comparativo de métricas de rendimiento

Para validar la eficacia de la arquitectura propuesta, se realizó una confrontación directa entre la Red Neuronal MLP y el baseline de Regresión Logística. Aunque el modelo logístico presentó un desempeño sólido para patrones transaccionales evidentes, la Red Neuronal demostró una superioridad refinada al capturar matices no lineales que escapan a la regresión tradicional. La Tabla 3 consolida esta disparidad técnica.

Tabla 3. Comparación de métricas

MedidaRegresión LogísticaRed Neuronal (MLP)Variación (%)Variación (p.p)
“Sensibilidad” (sensibilidad)0,83780,85141,60+ 1,36
Precisión0,65960,70796,82+ 4,83
F1-Score (Equilibrio)0,73810,77304,51+ 3,49
AUC-ROC (Mundial)0,96580,9584-0,77– 0,74
Fraudes no detectadas (FN)1211-9,09– 1
Bloqueos Indebidos (FP)3226-23,08– 6

Fuente: Resultados originales de la investigación

El dato más relevante para la operación financiera es el Recall de 0,8514 alcanzado por la Red Neuronal. En el contexto de medios de pago, el Recall es la métrica soberana, pues refleja la capacidad del sistema en minimizar los Falsos Negativos. La reducción del 9,09% en los fraudes perdidos (de 12 a 11 casos en la prueba) representa una economía directa en costos de chargeback. Paralelamente, la caída expresiva del 23,08% en los bloqueos indebidos (Falsos Positivos) es una ganancia crítica de experiencia del usuario, evitando la fricción innecesaria con clientes legítimos.

La capacidad de separación entre las clases se visualiza en el comparativo de las Curvas ROC (Figura 10). Ambas trayectorias exhiben una proximidad ideal a la esquina superior izquierda del gráfico, atestiguando la alta calidad de los modelos desarrollados. Aunque la Regresión Logística ostenta una métrica AUC-ROC global ligeramente superior (0,9658), este valor refleja una media teórica de rendimiento que abarca todos los posibles umbrales de decisión, incluyendo puntos de corte extremos que jamás se adoptarían en un escenario real. En la región de interés práctico del negocio, donde se busca maximizar la detección de fraudes con el menor impacto posible en bloqueos indebidos, la trayectoria de la Red Neuronal se muestra equivalente y, en ciertos intervalos, más estable. Esta estabilidad significa que el modelo consigue sostener una alta tasa de aciertos sin sufrir un aumento desproporcional y abrupto en la generación de falsas alarmas, confirmando que la arquitectura basada en Deep Learning es altamente competitiva y robusta para decodificar la complejidad de las variables latentes en el ecosistema de tarjetas de crédito.

Figura 10. Comparativa de Curvas ROC: Regresión Logística vs. Red Neuronal MLP

Fuente: Resultados originales de la investigación

Rendimiento operativo y optimización del umbral

Para evaluar el modelo simulando el entorno de producción, se aplicó la matriz de confusión a la base de datos de prueba, garantizando la imparcialidad de las predicciones. En escenarios de desbalanceo extremo, el análisis de esta matriz es indispensable para cuantificar el volumen exacto de aciertos (Verdaderos Positivos) frente al riesgo financiero crítico de los fraudes no detectados (Falsos Negativos). La elevada capacidad de separación de las clases evidencia el éxito del enfoque híbrido adoptado. El algoritmo SMOTE intervino en el preprocesamiento, mitigando el déficit de la base al sintetizar nuevas muestras para la clase minoritaria. Por el contrario, la Focal Loss actuó directamente en el entrenamiento de la red neuronal, calibrando la función de coste para priorizar los fraudes fronterizos y de difícil clasificación. Esta doble estrategia posibilitó la construcción de una frontera de decisión robusta. El resultado visual de esta estrategia puede observarse en la Figura 11, que presenta el comparativo de las matrices de confusión. Se notó que la MLP obtuvo una reducción importante en los Falsos Positivos en comparación con el baseline logístico, manteniendo un nivel de seguridad equivalente en la detección de fraudes reales.

Figura 11. Matrices de confusión – Conjunto de prueba

Fuente: Resultados originales de la investigación

Un punto central de esta etapa fue el rechazo del umbral estadístico estándar de 0,5. Como se ilustra en la Figura 12, la calibración estratégica del trade-off entre Precisión y Sensibilidad (Recall) permitió identificar el punto de operación ideal para el escenario real. Esta decisión priorizó la sostenibilidad operativa, estableciendo un techo riguroso para el volumen de Falsos Positivos para evitar bloqueos indebidos de clientes, a cambio de un mantenimiento riguroso de la captura de fraudes de alto impacto. La Figura 12 ilustra el dilema fundamental entre Precisión (Calidad del Bloqueo) y Recall (Poder de Captura) en los enfoques estadístico y de negocio. En el enfoque puramente estadístico, ambos modelos buscan la máxima captura (Recall), resultando en alta detección de fraudes (LR = 0,91; MLP = 0,86), pero con una precisión inaceptablemente baja (LR = 0,02; MLP = 0,07), generando un volumen insostenible de falsos positivos. Al adoptar una visión de negocio, los umbrales de decisión se ajustan para balancear la captura de fraudes con el costo operativo y la experiencia del cliente. El análisis del gráfico revela la superioridad operativa del modelo de Redes Neuronales [MLP]. Mientras que el modelo de Regresión Logística [LR] sufre un trade-off severo para alcanzar una Precisión operativa de 0,66, sacrificando el Recall significativamente (cayendo a 0,84), el modelo MLP demuestra una eficiencia notable. El desplazamiento de la MLP hacia la estrategia de negocio alcanza una Precisión superior (0,71) con una pérdida casi nula de Recall (cayendo solo de 0,86 a 0,85). Esta característica prueba que el modelo MLP es más robusto y capaz de encontrar puntos de operación optimizados, maximizando la captura de fraude con un atrito operativo mínimo. Esta doble ganancia valida la hipótesis de que la capacidad de la Red Neuronal de procesar patrones no lineales a través de sus capas ocultas permite una separación más refinada en el espacio de decisión, superando las limitaciones intrínsecas de los modelos lineales en datos bancarios complejos.

Figura 12. El Desplazamiento de la Decisión: Estadística x Negocio

Fuente: Resultados originales de la investigación

Análisis estadístico de los errores y disparidad de valores

Para profundizar la discusión sobre la eficacia del modelo, se realizó un análisis comparativo entre los fraudes detectados y aquellos que el modelo no logró identificar. La reversión de la estandarización matemática permitió observar los valores reales de las transacciones en sus magnitudes originales. El análisis reveló un patrón de comportamiento crítico, según las Figuras 13 y 14. En ambos modelos, los fraudes perdidos (Falsos Negativos) presentaron una mediana de valor significativamente superior a aquellos detectados con éxito. En la Regresión Logística, las detecciones ocurrieron mayoritariamente en transacciones de bajo valor (mediana de $2,00), mientras que las fallas se concentraron en operaciones con una mediana de $231,64. En la Red Neuronal, el fenómeno fue análogo: el modelo fue eficaz en capturar fraudes de pequeño valor, pero encontró mayor dificultad en transacciones con una mediana de $276,17. Este escenario plantea una alerta sobre la aplicabilidad del modelo: los fraudes que generan las mayores pérdidas financieras están logrando evadir la red de detección debido al mimetismo conductual de los delincuentes que imitan el consumo de clientes legítimos de alto valor. No hay una diferencia financiera significativa entre las arquitecturas en cuanto a la captura de los grandes defraudadores, ya que ambos algoritmos dejan pasar estas transacciones. El verdadero trade-off entre las metodologías reside en la eficiencia operativa con la base de clientes, donde la Red Neuronal (MLP) actúa de forma más limpia, generando un 18,7% menos de bloqueos indebidos en relación con el baseline.

Figura 13. Impacto Financiero Baseline: MLP

Fuente: Resultados originales de la investigación

Figura 13. Impacto Financiero Baseline: Regresión Logística

Fuente: Resultados originales de la investigación

La presente investigación demostró que la arquitectura de Redes Neuronales del tipo Multilayer Perceptron (MLP) ofrece ganancias reales sobre la tradicional Regresión Logística en la detección de fraudes en tarjetas de crédito, especialmente en entornos de datos desbalanceados. La implementación estratégica del oversampling sintético (SMOTE) en conjunto con la función de pérdida Focal Loss optimizó la resistencia del modelo al sesgo de la clase mayoritaria, resultando en elevados niveles de F1-Score y Precisión, además de una estabilidad de entrenamiento que minimiza oscilaciones en la capacidad de generalización. La MLP presentó una reducción del 18,7% en los Falsos Positivos en comparación a la Regresión Logística, traduciéndose en mayor eficiencia operacional y mejor experiencia del usuario. Sin embargo, el análisis de los errores reveló que los fraudes de mayor valor nominal aún logran traspasar la barrera de la red neuronal debido al mimetismo comportamental de los criminales, indicando que la capacidad de predecir la probabilidad matemática de un evento debe ser complementada por mecanismos que ponderen el riesgo financiero absoluto involucrado.

4. Conclusión

El presente estudio buscó desarrollar y comparar un modelo predictivo de detección de fraudes en transacciones de tarjetas de crédito, utilizando una arquitectura de Red Neuronal Multilayer Perceptron (MLP) frente a un baseline de Regresión Logística, con foco en el tratamiento de datos desbalanceados y en el equilibrio estratégico entre seguridad y experiencia del usuario. Se verificó que la MLP demostró superioridad en métricas de negocio, alcanzando un Recall de 0,8514 y una reducción del 23,08% en los bloqueos indebidos (Falsos Positivos) en comparación con la Regresión Logística. La aplicación estratégica de técnicas de sobremuestreo sintético (SMOTE) y de la función de pérdida Focal Loss fue fundamental para mitigar el sesgo de la clase mayoritaria y optimizar la resistencia del modelo. Este enfoque resultó en elevados niveles de F1-Score y Precisión, además de una estabilidad de entrenamiento que minimizó oscilaciones en la capacidad de generalización. La Red Neuronal, por lo tanto, constituye una elección estratégica superior para instituciones financieras que buscan escalabilidad y menor fricción operativa, sin comprometer la seguridad.

Sin embargo, el análisis de los errores reveló que ambos modelos enfrentaron dificultades para identificar fraudes de alto valor nominal, atribuidas al mimetismo conductual de los delincuentes, que logran eludir la red de detección. Esta limitación indica la necesidad de complementar la capacidad predictiva matemática con mecanismos que ponderen el riesgo financiero absoluto involucrado. Adicionalmente, el uso de un dataset estático restringió la visión sobre el carácter dinámico y temporal de los fraudes, y la transformación PCA impuso una fragilidad en la explicabilidad causal de las variables originales. Como desarrollos futuros, se sugiere la implementación de reglas de negocio secundarias enfocadas en la contención de anomalías de alto valor y la transición a arquitecturas recurrentes, como LSTMs o RNNs, capaces de interpretar el historial del portador de la tarjeta como una secuencia lógica y cronológica, mejorando la detección en escenarios de “Concept Drift”.

Referencias Bibliograficas

ABECS. 2025. Balanço do setor de meios eletrônicos de pagamento: resultados 2024. Associação Brasileira das Empresas de Cartões de Crédito e Serviços, São Paulo, SP, Brasil. Disponível em: Acesso em: 05 fev. 2026.

Aggarwal, C.C. 2018. Neural Networks and Deep Learning. Springer, Cham, Suíça. Disponível em: . Acesso em: 12 out. 2025.

Cholet, F. 2021. Deep learning with python. 2ed. Manning, New York, EUA.

ClearSale. 2025. Mapa da Fraude. Disponível em: Acesso em: 10 jan. 2026.

Dal Pozzolo, A. 2015. Adaptive Machine learning for credit card fraud detection. Tese, Ph.D. em Ciência da Computação, Université Libre de Bruxelles. Disponível em < http://di.ulb.ac.be/map/adalpozz/pdf/Dalpozzolo2015PhD.pdf>

Gouvêa, M.A.; Gonçalves, E.B.; Mantovani, D.M.N. 2013. Análise de risco de crédito com aplicação de regressão logística e redes neurais. Contabilidade Vista & Revista 24(4): 96-123. Disponível em: < https://www.redalyc.org/pdf/1970/197033497006.pdf > Acesso em: 12 out. 2025.

Jordan, M.I.; Mitchell, T.M. 2015. Machine learning: Trends, perspectives, and prospects. Science 349(6245): 255-260. Disponível em: Acesso em: 12 out. 2025.

Schmidhuber, J. 2015. Deep learning in neural networks: An overview. Neural Networks 61(1): 85-117. Disponível em: . Acesso em: 15 out. 2025.

Serasa Experian. 2025. Récord: Casi 7 millones de intentos de fraude se registraron en el primer trimestre de 2025; el sector bancario es el principal objetivo. Disponible en: Acceso el 10 de enero de 2026.

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

También te puede interesar

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

Economia

19 de octubre de 2026

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

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

Inteligencia Artificial

16 de octubre de 2026

¿Por qué estudiar si existe la IA?

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

Gestión Tributaria

15 de octubre de 2026

Impuesto rosa y el género del precio

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

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

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

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

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

Gestión Escolar

06 de octubre de 2026

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

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

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

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

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

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

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

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

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

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

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

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

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

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

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

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

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

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

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

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

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

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

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

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

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

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

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

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

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

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

Mba Ejecutivo En Liderazgo Y Gestión

29 de junio de 2026

Calificación de Proveedores: Estandarización y Riesgo

Isis Penelope Sumarelli Albuquerque Huang; Vítor Melão Cassânego Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La creciente complejidad de las cadenas de suministro agroalimentarias, impulsada por la globalización, ha generado una demanda intensificada de transparencia, seguridad y trazabilidad en los sistemas alimentarios. La integridad y la autenticidad […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

Jurídico: de centro de costo a socio estratégico

Adriana Ehiar Ribeiro Petry; Ana Carla Fernandes Gasques Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. El escenario de expansión en el mercado brasileño, a pesar de ser prometedor para empresas de bienes de consumo, presenta desafíos significativos que exigen un enfoque estratégico y adaptable. Con una población […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

Cultura: Profesionalización y crecimiento en empresas familiares

Yashmin Meirelles Oliveira Araujo; Gilmar Martinelli Junior Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. El escenario económico brasileño está marcadamente influenciado por la expresiva representatividad de las empresas familiares, que constituyen aproximadamente el 90% de los emprendimientos del país, según datos de PwC (2023). Dentro de este vasto universo, […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

Equipos Semifijos: Compromiso y Cohesión en el Campo

Wesley Araújo Martins; Odair Silva Soares Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. El sector operativo de una empresa especializada en servicios técnicos de campo, activa en el mantenimiento de transformadores de potencia en entornos industriales y concesionarias de energía, enfrenta desafíos significativos relacionados con […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

IA en preventas: Generación automatizada de propuestas

Vitor Luis Genaro; Felipe Carvalhal Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. El mercado de consultoría en tecnología exige de las organizaciones una eficiencia operativa creciente, aliada a la capacidad analítica y a la velocidad de respuesta al cliente. En este escenario dinámico, el área de preventas asume […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

PMaaS: Impulsando proyectos en PYMEs sin PMO

Vitor Conceição Faria; Ewerton Mauro Visotto Faria Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. El escenario empresarial contemporáneo, marcado por alta competitividad y una transformación digital acelerada, impone desafíos complejos a las empresas, especialmente a las de pequeño y mediano tamaño. Muchas de estas organizaciones, aunque comprometidas […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

Gestión Ágil del Ciclo de Vida en Fomento Público

Vinícius Nascimento Garcia; Ana Carla Gasques Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La agencia pública estatal de fomento enfrentaba un escenario de desarrollo reactivo y fragmentado de sus líneas de crédito, caracterizado por el bajo uso de datos y la ausencia de una gobernanza […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

Mentoría y Onboarding: Desarrollando Talentos en GC

Vinícius Andrade de Carvalho; Ewerton Mauro Visotto Faria Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La demanda de servicios de outsourcing ha experimentado un crecimiento notable tanto en Brasil como a nivel mundial, impulsando a las empresas a expandir sus operaciones externalizadas. Informes como la “Global Outsourcing Survey […]