Do “Lagging” ao “Leading”: Aplicando Modelos de Machine Learning para Predição do Declínio Empresarial

Evandro Bignotto Penati; Patrícia Belfiore Fávero

DOI: 10.22167/2675-6528-202602870

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

Resumo

A incapacidade de antever eventos corporativos adversos, baseada em indicadores financeiros históricos, limita a resposta estratégica das organizações diante da volatilidade do mercado. Este trabalho teve como objetivo desenvolver um modelo híbrido de Machine Learning para predizer o declínio empresarial em um horizonte de até cinco anos, integrando indicadores financeiros e não financeiros baseados no framework de declínio empresarial. A pesquisa quantitativa analisou 80 empresas de capital aberto, segregadas em grupos de controle e de declínio, utilizando dados públicos da SEC e da plataforma Glassdoor. Testaram-se algoritmos supervisionados, e o Random Forest apresentou o melhor desempenho. Os resultados demonstraram que o modelo híbrido superou significativamente a performance dos modelos puramente financeiros, atingindo níveis de acurácia superiores a 90%. A análise SHAP revelou que fatores culturais, como a satisfação dos funcionários (Glassdoor Score) e a disparidade salarial (Hubris Score), possuíram maior poder preditivo que métricas contábeis tradicionais, antecipando os eventos corporativos adversos. O estudo de caso da Americanas S.A. validou o modelo, identificando um risco de falência de 96% contra 65% do modelo financeiro. Concluiu-se que a deterioração cultural antecede a crise financeira e que a abordagem híbrida oferece uma ferramenta mais precisa para a antecipação de eventos corporativos adversos.

Palavras-chave: Declínio Empresarial; Indicadores Leading e Lagging; Machine Learning; Riscos.

1. Introdução

Em 2008, a falência do Lehman Brothers desencadeou uma crise financeira global, expondo a fragilidade das organizações quanto à sua capacidade de reação frente a eventos imprevisíveis. Esse cenário, caracterizado por volatilidade, incerteza, complexidade e ambiguidade, evidencia a necessidade de antecipar riscos para garantir a sustentabilidade das empresas (Bennett, Lemoine, 2014).

A incapacidade de prever eventos adversos, como os cisnes negros descritos por Taleb (2021), limita o tempo de resposta às adversidades e pode resultar em danos irreversíveis, comprometendo a saúde financeira e a continuidade das empresas. Nesse contexto, uma gestão eficaz exige agilidade, antecipação estratégica e o uso de ferramentas de predição para mitigar riscos antes que estes causem impactos irreversíveis na saúde financeira da corporação (Rigby, Sutherland, Takeuchi, 2016).

Para os gestores, a capacidade de prever e gerenciar riscos não apenas cria janelas temporais para corrigir e mitigar riscos, mas também fortalece a resiliência organizacional em mercados competitivos (Porter, 1996). Para os stakeholders e investidores, uma transparência na gestão de riscos, conforme preconizado pelo COSO (2017), promove confiança e clareza, permitindo uma alocação mais eficiente de capital, a redução de perdas potenciais e a proteção de ativos (Damodaran, 2014; OECD, 2015). Além disso, a integração de práticas de gestão de riscos com objetivos de sustentabilidade amplia a capacidade das organizações de transformar desafios em oportunidades estratégicas, alinhando-se às expectativas de mercados e reguladores (OECD, 2015).

Contudo, as ferramentas disponíveis para previsão do declínio corporativo, como o modelo Z-Score (Altman, 1968), são baseadas predominantemente em dados financeiros históricos. Esses dados possuem uma natureza reativa e refletem situações já consolidadas (Shumway, 2001) e, frequentemente, imutáveis. Embora eficazes na identificação de falências iminentes, essas ferramentas apresentam limitações em horizontes de longo prazo, dificultando a antecipação estratégica em ambientes dinâmicos (McKinsey & Company, 2017), o que compromete a capacidade de antecipação estratégica necessária para a sustentabilidade organizacional (Porter, 1996). Diante dessas restrições, é crucial explorar abordagens que combinem indicadores financeiros, denominados “lagging”, e não financeiros, chamados “leading”, como métricas de satisfação do cliente, tendências de mercado e investimento em pesquisa e desenvolvimento.

Diante dessas limitações, este trabalho propõe a criação de um modelo híbrido para superar as restrições das ferramentas preditivas tradicionais. A abordagem integra indicadores financeiros aos indicadores não financeiros, utilizando ferramentas avançadas de Machine Learning. Essa combinação visa alcançar uma acurácia mínima de 80% em um horizonte de até cinco anos, permitindo antecipar riscos em um período mais amplo e oferecer às organizações o tempo necessário para intervenções corretivas. Assim, o presente estudo tem como objetivo desenvolver um modelo híbrido de Machine Learning para predizer o declínio empresarial em um horizonte de até cinco anos, integrando indicadores financeiros aos indicadores não financeiros baseados no framework de declínio empresarial.

2. Material e Métodos

O presente estudo caracterizou-se como uma pesquisa explicativa de natureza quantitativa, conforme a classificação de Gil (2017). O foco metodológico consistiu na elaboração de um modelo de Machine Learning, com o objetivo de predizer o declínio empresarial em um horizonte de até cinco anos. Para tanto, integrou-se um conjunto de indicadores financeiros, denominados “Lagging”, a indicadores não financeiros, chamados “Leading”, estes últimos derivados do framework de declínio empresarial proposto por Jim Collins (2018).

A unidade de análise compreendeu 80 empresas de capital aberto, selecionadas tanto em território brasileiro quanto no estrangeiro. A amostra foi segregada em dois grupos distintos: um grupo de controle, composto por 35 empresas, e um grupo de declínio, com 45 empresas que haviam experimentado eventos adversos como recuperação judicial, falência ou perda significativa de valor de mercado. A seleção da amostra seguiu o critério de “casos extremos” (sucesso versus fracasso), visando otimizar a capacidade do modelo em distinguir claramente entre os grupos, independentemente do setor de atuação.

A coleta de dados priorizou fontes públicas e auditáveis. Os dados financeiros, ou “Lagging”, foram extraídos de Demonstrações Financeiras e formulários 10-K da Securities and Exchange Commission (SEC) para empresas estrangeiras, e de plataformas de consulta externa da Comissão de Valores Mobiliários (CVM) para empresas brasileiras. Os dados não financeiros, ou “Leading”, foram obtidos da plataforma Glassdoor, que fornece avaliações de funcionários.

Os dados foram acessados por meio de buscas pela internet, com os acessos à plataforma Glassdoor realizados entre novembro de 2025 e março de 2026, e os acessos ao Portal de Consulta Externa da CVM entre novembro de 2025 e fevereiro de 2026. A quantificação dos indicadores “Leading” baseou-se no framework de Jim Collins, que descreve cinco estágios de declínio. Para o Estágio 1, “Orgulho nascido do Sucesso – Excesso de Confiança”, utilizou-se o “Hubris Score”, calculado pela razão entre o salário do CEO e o salário médio dos funcionários.

Para o Estágio 2, “Busca Indisciplinada por mais”, foram empregados dois indicadores: o “Goodwill_Ativo”, que representa a parcela do ativo correspondente ao ágio pago em aquisições por expectativa de rentabilidade futura, calculado pela razão entre o Goodwill e o Ativo Total; e o “Rev_Func”, que buscou detectar “inchaço” corporativo, calculado pela razão entre a Receita Líquida e o Número Total de Colaboradores. O Estágio 3, “Negação do Risco e do Perigo”, foi quantificado pela nota média de satisfação dos funcionários na plataforma Glassdoor, normalizada para uma escala de 0 a 1.

O Estágio 4, “Busca Desesperada por Salvação”, foi mensurado pelo indicador “RD_Receita”, que representa a intensidade de investimento em inovação, calculado pela razão entre as Despesas de P&D e a Receita Líquida. O Estágio 5, “Capitulação à Irrelevância ou à Morte”, foi definido como a variável alvo a ser predita pelo modelo. Os indicadores “Lagging” (financeiros) incluíram a Margem Líquida, que mede a eficiência da empresa em transformar receita em lucro, calculada pela razão entre o Lucro Líquido e a Receita Líquida.

Adicionalmente, utilizou-se o Endividamento Total, que avalia a proporção de financiamento da empresa proveniente de credores em comparação com o capital dos acionistas, calculado pela razão entre a Dívida Total (Passivo Circulante e Não Circulante) e o Patrimônio Líquido. A Liquidez Corrente também foi empregada, medindo a capacidade da empresa de honrar obrigações de curto prazo com seus ativos de curto prazo, calculada pela razão entre o Ativo Circulante e o Passivo Circulante.

A modelagem dos dados foi realizada em linguagem Python, onde foram testados algoritmos de aprendizado supervisionado, incluindo Regressão Logística, Random Forest e XGBoost. Para o treinamento e teste dos modelos, os dados foram divididos em 70% para treinamento e 30% para teste. A avaliação da contribuição dos algoritmos de Machine Learning foi comparada a um modelo de Regressão Logística utilizando apenas dados financeiros, estabelecido como baseline, uma técnica estatística tradicionalmente empregada em estudos de insolvência.

Para a escolha do modelo com melhor desempenho, consideraram-se métricas como Acurácia, F1-Score e a Área sob a Curva ROC (AUC-ROC). A Acurácia representa a porcentagem de predições corretas (Harrison, 2023). O F1-Score combina precisão e recall, sendo a média harmônica entre essas duas métricas (Géron, 2021). A curva ROC e sua área (AUC-ROC) exibem o desempenho do classificador, mostrando a taxa de verdadeiros positivos em relação à taxa de falsos positivos (Provost & Fawcett, 2016).

Para identificar a contribuição de cada variável para o risco de falência empresarial, empregou-se a metodologia SHAP (SHapley Additive exPlanations). A validação do modelo híbrido foi realizada utilizando dados da Americanas S.A. referentes ao ano base de 2021, que serviram como input para a predição. Este procedimento permitiu verificar a aplicabilidade do modelo em um caso real, sem apresentar os resultados da predição nesta seção.

3. Resultados e Discussão

Os resultados obtidos a partir da aplicação dos modelos de machine learning, que integraram dados híbridos compostos por indicadores financeiros e não financeiros derivados do framework de declínio empresarial de Jim Collins, demonstraram uma performance preditiva significativamente superior em comparação com os modelos que utilizaram exclusivamente dados financeiros. O objetivo de alcançar níveis de acurácia acima de 80% foi amplamente superado, evidenciando a robustez da abordagem proposta para a predição do declínio empresarial em um horizonte de até cinco anos. Essa constatação inicial sublinha a importância de uma visão mais abrangente para a avaliação da saúde corporativa, indo além das métricas contábeis tradicionais e incorporando fatores que antecipam eventos adversos.

A análise comparativa entre os diferentes algoritmos de machine learning testados revelou que os modelos híbridos consistentemente superaram as abordagens puramente financeiras em diversas métricas de desempenho. Especificamente, a acurácia na base de teste para os modelos híbridos, como a Regressão Logística e o Random Forest, atingiu 100%, enquanto os modelos financeiros correspondentes apresentaram acurácia de 93,75%. Essa diferença é crucial, pois indica que a inclusão de variáveis não financeiras permite uma distinção mais precisa entre empresas em declínio e empresas saudáveis, minimizando erros de classificação que poderiam ter consequências estratégicas significativas para a gestão de riscos.

A superioridade dos modelos híbridos também foi observada nos valores de F1-Score, que foram consistentemente mais altos para as abordagens que incorporaram os indicadores “Leading”. O F1-Score, que é uma média harmônica entre precisão e recall, reflete a capacidade do modelo de identificar corretamente os casos positivos (empresas em declínio) e de evitar falsos positivos (classificar uma empresa saudável como em declínio). A redução de falsos positivos é particularmente relevante em contextos de gestão de risco, onde classificações errôneas podem levar a decisões dispendiosas e desnecessárias, impactando a confiança dos stakeholders e a alocação de recursos.

A área sob a curva ROC (AUC-ROC) reforçou essa tendência, com todos os modelos híbridos atingindo um valor de 1,00, enquanto o melhor modelo financeiro (Regressão Logística) alcançou 0,96. Esse resultado demonstra que a inclusão de variáveis como o “Glassdoor Score” e o “Hubris Score” permitiu uma capacidade de discriminação perfeita entre as classes de empresas saudáveis e insolventes. A AUC-ROC de 1,00 é um indicativo de um modelo com excelente poder preditivo, capaz de diferenciar com alta precisão as empresas que enfrentarão declínio daquelas que permanecerão estáveis, fornecendo um alerta precoce valioso para a tomada de decisão.

A escolha do algoritmo Random Forest Híbrido como o modelo definitivo para este estudo foi baseada em critérios que transcendem as métricas de desempenho pontuais. Embora a Regressão Logística híbrida tenha apresentado resultados estatísticos equivalentes na amostra de teste, a natureza paramétrica da Regressão Logística impõe limitações em problemas de declínio empresarial, que frequentemente envolvem interações não-lineares entre as variáveis. O Random Forest, por sua vez, utiliza a técnica de “Bagging”, que constrói múltiplas árvores de decisão independentes, isolando casos atípicos e reduzindo a variância da predição, o que é fundamental em cenários de restrição amostral e dados ruidosos.

A capacidade do Random Forest de capturar interações complexas e não-lineares é crucial para modelar o fenômeno do declínio empresarial, que não se manifesta de forma linear. Por exemplo, o impacto do “Glassdoor Score” pode se tornar crítico apenas quando o “Goodwill” (ágio por expectativa de rentabilidade futura) atinge um determinado patamar. Essa habilidade de modelar relações condicionais e limiares torna o Random Forest mais adequado para identificar os gatilhos de risco que os modelos lineares poderiam mascarar, oferecendo uma visão mais completa e precisa dos fatores que contribuem para o declínio corporativo.

A metodologia SHAP (SHapley Additive exPlanations) foi empregada para identificar a contribuição de cada variável para o risco de falência, revelando que as características de maior peso decisório são de natureza comportamental. O “Glassdoor Score”, que reflete o clima organizacional e a satisfação dos funcionários, e o “Hubris Score”, que quantifica a arrogância executiva e a desconexão através da disparidade salarial, emergiram como os indicadores mais influentes. Esses achados corroboram a teoria de que a deterioração cultural e de governança precede a crise financeira, atuando como verdadeiros sinais de alerta primários no processo de falência corporativa.

A análise da influência das variáveis, conforme os valores SHAP, demonstrou que o “Hubris Score” (arrogância executiva e desconexão) possui o maior peso, com 0,1706, seguido pelo “Glassdoor Score” (clima organizacional e satisfação), com 0,1394. Em contraste, indicadores financeiros tradicionais como Margem Líquida (0,0542) e Endividamento Total (0,0265) apresentaram pesos menores. Essa hierarquia de influência sugere que a saúde cultural e a governança de uma empresa são preditores mais fortes de declínio futuro do que as métricas financeiras que, muitas vezes, refletem eventos já em curso ou passados, limitando a capacidade de antecipação estratégica.

A comparação entre empresas do grupo de declínio e do grupo de controle para as variáveis “Glassdoor Score” e “Hubris Score” evidenciou uma divergência significativa. As empresas que eventualmente entraram em declínio apresentaram uma deterioração nesses indicadores antes da crise financeira, enquanto as empresas do grupo de controle mantiveram médias superiores a 0,8 para ambos os indicadores. Esse padrão de comportamento valida o “Estágio 1” de Collins, que descreve o “Orgulho nascido do Sucesso – Excesso de Confiança”, como um precursor mensurável de risco, onde a arrogância e a insatisfação interna começam a corroer a base da empresa antes que os lucros sejam afetados.

A queda no “Glassdoor Score” nas empresas em declínio é particularmente reveladora, pois reflete o “Estágio 2” de Collins, a “Busca Indisciplinada por mais”, onde a pressão interna e a falta de disciplina operacional corroem a cultura organizacional. Essa deterioração cultural, manifestada pela insatisfação dos funcionários, atua como um sinal de alerta precoce, indicando que problemas internos estão se acumulando e podem levar a consequências financeiras adversas no futuro. A capacidade de capturar esses sinais não financeiros é o que confere ao modelo híbrido sua vantagem preditiva em relação às abordagens tradicionais.

Para validar o modelo híbrido, realizou-se um estudo de caso com a Americanas S.A., utilizando dados do ano base 2021. Os indicadores financeiros da empresa, como Liquidez Corrente (1,74), Dívida Total (0,58) e Margem Líquida (0,024), sugeriam uma solvência aparente. No entanto, os indicadores não financeiros, como o “Glassdoor Score” (0,38) e o “Hubris Score” (0,92), já apontavam para um cenário de risco elevado, com o “Glassdoor Score” bem abaixo da média do grupo de controle e o “Hubris Score” indicando uma alta disparidade salarial e potencial arrogância executiva.

A aplicação do modelo híbrido à Americanas S.A. resultou em uma probabilidade de falência de 96%, enquanto o modelo puramente financeiro atribuiu uma probabilidade de 65%. A subsequente falência pública da Americanas em janeiro de 2023 comprovou a eficácia do modelo híbrido em antecipar a crise financeira com maior precisão. Este caso demonstra que os modelos “Lagging” (financeiros) são vulneráveis a manipulações contábeis e fraudes, enquanto os indicadores “Leading” (cultura e “Hubris”) são mais difíceis de mascarar, conferindo maior resiliência e confiabilidade ao modelo preditivo para a antecipação de eventos corporativos adversos.

A análise SHAP para o caso da Americanas S.A. reforçou a evidência de que os fatores culturais foram os mais significativos nos momentos anteriores à instalação da crise financeira. As barras vermelhas, indicando fatores que aumentam a probabilidade de insolvência, foram dominadas pelo “Hubris Score” e “Glassdoor Score”. Isso sugere que a deterioração do clima organizacional e a disparidade salarial foram os principais impulsionadores do risco de falência, superando o impacto dos indicadores financeiros tradicionais na predição do evento adverso e fornecendo um alerta mais preciso sobre a saúde da organização.

Apesar da robustez dos resultados, o estudo apresenta algumas limitações importantes. O modelo foi treinado e validado exclusivamente com dados de empresas de capital aberto, cujas informações são públicas e auditáveis pela SEC e CVM. Métricas como o “Pay Ratio” e o “Goodwill” podem apresentar dinâmicas diferentes em empresas de capital fechado, o que exige adaptação e calibração das variáveis para esse contexto. Além disso, a natureza dos dados do “Glassdoor” e de relatórios administrativos, embora auditáveis, possui um grau de subjetividade que demanda calibração contínua para manter a precisão do modelo em diferentes cenários.

Como desdobramento futuro, para viabilizar uma solução de mercado como um Software as a Service (SaaS), será necessário adaptar e calibrar as variáveis para o contexto de empresas privadas e de menor porte. A automação da coleta de dados, possivelmente via técnicas de Processamento de Linguagem Natural (NLP) para refinar o “Hubris Score” a partir da leitura automática de relatórios anuais, é um passo essencial para escalar o modelo e eliminar a coleta manual, tornando-o mais eficiente e aplicável a um universo maior de empresas, consolidando sua aplicabilidade comercial e prática.

Em síntese, os achados desta pesquisa confirmam que a integração de indicadores “Leading” (culturais e comportamentais) com os indicadores “Lagging” (financeiros) em modelos de machine learning incrementa significativamente a capacidade preditiva de identificar o declínio empresarial. O modelo híbrido desenvolvido não apenas atinge os objetivos de acurácia, mas também oferece insights profundos sobre como fatores culturais e de governança antecedem a crise financeira, atuando como um sistema de alerta precoce que permite a gestores e investidores monitorar a saúde cultural de seus portfólios como um indicador crítico de performance de longo prazo, proporcionando uma janela temporal para intervenções corretivas e estratégicas.

4. Conclusão

O presente estudo buscou desenvolver um modelo híbrido de Machine Learning para predizer o declínio empresarial em um horizonte de até cinco anos, integrando indicadores financeiros e não financeiros baseados no framework de declínio empresarial. Verificou-se que o modelo híbrido superou significativamente a performance dos modelos puramente financeiros, alcançando níveis de acurácia superiores a 90%. A análise SHAP revelou que fatores culturais, como a satisfação dos funcionários (Glassdoor Score) e a disparidade salarial (Hubris Score), possuíram maior poder preditivo que métricas contábeis tradicionais, antecipando eventos corporativos adversos. Identificou-se que a deterioração cultural e de governança precede a crise financeira, atuando como sinais de alerta primários. A validação com o estudo de caso da Americanas S.A. demonstrou a eficácia do modelo híbrido em prever o risco de falência com maior precisão, evidenciando que os indicadores não financeiros são mais resilientes a manipulações contábeis. A principal contribuição reside na oferta de uma ferramenta mais precisa e robusta para a antecipação de eventos corporativos adversos, permitindo uma gestão de riscos mais proativa e estratégica.

Apesar dos resultados expressivos, o estudo apresenta limitações importantes, como o treinamento e validação exclusivos com dados de empresas de capital aberto, o que sugere a necessidade de adaptação e calibração das variáveis para o contexto de empresas de capital fechado e de menor porte. A natureza subjetiva de alguns dados, como os do Glassdoor e de relatórios administrativos, demanda calibração contínua para manter a precisão do modelo. Como desdobramento futuro, sugere-se a automação da coleta de dados, possivelmente via Processamento de Linguagem Natural (NLP), para refinar o Hubris Score a partir da leitura automática de relatórios anuais, visando escalar o modelo e viabilizar uma solução de mercado como um Software as a Service (SaaS). O modelo proposto representa uma mudança de paradigma na gestão de riscos, transpondo a análise de ‘autópsia’ corporativa para um diagnóstico ‘preventivo’, fornecendo a gestores e investidores um sistema de alerta precoce para monitorar a saúde cultural como um indicador crítico de performance de longo prazo.

Referências Bibliográficas

Altman, E. I. 1968. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance 23(4): 589-609.

Bennett, N.; Lemoine, G. J. 2014. What VUCA Really Means for You. Harvard Business Review 92(1/2): 27-32

Collins, J. 2018. How the Mighty Fall. 1 ed. Alta Books, New York, EUA.

Committee of Sponsoring Organization of the Treadway Commission (COSO) 2017. Enterprise Risk Management—Integrating with Strategy and Performance. New York: AICPA.

Damodaran, A. 2014. Applied Corporate Finance. 4. ed. Hoboken: Wiley.

Gil, A. C. 2017. Como Elaborar Projetos de Pesquisa. 6ª ed. Atlas, São Paulo, SP, BR.

Glassdoor. Avaliações das empresas. Disponível em: https://www.glassdoor.com.br. Acessos em: novembro 2025 a março 2026.

Géron, A. 2021. Mãos à Obra: Aprendizado de máquina com Scikit-Learn, Keras & TensorFlow. 2ed. O’Reilly, Rio de Janeiro, RJ, BR.

Harrison, M 2023. Machine Learning Guia de Referência Rápida. 1ed. O’Reilly, EUA.

McKinsey & Company. 2017. The Future of Risk Management in the Digital Era. New York: McKinsey Global Institute.

OECD 2015. G20/OECD Principles of Corporate Governance. Paris: OECD Publishing.

Portal de Consulta Externa da CVM (Comissão de Valores Mobiliários). Dados das empresas.: Consulta de Documentos de Companhias Abertas. Disponível em: https://www.gov.br/cvm. Acessos em: novembro 2025 a fevereiro 2026.

Porter, M. E. 1996. What is Strategy? Harvard Business Review 74(6): 61-78.

Provost, F.;Fawcett, T. 2016. Data Science para Negócios. 1ed. Alta Books, Rio de Janeiro, RJ, BR.

Rigby, D. K.; Sutherland, J.; Takeuchi, H. 2016. Embracing Agile. Harvard Business Review 94(5): 40-50.

SEC [Referência completa não encontrada no documento original]

Shumway, T. 2001. Forecasting Bankruptcy More Accurately: A Simple Hazard Model. The Journal of Business 74(1): 101-124, 2001.

Taleb, N. N. 2021. A lógica do Cisne Negro: O impacto do altamente improvável, 1ed. Objetiva, Rio de Janeiro, RJ, BR.

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

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