Del “Lagging” al “Leading”: Aplicando modelos de Machine Learning para Predicción del Declive Empresarial

doi:10.22167/2675-6528-202602870

Artículo

02 de octubre de 2026

Del “Lagging” al “Leading”: Aplicando modelos de Machine Learning para Predicción del Declive Empresarial

Del “Lagging” al “Leading”: Aplicando Modelos de Machine Learning para Predicción del Declive Empresarial

Evandro Bignotto Penati; Patrícia Belfiore Fávero

DOI: 10.22167/2675-6528-202602870

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

Resumen

La incapacidad de prever eventos corporativos adversos, basada en indicadores financieros históricos, limita la respuesta estratégica de las organizaciones ante la volatilidad del mercado. Este trabajo tuvo como objetivo desarrollar un modelo híbrido de Machine Learning para predecir el declive empresarial en un horizonte de hasta cinco años, integrando indicadores financieros y no financieros basados en el marco de declive empresarial. La investigación cuantitativa analizó 80 empresas que cotizan en bolsa, segregadas en grupos de control y de declive, utilizando datos públicos de la SEC y de la plataforma Glassdoor. Se probaron algoritmos supervisados, y Random Forest presentó el mejor desempeño. Los resultados demostraron que el modelo híbrido superó significativamente el rendimiento de los modelos puramente financieros, alcanzando niveles de precisión superiores al 90%. El análisis SHAP reveló que factores culturales, como la satisfacción de los empleados (Glassdoor Score) y la disparidad salarial (Hubris Score), poseyeron mayor poder predictivo que métricas contables tradicionales, anticipando los eventos corporativos adversos. El estudio de caso de Americanas S.A. validó el modelo, identificando un riesgo de quiebra del 96% frente al 65% del modelo financiero. Se concluyó que el deterioro cultural antecede a la crisis financiera y que el enfoque predictivo ofrece una herramienta más precisa para la anticipación de eventos corporativos adversos.

Palabras clave: Declive Empresarial; Indicadores Leading y Lagging; Machine Learning; Riesgos.

1. Introducción

En 2008, la bancarrota de Lehman Brothers desencadenó una crisis financiera global, exponiendo la fragilidad de las organizaciones en cuanto a su capacidad de reacción ante eventos impredecibles. Este escenario, caracterizado por volatilidad, incertidumbre, complejidad y ambigüedad, evidencia la necesidad de anticipar riesgos para garantizar la sostenibilidad empresarial (Bennett, Lemoine, 2014).

La incapacidad de prever eventos adversos, como los cisnes negros descritos por Taleb (2021), limita el tiempo de respuesta a las adversidades y puede resultar en daños irreversibles, comprometiendo la salud financiera y la continuidad de las empresas. En este contexto, una gestión eficaz exige agilidad, anticipación estratégica y el uso de herramientas de predicción para mitigar riesgos antes de que estos causen impactos irreversibles en la salud financiera de la corporación (Rigby, Sutherland, Takeuchi, 2016).

Para los gestores, la capacidad de prever y gestionar riesgos no solo crea ventanas temporales para corregir y mitigar riesgos, sino que también fortalece la resiliencia organizacional en mercados competitivos (Porter, 1996). Para los stakeholders e inversores, una transparencia en la gestión de riesgos, conforme preconizado por el COSO (2017), promueve confianza y claridad, permitiendo una asignación más eficiente de capital, la reducción de pérdidas potenciales y la protección de activos (Damodaran, 2014; OECD, 2015). Además, la integración de prácticas de gestión de riesgos con objetivos de sostenibilidad amplía la capacidad de las organizaciones de transformar desafíos en oportunidades estratégicas, alineándose a las expectativas de mercados y reguladores (OECD, 2015).

Sin embargo, las herramientas disponibles para la predicción del declive corporativo, como el modelo Z-Score (Altman, 1968), se basan predominantemente en datos financieros históricos. Estos datos tienen una naturaleza reactiva y reflejan situaciones ya consolidadas (Shumway, 2001) y, frecuentemente, inmutables. Aunque eficaces en la identificación de quiebras inminentes, estas herramientas presentan limitaciones en horizontes de largo plazo, dificultando la anticipación estratégica en entornos dinámicos (McKinsey & Company, 2017), lo que compromete la capacidad de anticipación estratégica necesaria para la sostenibilidad empresarial (Porter, 1996). Ante estas restricciones, es crucial explorar enfoques que combinen indicadores financieros, denominados “lagging”, y no financieros, llamados “leading”, como métricas de satisfacción del cliente, tendencias de mercado e inversión en investigación y desarrollo.

Ante estas limitaciones, este trabajo propone la creación de un modelo híbrido para superar las restricciones de las herramientas predictivas tradicionales. El enfoque integra indicadores financieros a los indicadores no financieros, utilizando herramientas avanzadas de Machine Learning. Esta combinación busca alcanzar una precisión mínima del 80% en un horizonte de hasta cinco años, permitiendo anticipar riesgos en un período más amplio y ofrecer a las organizaciones el tiempo necesario para intervenciones correctivas. Así, el presente estudio tiene como objetivo desarrollar un modelo híbrido de Machine Learning para predecir el declive empresarial en un horizonte de hasta cinco años, integrando indicadores financieros a los indicadores no financieros basados en el framework de declive empresarial.

2. Material y Métodos

El presente estudio se caracterizó como una investigación explicativa de naturaleza cuantitativa, según la clasificación de Gil (2017). El enfoque metodológico consistió en la elaboración de un modelo de Machine Learning, con el objetivo de predecir el declive empresarial en un horizonte de hasta cinco años. Para ello, se integró un conjunto de indicadores financieros, denominados “Lagging”, a indicadores no financieros, llamados “Leading”, estos últimos derivados del marco de declive empresarial propuesto por Jim Collins (2018).

La unidad de análisis comprendió 80 empresas de capital abierto, seleccionadas tanto en territorio brasileño como en el extranjero. La muestra se segregó en dos grupos distintos: un grupo de control, compuesto por 35 empresas, y un grupo de declive, con 45 empresas que habían experimentado eventos adversos como recuperación judicial, quiebra o pérdida significativa de valor de mercado. La selección de la muestra siguió el criterio de “casos extremos” (éxito versus fracaso), con el objetivo de optimizar la capacidad del modelo para distinguir claramente entre los grupos, independientemente del sector de actuación.

La recolección de datos priorizó fuentes públicas y auditables. Los datos financieros, o “Lagging”, fueron extraídos de Estados Financieros y formularios 10-K de la Securities and Exchange Commission (SEC) para empresas extranjeras, y de plataformas de consulta externa de la Comissão de Valores Mobiliários (CVM) para empresas brasileñas. Los datos no financieros, o “Leading”, se obtuvieron de la plataforma Glassdoor, que proporciona evaluaciones de empleados.

Los datos fueron accedidos a través de búsquedas en internet, con accesos a la plataforma Glassdoor realizados entre noviembre de 2025 y marzo de 2026, y accesos al Portal de Consulta Externa de la CVM entre noviembre de 2025 y febrero de 2026. La cuantificación de los indicadores “Leading” se basó en el framework de Jim Collins, que describe cinco etapas de declive. Para la Etapa 1, “Orgullo nacido del Éxito – Exceso de Confianza”, se utilizó el “Hubris Score”, calculado por la razón entre el salario del CEO y el salario promedio de los empleados.

Para la Pasantía 2, “Búsqueda Indisciplinada por más”, se emplearon dos indicadores: el “Goodwill_Activo”, que representa la parte del activo correspondiente a la prima pagada en adquisiciones por expectativa de rentabilidad futura, calculado por la razón entre el Goodwill y el Activo Total; y el “Rev_Func”, que buscó detectar “inflación” corporativa, calculado por la razón entre los Ingresos Netos y el Número Total de Colaboradores. La Pasantía 3, “Negación del Riesgo y del Peligro”, se cuantificó mediante la nota media de satisfacción de los empleados en la plataforma Glassdoor, normalizada a una escala de 0 a 1.

La Etapa 4, “Búsqueda Desesperada de Salvación”, se midió mediante el indicador “RD_Ingresos”, que representa la intensidad de la inversión en innovación, calculado por la razón entre los Gastos de I+D y los Ingresos Netos. La Etapa 5, “Capitulación a la Irrelevancia o a la Muerte”, se definió como la variable objetivo a predecir por el modelo. Los indicadores “Lagging” (financieros) incluyeron el Margen Neto, que mide la eficiencia de la empresa en transformar los ingresos en beneficios, calculado por la razón entre el Beneficio Neto y los Ingresos Netos.

Adicionalmente, se utilizó el Endeudamiento Total, que evalúa la proporción de financiación de la empresa proveniente de acreedores en comparación con el capital de los accionistas, calculado por la razón entre la Deuda Total (Pasivo Circulante y No Circulante) y el Patrimonio Neto. La Liquidez Corriente también fue empleada, midiendo la capacidad de la empresa de honrar obligaciones de corto plazo con sus activos de corto plazo, calculada por la razón entre el Activo Circulante y el Pasivo Circulante.

El modelado de los datos se realizó en lenguaje Python, donde se probaron algoritmos de aprendizaje supervisado, incluyendo Regresión Logística, Random Forest y XGBoost. Para el entrenamiento y prueba de los modelos, los datos se dividieron en 70% para entrenamiento y 30% para prueba. La evaluación de la contribución de los algoritmos de Machine Learning se comparó con un modelo de Regresión Logística utilizando solo datos financieros, establecido como línea de base, una técnica estadística tradicionalmente empleada en estudios de insolvencia.

Para la elección del modelo con mejor desempeño, se consideraron métricas como Precisión/ Exactitud, F1-Score y el Área bajo la curva ROC (AUC-ROC). La Precisión/ Exactitud representa el porcentaje de predicciones correctas (Harrison, 2023). El F1-Score combina precisión y recall, siendo la media armónica entre estas dos métricas (Géron, 2021). La curva ROC y su área (AUC-ROC) exhiben el desempeño del clasificador, mostrando la tasa de verdaderos positivos en relación con la tasa de falsos positivos (Provost & Fawcett, 2016).

Para identificar la contribución de cada variable al riesgo de quiebra empresarial, se empleó la metodología SHAP (SHapley Additive exPlanations). La validación del modelo híbrido se realizó utilizando datos de Americanas S.A. referentes al año base de 2021, que sirvieron como entrada para la predicción. Este procedimiento permitió verificar la aplicabilidad del modelo en un caso real, sin presentar los resultados de la predicción en esta sección.

3. Resultados y Discusión

Los resultados obtenidos a partir de la aplicación de los modelos de machine learning, que integraron datos híbridos compuestos por indicadores financieros y no financieros derivados del framework de declive empresarial de Jim Collins, demostraron un rendimiento predictivo significativamente superior en comparación con los modelos que utilizaron exclusivamente datos financieros. El objetivo de alcanzar niveles de precisión por encima del 80% fue ampliamente superado, evidenciando la robustez del enfoque predictivo propuesto para la predicción del declive empresarial en un horizonte de hasta cinco años. Esta constatación inicial subraya la importancia de una visión más abarcadora para la evaluación de la salud corporativa, yendo más allá de las métricas contables tradicionales e incorporando factores que anticipan eventos adversos.

El análisis comparativo entre los diferentes algoritmos de machine learning probados reveló que los modelos híbridos superaron consistentemente a los enfoques puramente financieros en diversas métricas de rendimiento. Específicamente, la precisión en la base de prueba para los modelos híbridos, como la Regresión Logística y el Random Forest, alcanzó el 100%, mientras que los modelos financieros correspondientes presentaron una precisión del 93,75%. Esta diferencia es crucial, ya que indica que la inclusión de variables no financieras permite una distinción más precisa entre empresas en declive y empresas saludables, minimizando errores de clasificación que podrían tener consecuencias estratégicas significativas para la gestión de riesgos.

La superioridad de los modelos híbridos también se observó en los valores de F1-Score, que fueron consistentemente más altos para los enfoques que incorporaron los indicadores “Leading”. El F1-Score, que es una media armónica entre precisión y recall, refleja la capacidad del modelo para identificar correctamente los casos positivos (empresas en declive) y para evitar falsos positivos (clasificar una empresa sana como en declive). La reducción de falsos positivos es particularmente relevante en contextos de gestión de riesgos, donde clasificaciones erróneas pueden llevar a decisiones costosas e innecesarias, impactando la confianza de los stakeholders y la asignación de recursos.

El área bajo la curva ROC (AUC-ROC) reforzó esta tendencia, con todos los modelos híbridos alcanzando un valor de 1,00, mientras que el mejor modelo financiero (Regresión Logística) alcanzó 0,96. Este resultado demuestra que la inclusión de variables como el “Glassdoor Score” y el “Hubris Score” permitió una capacidad de discriminación perfecta entre las clases de empresas saludables e insolventes. La AUC-ROC de 1,00 es un indicativo de un modelo con excelente poder predictivo, capaz de diferenciar con alta precisión las empresas que enfrentarán declive de aquellas que permanecerán estables, proporcionando una alerta temprana valiosa para la toma de decisiones.

La elección del algoritmo Random Forest Híbrido como el modelo definitivo para este estudio se basó en criterios que trascienden las métricas de rendimiento puntuales. Aunque la Regresión Logística híbrida presentó resultados estadísticos equivalentes en la muestra de prueba, la naturaleza paramétrica de la Regresión Logística impone limitaciones en problemas de declive empresarial, que frecuentemente involucran interacciones no lineales entre las variables. El Random Forest, por su parte, utiliza la técnica de “Bagging”, que construye múltiples árboles de decisión independientes, aislando casos atípicos y reduciendo la varianza de la predicción, lo cual es fundamental en escenarios de restricción muestral y datos ruidosos.

La capacidad del Random Forest para capturar interacciones complejas y no lineales es crucial para modelar el fenómeno de la decadencia empresarial, que no se manifiesta de forma lineal. Por ejemplo, el impacto del “Glassdoor Score” puede volverse crítico solo cuando el “Goodwill” (prima por expectativa de rentabilidad futura) alcanza un cierto nivel. Esta habilidad para modelar relaciones condicionales y umbrales hace que el Random Forest sea más adecuado para identificar los desencadenantes de riesgo que los modelos lineales podrían enmascarar, ofreciendo una visión más completa y precisa de los factores que contribuyen a la decadencia corporativa.

La metodología SHAP (SHapley Additive exPlanations) se empleó para identificar la contribución de cada variable al riesgo de quiebra, revelando que las características de mayor peso decisorio son de naturaleza conductual. El “Glassdoor Score”, que refleja el clima organizacional y la satisfacción de los empleados, y el “Hubris Score”, que cuantifica la arrogancia ejecutiva y la desconexión a través de la disparidad salarial, emergieron como los indicadores más influyentes. Estos hallazgos corroboran la teoría de que el deterioro cultural y de gobernanza precede a la crisis financiera, actuando como verdaderas señales de alerta primarias en el proceso de quiebra corporativa.

El análisis de la influencia de las variables, según los valores SHAP, demostró que el “Hubris Score” (arrogancia ejecutiva y desconexión) tiene el mayor peso, con 0,1706, seguido por el “Glassdoor Score” (clima organizacional y satisfacción), con 0,1394. En contraste, indicadores financieros tradicionales como Margen Neto (0,0542) y Endeudamiento Total (0,0265) presentaron pesos menores. Esta jerarquía de influencia sugiere que la salud cultural y la gobernanza de una empresa son predictores más fuertes de declive futuro que las métricas financieras que, a menudo, reflejan eventos ya en curso o pasados, limitando la capacidad de anticipación estratégica.

La comparación entre empresas del grupo de declive y del grupo de control para las variables “Glassdoor Score” y “Hubris Score” evidenció una divergencia significativa. Las empresas que eventualmente entraron en declive presentaron un deterioro en estos indicadores antes de la crisis financiera, mientras que las empresas del grupo de control mantuvieron promedios superiores a 0,8 para ambos indicadores. Este patrón de comportamiento valida la “Etapa 1” de Collins, que describe el “Orgullo nacido del Éxito – Exceso de Confianza”, como un precursor medible de riesgo, donde la arrogancia y la insatisfacción interna comienzan a corroer la base de la empresa antes de que las ganancias se vean afectadas.

La caída en el “Glassdoor Score” en las empresas en declive es particularmente reveladora, ya que refleja la “Etapa 2” de Collins, la “Búsqueda Indisciplinada por más”, donde la presión interna y la falta de disciplina operativa corroen la cultura organizacional. Este deterioro cultural, manifestado por la insatisfacción de los empleados, actúa como una señal de alerta temprana, indicando que los problemas internos se están acumulando y pueden conducir a consecuencias financieras adversas en el futuro. La capacidad de capturar estas señales no financieras es lo que confiere al modelo híbrido su ventaja predictiva en relación con los enfoques tradicionales.

Para validar el modelo híbrido, se realizó un estudio de caso con Americanas S.A., utilizando datos del año base 2021. Los indicadores financieros de la empresa, como Liquidez Corriente (1,74), Deuda Total (0,58) y Margen Neto (0,024), sugerían una solvencia aparente. Sin embargo, los indicadores no financieros, como el “Glassdoor Score” (0,38) y el “Hubris Score” (0,92), ya apuntaban a un escenario de riesgo elevado, con el “Glassdoor Score” muy por debajo de la media del grupo de control y el “Hubris Score” indicando una alta disparidad salarial y potencial arrogancia ejecutiva.

La aplicación del modelo híbrido a Americanas S.A. resultó en una probabilidad de quiebra del 96%, mientras que el modelo puramente financiero le atribuyó una probabilidad del 65%. La posterior quiebra pública de Americanas en enero de 2023 demostró la eficacia del modelo híbrido en la anticipación de la crisis financiera con mayor precisión. Este caso demuestra que los modelos “Lagging” (financieros) son vulnerables a manipulaciones contables y fraudes, mientras que los indicadores “Leading” (cultura y “Hubris”) son más difíciles de enmascarar, otorgando mayor resiliencia y confiabilidad al modelo predictivo para la anticipación de eventos corporativos adversos.

El análisis SHAP para el caso de Americanas S.A. reforzó la evidencia de que los factores culturales fueron los más significativos en los momentos previos a la instalación de la crisis financiera. Las barras rojas, que indican factores que aumentan la probabilidad de insolvencia, estuvieron dominadas por el “Hubris Score” y el “Glassdoor Score”. Esto sugiere que el deterioro del clima organizacional y la disparidad salarial fueron los principales impulsores del riesgo de quiebra, superando el impacto de los indicadores financieros tradicionales en la predicción del evento adverso y proporcionando una alerta más precisa sobre la salud de la organización.

A pesar de la solidez de los resultados, el estudio presenta algunas limitaciones importantes. El modelo fue entrenado y validado exclusivamente con datos de empresas de capital abierto, cuya información es pública y auditable por la SEC y CVM. Métricas como el “Pay Ratio” y el “Goodwill” pueden presentar dinámicas diferentes en empresas de capital cerrado, lo que exige adaptación y calibración de las variables para este contexto. Además, la naturaleza de los datos de “Glassdoor” y de informes administrativos, aunque auditable, posee un grado de subjetividad que demanda calibración continua para mantener la precisión del modelo en diferentes escenarios.

Como un desarrollo futuro, para posibilitar una solución de mercado como un Software as a Service (SaaS), será necesario adaptar y calibrar las variables al contexto de empresas privadas y de menor tamaño. La automatización de la recolección de datos, posiblemente a través de técnicas de Procesamiento de Lenguaje Natural (NLP) para refinar el “Hubris Score” a partir de la lectura automática de informes anuales, es un paso esencial para escalar el modelo y eliminar la recolección manual, haciéndolo más eficiente y aplicable a un universo mayor de empresas, consolidando su aplicabilidad comercial y práctica.

En síntesis, los hallazgos de esta investigación confirman que la integración de indicadores “Leading” (culturales y de comportamiento) con los indicadores “Lagging” (financieros) en modelos de machine learning incrementa significativamente la capacidad predictiva de identificar el declive empresarial. El modelo híbrido desarrollado no solo alcanza los objetivos de precisión, sino que también ofrece insights profundos sobre cómo factores culturales y de gobernanza anteceden a la crisis financiera, actuando como un sistema de alerta temprana que permite a gestores e inversores monitorear la salud cultural de sus portafolios como un indicador crítico de performance de largo plazo, proporcionando una ventana temporal para intervenciones correctivas y estratégicas.

4. Conclusión

El presente estudio buscó desarrollar un modelo híbrido de Machine Learning para predecir el declive empresarial en un horizonte de hasta cinco años, integrando indicadores financieros y no financieros basados en el framework de declive empresarial. Se verificó que el modelo híbrido superó significativamente el rendimiento de los modelos puramente financieros, alcanzando niveles de precisión superiores al 90%. El análisis SHAP reveló que factores culturales, como la satisfacción de los empleados (Glassdoor Score) y la disparidad salarial (Hubris Score), poseyeron mayor poder predictivo que métricas contables tradicionales, anticipando eventos corporativos adversos. Se identificó que el deterioro cultural y de gobernanza precede a la crisis financiera, actuando como señales de alerta primarias. La validación con el estudio de caso de Americanas S.A. demostró la eficacia del modelo híbrido en predecir el riesgo de quiebra con mayor precisión, evidenciando que los indicadores no financieros son más resilientes a manipulaciones contables. La principal contribución reside en la oferta de una herramienta más precisa y robusta para la anticipación de eventos corporativos adversos, permitiendo una gestión de riesgos más proactiva y estratégica.

A pesar de los resultados expresivos, el estudio presenta limitaciones importantes, como el entrenamiento y la validación exclusivos con datos de empresas que cotizan en bolsa, lo que sugiere la necesidad de adaptación y calibración de las variables para el contexto de empresas cerradas y de menor tamaño. La naturaleza subjetiva de algunos datos, como los de Glassdoor y de informes administrativos, exige una calibración continua para mantener la precisión del modelo. Como desarrollo futuro, se sugiere la automatización de la recopilación de datos, posiblemente a través del Procesamiento del Lenguaje Natural (PLN), para refinar el Hubris Score a partir de la lectura automática de informes anuales, con el objetivo de escalar el modelo y viabilizar una solución de mercado como un Software as a Service (SaaS). El modelo propuesto representa un cambio de paradigma en la gestión de riesgos, transponiendo el análisis de ‘autopsia’ corporativa a un diagnóstico ‘preventivo’, proporcionando a gestores e inversores un sistema de alerta temprana para monitorear la salud cultural como un indicador crítico de desempeño a largo plazo.

Referencias 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.

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

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

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 […]