Beatriz Garcia Lopes; Jacques Henrique Dias

DOI: 10.22167/2675-6528-202604455

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 educação corporativa representa um pilar estratégico para o fortalecimento da vantagem competitiva e o desenvolvimento de talentos em organizações contemporâneas. O estudo objetivou mapear os processos de uma equipe de educação corporativa, identificando atividades-chave no planejamento, execução e avaliação de programas de capacitação. Realizou-se uma pesquisa descritiva com dados mistos, analisando 22 projetos in company executados entre 2023 e 2024. A metodologia empregou Processamento de Linguagem Natural (PLN) em Python para análise de sentimentos dos alunos, aplicou algoritmos de classificação como Regressão Logística e Naive Bayes, e criou dashboards interativos em Power BI. Os resultados revelaram uma correlação forte (0,87) entre o valor investido e o retorno financeiro. Constatou-se que o tema Data Science apresentou maior rentabilidade e consistência, enquanto a modalidade híbrida exibiu maior variabilidade nos custos operacionais. A análise de sentimentos indicou alta satisfação com o corpo docente, mas apontou demandas por maior contextualização prática e exemplos reais. O modelo de Regressão Logística alcançou acurácia de 97% na classificação dos feedbacks. Concluiu-se que a integração de ferramentas analíticas proporcionou um diagnóstico preciso dos processos e subsidiou a otimização da alocação de recursos e maior assertividade na tomada de decisão estratégica.

Palavras-chave: Gestão de pessoas; Inteligência de Negócios; Processamento de Linguagem Natural; ROI; Tomada de decisão.

1. Introdução

A educação corporativa é reconhecida como um pilar estratégico fundamental para o fortalecimento da vantagem competitiva e para o desenvolvimento de talentos nas organizações contemporâneas. Neste cenário dinâmico, a capacidade de uma empresa em otimizar seus processos e alinhar suas estratégias de capacitação torna-se um diferencial competitivo. Para que isso ocorra de forma eficaz, é essencial que os processos internos sejam compreendidos em profundidade, desde o diagnóstico inicial até a avaliação contínua das atividades.

O mapeamento e a modelagem de processos representam o primeiro passo para a compreensão do funcionamento das atividades organizacionais. Um diagnóstico bem-feito serve como base para o planejamento e a melhoria contínua, aplicável tanto em instituições públicas quanto privadas. A organização e a representação clara das informações são cruciais, incluindo a padronização de documentos para otimizar a comunicação interna e a recuperação do conhecimento, fornecendo suporte administrativo e ferramentas para decisões mais assertivas e melhorias constantes (Bueno et al., 2019).

Para apoiar o desenvolvimento das atividades e a tomada de decisão, os sistemas de gestão da informação são concebidos como um conjunto de ações que visam diagnosticar as necessidades informacionais, mapear os fluxos formais de informação, e coletar, filtrar, monitorar e desenvolver serviços e produtos de informação (Rodrigues e Blattmann, 2014). O mapeamento de processos empresariais, ao representar dados, textos e sinais, estrutura as informações para viabilizar decisões estratégicas. Ferramentas como Power BI e Tableau são exemplos de soluções que facilitam a análise e visualização dinâmica dos dados (Bueno et al., 2019).

O avanço contínuo da tecnologia da informação impulsiona as organizações a buscar maior eficiência na gestão dos negócios, por meio da implementação de práticas de melhoria de processos que visam reduzir custos e aumentar a agilidade. Contudo, essa busca por rapidez e eficiência não deve comprometer a qualidade do serviço. O investimento na capacitação profissional é uma das principais formas de garantir a qualidade do produto e do atendimento ao cliente. Para o sucesso, é fundamental que a organização integre seus pontos fortes, como valores, cultura, recursos, engajamento e a preparação de sua equipe, para fortalecer sua vantagem competitiva (Chiavenato, 2016).

Apesar da crescente importância da educação corporativa e da disponibilidade de ferramentas analíticas, muitas organizações ainda enfrentam desafios na obtenção de um diagnóstico preciso de seus processos de capacitação. A falta de uma análise aprofundada pode levar a uma alocação de recursos subótima e a decisões estratégicas menos assertivas, impactando a sustentabilidade financeira e a percepção de valor dos treinamentos. Há uma lacuna na aplicação sistemática de ferramentas que permitam uma avaliação detalhada do retorno sobre o investimento e da percepção dos participantes, especialmente em relação à contextualização prática dos conteúdos.

Nesse contexto, a presente pesquisa justifica-se pela necessidade de otimizar a alocação de recursos e aumentar a assertividade na tomada de decisão estratégica em educação corporativa, por meio da integração de ferramentas analíticas para um diagnóstico preciso dos processos. O objetivo geral deste trabalho foi mapear os processos da equipe de educação corporativa de um Instituto de Educação, visando identificar e documentar as atividades-chave no planejamento, na execução e na avaliação dos programas de capacitação. Especificamente, buscou-se realizar uma análise descritiva dos custos, comparar métricas entre modalidades, aplicar técnicas de Processamento de Linguagem Natural na análise de feedbacks e desenvolver visualizações interativas para suporte à gestão.

2. Material e Métodos

O presente estudo caracterizou-se como uma pesquisa descritiva, empregando uma abordagem de dados mistos, combinando elementos qualitativos e quantitativos. O delineamento metodológico adotado foi o de levantamento de campo, com o objetivo de coletar informações detalhadas sobre os processos de educação corporativa. A unidade de análise consistiu em 22 projetos educacionais do tipo “in company”, desenvolvidos e executados por um instituto de educação.

Os projetos foram selecionados com base no status de “concluído”, garantindo a disponibilidade de todos os dados necessários para a análise, especialmente os referentes ao retorno financeiro, que são apurados após o encerramento das atividades. Os projetos analisados foram finalizados entre os anos de 2023 e 2024. As variáveis consideradas incluíram custos de projetos educacionais, custos por aluno, tempo de duração dos cursos, retorno financeiro, retorno sobre o investimento (ROI), feedbacks dos alunos e a modalidade dos projetos (híbrido, presencial e online).

Inicialmente, realizou-se a análise descritiva dos dados quantitativos. Esta etapa abrangeu a mensuração de custos de treinamento, custos por aluno e tempo de duração dos cursos, além da avaliação da dispersão dos custos dos projetos educacionais. Em seguida, calculou-se a matriz de correlação entre o custo do projeto educacional e o retorno financeiro, utilizando a correlação de Pearson para identificar a eficácia dos investimentos e potenciais áreas de melhoria nos processos. Métricas como média e mediana foram calculadas para diferentes segmentos de dados, organizados por tipo de tema.

Posteriormente, procedeu-se à análise de custo-benefício, que envolveu o cálculo do retorno sobre o investimento (ROI) para cada projeto educacional. Esta análise buscou compreender a relação entre os custos de implementação dos programas e os benefícios financeiros gerados. Adicionalmente, foi determinada a margem de lucro associada a cada iniciativa, fornecendo uma visão abrangente da viabilidade econômica dos projetos de educação corporativa.

A análise quantitativa de sentimentos foi conduzida por meio de técnicas de Processamento de Linguagem Natural (PLN) e algoritmos de análise de texto. Esta abordagem permitiu a quantificação dos sentimentos expressos nos feedbacks dos alunos, classificando-os em categorias positivas e negativas. O objetivo foi analisar a percepção dos participantes em relação aos cursos, aos materiais didáticos e ao desempenho dos instrutores.

Os dados de feedback foram coletados e categorizados em duas classes: positiva e negativa. Observou-se um desequilíbrio entre as classes, com predominância de amostras positivas. Para mitigar esse efeito, aplicou-se a técnica SMOTE (Synthetic Minority Over-sampling Technique), que gerou amostras sintéticas da classe minoritária, equilibrando a proporção de exemplos. A preparação dos dados incluiu a codificação de variáveis categóricas por meio do método “label encoding”.

Para a classificação dos sentimentos, implementaram-se e avaliaram-se dois algoritmos supervisionados: Regressão Logística e Naive Bayes. Adicionalmente, para fins comparativos, desenvolveu-se uma rede neural artificial, otimizada com a função de perda “categorical cross-entropy” e o otimizador ADAM. O desempenho desses modelos foi avaliado por meio de métricas como Precisão, Revocação, F1-score e Acurácia, e a matriz de confusão foi analisada para identificar erros de classificação, com foco na classe minoritária.

Todas as análises quantitativas e de sentimento foram realizadas utilizando a linguagem de programação Python. Os resultados obtidos foram organizados e apresentados em uma plataforma interativa, o Power BI, onde foram desenvolvidos dashboards. Essas visualizações dinâmicas permitiram à liderança explorar os dados e obter insights para a tomada de decisão estratégica.

Análises específicas foram realizadas para as áreas de Agronegócio, Data Science e Liderança, com o propósito de identificar percepções e características únicas em cada segmento. Para cada área, foram elaboradas nuvens de palavras, fundamentadas na análise de sentimentos, e gerados gráficos de Pareto. Estes gráficos separaram as contribuições das palavras associadas aos comentários positivos e negativos, facilitando a compreensão das prioridades e a identificação de palavras com maior impacto em cada contexto.

3. Resultados e Discussão

A análise dos processos da equipe de educação corporativa revelou insights significativos sobre a estrutura de custos, o retorno financeiro e a percepção dos participantes nos programas de capacitação. Inicialmente, a distribuição dos custos dos cursos corporativos por modalidade de ensino — online, híbrida e presencial — demonstrou diferenças substanciais na alocação orçamentária. A modalidade híbrida, por exemplo, apresentou a maior variabilidade de custos, com valores que se aproximam de R$ 250.000,00, caracterizada por um intervalo interquartil dilatado. Este comportamento sugere que os cursos híbridos demandam investimentos financeiros mais elevados e consistentes, mesmo ao desconsiderar valores extremos, o que pode ser atribuído à complexidade operacional de integrar recursos físicos e digitais, resultando em duplicação de despesas logísticas e tecnológicas.

Em contraste, a modalidade presencial exibiu menor dispersão e concentração de custos, com valores do terceiro quartil e da mediana mais baixos, e um intervalo interquartil estreito. Essa previsibilidade nos investimentos e a estabilidade orçamentária podem indicar um controle de custos mais rigoroso, mas também podem sinalizar restrições operacionais ou limitações na escalabilidade dos cursos ministrados exclusivamente de forma presencial. A alta variabilidade de custos na modalidade híbrida corrobora a necessidade de padronização documental e de um diagnóstico inicial aprofundado, conforme apontado por Bueno et al. (2019), para gerenciar a complexidade de recursos físicos e digitais e evitar a dispersão orçamentária.

A modalidade online, por sua vez, apresentou um custo mediano inferior ao das demais, com uma dispersão de custos intermediária. Este achado reforça a percepção de que o ensino remoto é economicamente eficiente. Contudo, a presença de um valor discrepante nos dados online, que se destaca significativamente, foi identificada como resultado de um curso com carga horária substancialmente superior, impactando diretamente o custo total e contribuindo para a variação atípica observada. A partir deste estudo comparativo, fica evidente que o formato de distribuição tem um impacto considerável nos padrões de investimento dos projetos educacionais, exigindo que a tomada de decisões estratégicas considere não apenas os valores centrais, mas também as medidas de dispersão e a ocorrência de valores atípicos para otimizar o planejamento orçamentário e a alocação de recursos.

A análise da matriz de correlações forneceu inferências estratégicas importantes sobre as relações entre as variáveis estudadas. Observou-se um coeficiente de correlação de 0,87 entre o valor total do curso e o retorno financeiro, indicando uma relação positiva e forte. Este resultado sugere que investimentos mais substanciais em cursos tendem a gerar retornos financeiros mais favoráveis, confirmando que os programas de capacitação estão gerando valor. Essa descoberta alinha-se à premissa de Chiavenato (2016), que destaca o investimento em capacitação profissional como um vetor crucial para a qualidade do produto e a sustentabilidade do negócio, validando a tese de que o desenvolvimento de competências fortalece a vantagem competitiva organizacional.

Adicionalmente, o custo por aluno e o valor total do curso apresentaram uma correlação de 0,76. Essa correlação substancial entre o custo médio por participante e o custo total dos cursos sugere que algumas modalidades podem ter baixa diluição dos custos fixos ou estruturas de preços proporcionais. A correlação entre o custo por aluno e o retorno financeiro foi de 0,57, uma relação moderada que indica a influência significativa do investimento individual no retorno, embora em menor grau do que o valor total do curso. Isso sugere que táticas de customização e aprimoramento, que agregam valor ao projeto para o estudante, podem elevar a lucratividade geral.

Por outro lado, a duração do curso demonstrou uma correlação fraca com as demais variáveis: 0,24 com o valor do curso, 0,28 com o retorno financeiro e -0,13 com o custo por aluno. Essa baixa correlação indica que a duração do curso não está diretamente ligada ao custo ou ao retorno financeiro, sugerindo que cursos de diferentes extensões temporais podem apresentar resultados financeiros semelhantes. Isso implica que as estratégias para aprimorar o desempenho dos programas de educação corporativa devem focar mais no conteúdo, no público-alvo e no formato de entrega, em vez de na extensão temporal, permitindo uma revisão das estruturas de carga horária para adaptá-las ao conteúdo necessário sem comprometer o retorno financeiro direto.

A análise estatística descritiva por temas de curso – Agronegócios, Data Science e Liderança – revelou perfis de investimento e retorno distintos. No tema Data Science, foram observados os maiores custos médios e medianos para o valor do curso, com média de R$ 177.467,46 e mediana de R$ 186.474,74, indicando investimentos elevados e consistentes, o que é coerente com a demanda por tecnologias avançadas. O custo por aluno também foi o mais alto, com média de R$ 4.878,70, refletindo a natureza especializada e de alto valor agregado dessa área. Em termos de retorno financeiro, Data Science apresentou o desempenho mais rentável, com média de R$ 56.837,66 e mediana de R$ 57.918,98, além de uma dispersão reduzida de R$ 3.385,36, o que aponta para resultados estáveis e lucratividade elevada.

O tema Agronegócios, em comparação, apresentou um custo médio menor para o valor do curso (R$ 78.489,01), mas com alta dispersão (desvio padrão de R$ 73.800,07) e um valor máximo de R$ 248.980,00, indicando heterogeneidade nos projetos. A duração média dos cursos de Agronegócios foi a mais longa, com 195,54 horas, e uma variação ampla, de 1 a 368 horas, demonstrando diversidade na complexidade. O retorno financeiro médio foi de R$ 31.939,58, mas com grande variabilidade (desvio padrão de R$ 34.551,04) e até mesmo um retorno mínimo negativo de R$ -1.505,96, sugerindo um risco considerável em alguns projetos. Isso implica a necessidade de um planejamento meticuloso para gerenciar a alta volatilidade financeira e operacional.

Os cursos na área de Liderança apresentaram os menores custos médios (R$ 11.805,48) e a menor variabilidade (desvio padrão de R$ 7.091,49) para o valor do curso, refletindo projetos mais enxutos e padronizados. O custo médio por aluno foi o mais baixo (R$ 404,39), o que pode indicar padronização de materiais ou uso reduzido de recursos tecnológicos. Com uma duração média de apenas 1,6 horas, os cursos de Liderança são majoritariamente intervenções pontuais e de breve duração. Embora os retornos médios fossem os mais baixos (R$ 5.879,61), a menor variação entre os dados (desvio padrão de R$ 2.027,21) indica que são previsíveis e constantes, qualificando este tema como de baixo risco e retorno estável, ideal para ações de escalabilidade rápida ou treinamentos introdutórios.

A estabilidade de custos e resultados observada no tema Data Science, em contraste com o caráter enxuto e a previsibilidade da Liderança, exemplifica a aplicação prática do mapeamento de processos, conforme defendido por Bueno et al. (2019). Enquanto a Liderança parece operar sob um modelo de alta padronização documental e suporte administrativo eficiente, o tema Data Science exige um planejamento orçamentário mais robusto devido à sua complexidade tecnológica. A organização clara das informações, como sugerido por Bueno et al. (2019), permite que os gestores tomem decisões assertivas, mesmo em temas heterogêneos. Assim, o mapeamento fornece a transparência necessária para identificar onde a padronização gera economia de escala (Liderança) e onde o custo elevado é uma contingência técnica aceitável em relação ao retorno esperado (Data Science).

A distribuição do Retorno sobre o Investimento (ROI) dos cursos revelou uma assimetria à esquerda, indicando que a maior concentração de projetos apresentou ROI negativo, com a maioria dos dados situados entre -0,5 e 0. Isso sugere que, em muitos casos, a receita gerada pelos cursos não cobriu o total das despesas, resultando em prejuízos financeiros para a instituição. No entanto, uma minoria dos cursos apresentou ROI positivo, alguns atingindo cerca de 1,5, o que indica que, mesmo em poucos projetos, houve lucratividade, e estes podem servir de base para o desenvolvimento de futuras iniciativas educacionais. Valores de ROI negativos apontam para custos operacionais elevados ou falhas no planejamento financeiro, mas, conforme Chiavenato (2016), o retorno negativo imediato pode ser interpretado como o custo de formação de capital humano, um ativo intangível essencial para o sucesso a longo prazo.

A análise da distribuição do ROI por tema de curso forneceu uma compreensão mais detalhada. Para Data Science, observou-se uma curva mais estreita, com maior concentração de dados entre -0,7 e -0,3, indicando menor variação nos retornos e um desempenho financeiro mais previsível, mesmo que majoritariamente negativo. No tema Liderança, os dados mostraram-se mais dispersos, com o ROI concentrado entre -0,8 e 0,2, cruzando o valor de ROI=0, o que sugere a existência de projetos com retorno positivo, embora ainda haja muitos com retorno negativo. Já Agronegócios exibiu a maior variabilidade, com variações entre aproximadamente -2 e 2,5, indicando um potencial de rentabilidade, apesar de a maioria dos cursos apresentar ROI negativo, o que exige uma gestão de risco mais apurada.

A análise de sentimentos, realizada por meio de Processamento de Linguagem Natural (PLN), revelou percepções detalhadas dos alunos. Nas nuvens de palavras dos comentários positivos, termos como “conteúdo”, “professor”, “aula”, “excelente”, “didática” e “bom” foram proeminentes. Isso indica que os participantes valorizam a qualidade do material, o desempenho dos professores, a compreensão dos conteúdos e a organização das aulas. Palavras como “conhecimento”, “ótimo” e “importante” reforçam a percepção positiva sobre o aprendizado e a relevância dos assuntos abordados, destacando a importância do domínio técnico, da qualidade didática e da relevância prática do conteúdo oferecido.

Nos comentários negativos, termos como “exemplo”, “assunto”, “pouco”, “alguns”, “porém” e “material” surgiram com frequência, associados a críticas. Isso sugere descontentamento em relação à falta de exemplos práticos, abordagens superficiais ou clareza no material pedagógico. A palavra “dia” pode indicar críticas ao tempo dedicado às aulas, enquanto “sobre” e “interessante” podem sugerir que os assuntos tinham potencial, mas não foram adequadamente desenvolvidos. A demanda por “exemplos reais” valida a teoria de Rodrigues e Blattmann (2014) sobre a importância de sistemas de gestão da informação que filtrem e monitorem as necessidades reais dos usuários, permitindo que a organização ajuste seus serviços para transformar o conhecimento teórico em valor prático.

A análise de Pareto dos comentários positivos reforçou que “conteúdo”, “excelente”, “aula” e “professor” somam mais de 50% da frequência acumulada, indicando que a qualidade do conteúdo, o desempenho dos professores e a organização das aulas são aspectos cruciais para a satisfação dos alunos. Termos como “didática”, “ótimo”, “conhecimento” e “clareza” também se destacaram, confirmando que os cursos são bem organizados e didáticos. Nos comentários negativos, embora em menor quantidade, palavras como “dia”, “aula”, “exemplos”, “conteúdo” e “material” apareceram com maior frequência, indicando descontentamentos específicos relacionados a aspectos práticos do curso, como o calendário, os exemplos utilizados e os materiais disponibilizados. Palavras como “pouco”, “poderia”, “integração” e “faltou” sinalizam áreas de aprimoramento na profundidade, aplicação e interação entre os temas abordados.

As análises específicas por área temática (Agronegócios, Data Science e Liderança) revelaram particularidades importantes. Em Agronegócios, os comentários positivos destacaram “professor”, “aula”, “conteúdo”, “excelente” e “didática”, elogiando a qualidade das aulas e a clareza didática dos docentes. Os negativos mencionaram “assunto”, “aula”, “conteúdo” e “material” em tom de desaprovação, além de “faltou”, “pouco” e “detalhe”, sugerindo falta de detalhes ou exemplos atualizados. Para Data Science, os elogios focaram em “didática”, “professor”, “aula”, “conteúdo”, “exemplo” e “prática”, valorizando explicações claras e exemplos práticos. Os comentários negativos, contudo, apontaram para “exemplo”, “práticos”, “aula”, “case” e “integração”, indicando a necessidade de melhor integração dos exemplos com a realidade empresarial.

Na área de Liderança, os comentários positivos incluíram “curso”, “excelente”, “ótimo”, “bom” e menções à professora, destacando a qualidade do curso e da docente, além da clareza na ministração dos conteúdos. Os comentários negativos, por sua vez, enfatizaram “exemplos”, “utilizar”, “reais”, “colocar” e “sugestão”, evidenciando a necessidade de exemplos mais aplicados à realidade da empresa. De modo geral, a competência dos docentes e a clareza do conteúdo são pontos fortes em todas as áreas, enquanto a necessidade de maior contextualização prática e exemplos reais, especialmente em situações de mercado e na rotina profissional, são os principais pontos a serem aprimorados. Isso ressalta a importância de um plano de ação que mantenha os pontos fortes e implemente estratégias para aumentar a relevância dos cursos para a realidade das empresas.

A avaliação do desempenho dos modelos de classificação, Regressão Logística e Naive Bayes, com dados balanceados, mostrou que ambos apresentaram desempenho elevado na classificação de comentários positivos. O modelo de Regressão Logística alcançou uma acurácia geral de 96,51% (97% com dados balanceados). Para a classe de feedbacks negativos (Classe 0), a precisão foi de 0,59, indicando que muitas palavras previstas como “negativas” eram, na verdade, “positivas”, enquanto o recall de 0,83 demonstrou eficácia em identificar a maioria dos negativos reais. Para a classe de feedbacks positivos (Classe 1), a precisão de 0,99 e o recall de 0,97 indicaram um desempenho excelente na classificação.

O modelo Naive Bayes, por sua vez, apresentou uma acurácia geral de 94,57% (95% com dados balanceados). Para a Classe 0, a precisão foi de 0,46, inferior à da Regressão Logística, sugerindo maior tendência a classificar comentários positivos como negativos. Contudo, o recall de 0,92 foi superior, indicando excelente detecção dos comentários negativos existentes. Para a Classe 1, a precisão foi de 1,00 e o recall de 0,95, demonstrando um desempenho ótimo. Embora o Naive Bayes seja mais sensível para identificar comentários negativos, sua precisão mais baixa o torna menos indicado para detectá-los. A Regressão Logística, com maior acurácia geral e melhor equilíbrio entre precisão e recall para comentários negativos, demonstrou ser o modelo mais apropriado para o cenário analisado, oferecendo resultados mais sólidos e confiáveis na classificação das interações.

A utilização da técnica SMOTE foi fundamental para reduzir o desbalanceamento entre as classes de dados, aumentando a representatividade da classe minoritária durante o treinamento dos modelos. Apesar das melhorias na detecção de instâncias negativas, especialmente no modelo Naive Bayes, ainda foram observadas dificuldades na separação dos dados, o que sugere que o balanceamento por si só não garante um desempenho consistentemente elevado entre todas as classes. A integração de ferramentas analíticas, como o Processamento de Linguagem Natural, permitiu um diagnóstico preciso dos processos da equipe de educação corporativa, fornecendo subsídios valiosos para a otimização da alocação de recursos e para uma tomada de decisão estratégica mais assertiva, alinhada com o objetivo de mapear e otimizar as atividades-chave no planejamento, execução e avaliação dos programas de capacitação.

4. Conclusão

O presente estudo buscou mapear os processos da equipe de educação corporativa de um Instituto de Educação, com o intuito de identificar e documentar as atividades-chave no planejamento, execução e avaliação de programas de capacitação. Para tanto, realizou-se uma análise descritiva dos custos, compararam-se métricas entre modalidades, aplicaram-se técnicas de Processamento de Linguagem Natural na análise de feedbacks e desenvolveram-se visualizações interativas para suporte à gestão. Verificou-se uma correlação positiva e forte de 0,87 entre o valor investido e o retorno financeiro, indicando que aportes mais substanciais tendem a gerar retornos mais favoráveis. A análise por temas revelou que Data Science apresentou a maior rentabilidade e consistência, enquanto Agronegócios demonstrou alta volatilidade e Liderança, baixo risco e retorno estável. A modalidade híbrida exibiu a maior variabilidade nos custos operacionais, sugerindo complexidade na gestão de recursos. A análise de sentimentos dos alunos indicou alta satisfação com o corpo docente, mas apontou uma demanda por maior contextualização prática e exemplos reais. O modelo de Regressão Logística alcançou acurácia de 97% na classificação dos feedbacks, fornecendo uma ferramenta robusta para a avaliação da percepção dos participantes.

A integração dessas ferramentas analíticas proporcionou um diagnóstico preciso dos processos da educação corporativa, subsidiando a otimização da alocação de recursos e a maior assertividade na tomada de decisão estratégica. A principal contribuição reside na capacidade de identificar áreas de maior valor agregado e de ajustar metodologias para elevar a lucratividade e a satisfação dos alunos, especialmente ao focar na relevância prática dos conteúdos. Contudo, como limitação, ressalta-se o tamanho da amostra de 22 projetos analisados. Sugere-se que estudos futuros ampliem a base de dados, incorporando um número maior de projetos e explorando outros nichos temáticos, a fim de validar e aprofundar as tendências observadas. Este mapeamento oferece, portanto, um fundamento analítico para a gestão proativa da educação corporativa, transformando dados em inteligência estratégica para o desenvolvimento contínuo de talentos.

Referências Bibliográficas

Bueno, R. V.; Maculan, B. C.; Aganette, E. C. 2019. Mapeamento de processos e gestão por processos: revisão sistemática de literatura. Revista Múltiplos olhares em ciência da informação. 9(2): 1-12.

Chiavenato, I. 2016. Treinamento e Desenvolvimento de Recursos Humanos Como Incrementar Talentos na Empresa. 8ed. Atlas, Rio de Janeiro, Brasil.

Rodrigues, C.; Blattmann, U. 2014. Gestão da informação e a importância do uso de fontes de informação para geração de conhecimento. Perspectivas em Ciência da Informação, 19(1): 4-29.

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