⚠️ Esta es una vista previa de un artículo. El contenido no está publicado.

Artículo

19 de noviembre de 2026

Impacto das paradas operacionais na produtividade industrial com base em dados de sistemas de produção

Edson Luiz de Lima Novais; Bruno Felipe Lenin Souza Bezerra

DOI: 10.22167/2675-6528-202603866

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

Este trabalho analisou a relação entre paradas operacionais e o desempenho produtivo de uma linha de manufatura, com o objetivo de identificar os fatores que influenciam paradas operacionais e estimar cenários mais eficientes. A pesquisa foi conduzida por meio de um estudo de caso em uma indústria do setor metalúrgico em Suzano (SP), utilizando dados operacionais de outubro de 2025, que incluíram 116 registros de produção e 805 eventos de status. Aplicaram-se modelos de regressão linear simples e múltipla pelo método dos mínimos quadrados ordinários (MQO). Os resultados indicaram um OEE médio de 53,25% (± 14,56 p.p.), com a variabilidade concentrada em performance e disponibilidade. As paradas não planejadas representaram 13,96% do tempo total, sendo 79,25% classificadas como “Parada Não Identificada”. O modelo de regressão simples revelou uma redução de 10,38 p.p. na disponibilidade por hora adicional de parada não planejada. O modelo múltiplo identificou o tipo de produto como principal fator explicativo, com o Produto 1 apresentando OEE 18,16 p.p. superior ao Produto 2. Concluiu-se que o desempenho da linha é determinado pelo tipo de produto processado e pelo tempo acumulado de paradas não planejadas. A alta concentração de paradas não identificadas aponta para uma limitação na análise de causa-raiz, sugerindo a necessidade de melhoria na classificação das ocorrências para otimizar a produtividade industrial.

Palavras-chave: Análise de dados; Manufatura digital; OEE; Paradas não planejadas; Sistemas MES.

1. Introdução

De acordo com Torezani (2020), a produtividade industrial não deve ser avaliada apenas pelo volume produzido em um determinado período, mas pela capacidade da empresa de otimizar processos, reduzir desperdícios e utilizar seus recursos de forma eficiente, agregando valor às operações e sustentando sua competitividade no mercado.

A evolução dos softwares de manufatura e dos sistemas de automação industrial tem ampliado a capacidade de coleta de dados com elevado nível de granularidade, abrangendo desde registros operacionais até métricas detalhadas de desempenho dos equipamentos. Esse avanço não se limita às grandes corporações; empresas de pequeno e médio porte também têm expandido a digitalização e o monitoramento de seus processos produtivos, acompanhando tendências globais de transformação digital (Nunes et al., 2024). Esse movimento está associado à crescente adoção de práticas orientadas a dados, nas quais o uso sistemático de informações tem sido relacionado a ganhos de produtividade e desempenho organizacional (Brynjolfsson; McAfee, 2014).

Quando devidamente processadas, essas informações permitem a tomada de decisão baseada em evidências, apoiada por análises estatísticas robustas e atualizadas com alta frequência temporal (Senna; Ribeiro, 2021). No contexto brasileiro, esse movimento tem sido impulsionado pela necessidade de aumento de competitividade e pela maior acessibilidade de tecnologias digitais industriais, permitindo maior visibilidade dos processos produtivos (Laurindo; Carvalho, 2018). A integração entre sistemas produtivos e tecnologias da informação tem favorecido a consolidação de dados antes dispersos, contribuindo para análises estruturadas e para a melhoria contínua (Fleury; Fleury, 2020).

Apesar da crescente disponibilidade de dados industriais, muitas organizações ainda enfrentam dificuldades em utilizar essas informações de forma estruturada para identificar causas de perdas e atuar de maneira preditiva. Pequenas paradas e interrupções recorrentes em processos produtivos podem parecer inofensivas em um primeiro momento, mas, quando analisadas de forma sistemática, revelam impactos significativos ao longo do tempo. Esses eventos afetam diretamente a disponibilidade dos equipamentos, contribuem para a variabilidade dos tempos de ciclo e reduzem o índice de Overall Equipment Effectiveness (OEE), comprometendo o desempenho global da operação (Vieira; Regattieri, 2025).

Perdas associadas a interrupções de curta duração tendem a ser subestimadas, pois sua recorrência não é analisada de forma sistêmica. Quando consideradas ao longo do tempo, essas ocorrências podem representar impactos significativos na eficiência produtiva (Marx; Fleury, 2021). Uma lacuna crítica identificada é a elevada concentração de eventos classificados como “Parada Não Identificada”, que representaram 79,25% do tempo de parada não planejada. Essa limitação na classificação reduz a capacidade de análise de causa-raiz e a precisão dos modelos preditivos futuros.

A centralização e o processamento estruturado dos dados organizacionais, aliados à aplicação de modelos estatísticos, possibilitam a geração de percepções relevantes para a melhoria contínua (Silva, 2024). A consolidação de uma cultura orientada a dados nas organizações industriais depende não apenas da disponibilidade de informações, mas também da capacidade de interpretá-las e utilizá-las de forma sistemática no processo decisório (Carvalho et al., 2019). Dessa forma, esta pesquisa aplica técnicas de regressão linear a dados provenientes de um MES, com o objetivo de identificar os fatores que influenciam paradas operacionais e estimar cenários mais eficientes.

2. Material e Métodos

A pesquisa realizada caracterizou-se como de natureza aplicada, sendo conduzida por meio de um estudo de caso. O objetivo central foi identificar os fatores que influenciam paradas operacionais e estimar cenários mais eficientes, conforme delineado na introdução. A abordagem metodológica adotada permitiu uma análise aprofundada de dados reais de produção em um contexto industrial específico.

O estudo foi desenvolvido em uma indústria do setor metalúrgico, localizada em Suzano (SP), que opera em médio porte e emprega aproximadamente 600 funcionários. A unidade de análise selecionada foi a linha de produção 1, escolhida devido à maior disponibilidade de dados históricos, à recorrência de eventos de parada e à sua relevância operacional para a empresa.

A coleta de dados ocorreu por meio de levantamento documental interno, abrangendo o período de 01 a 31 de outubro de 2025. As informações foram extraídas diretamente do sistema MES (Manufacturing Execution System) da empresa, especificamente da plataforma PC-Factory, garantindo a fidelidade e a granularidade dos registros operacionais.

Duas bases de dados principais foram utilizadas. A primeira, denominada “base de produção”, continha 116 registros consolidados por data, turno e tipo de produto, e incluía indicadores de Overall Equipment Effectiveness (OEE), performance, disponibilidade e qualidade. A segunda, a “base de eventos operacionais”, registrou 805 eventos de status, detalhando a produção, paradas planejadas, paradas não planejadas e tempo fora de turno.

Para viabilizar a modelagem estatística conjunta, as duas bases de dados foram integradas. Essa integração foi realizada utilizando como chaves de ligação as variáveis de data e turno, permitindo a associação consistente dos indicadores de desempenho com os eventos operacionais correspondentes.

A etapa analítica dos dados compreendeu três fases principais. Inicialmente, realizou-se uma análise exploratória de dados (EDA), que incluiu o cálculo de estatísticas descritivas para as variáveis operacionais e a construção de uma matriz de correlações de Pearson para identificar relações entre os indicadores.

Em seguida, aplicaram-se testes de hipóteses para comparar médias entre grupos. Para a comparação entre turnos de operação, utilizou-se a Análise de Variância (ANOVA one-way). Para a comparação entre os tipos de produtos processados, empregou-se o teste t de Student, visando identificar diferenças estatisticamente significativas no desempenho.

Posteriormente, procedeu-se à modelagem estatística por meio de regressão linear. Foram aplicados modelos de regressão linear simples e múltipla, utilizando o método dos mínimos quadrados ordinários (MQO). O objetivo foi quantificar a influência de variáveis operacionais sobre o desempenho produtivo da linha.

No modelo de regressão linear simples, a variável dependente foi o OEE ou a Disponibilidade, e a variável explicativa foi o tempo acumulado de parada não planejada, mensurado em horas por data e turno. Este modelo buscou estabelecer uma relação direta entre as paradas e o desempenho.

Para o modelo de regressão linear múltipla, a variável dependente foi o OEE. Como variáveis explicativas, incluíram-se o tempo de parada não planejada (em horas), o número de eventos de parada não planejada, o turno de operação (representado por variáveis dummy, com o Turno 1 como referência) e o tipo de produto processado (também representado por variáveis dummy, com o Produto 2 como referência).

A validação dos modelos de regressão foi realizada por meio da análise de diversos indicadores estatísticos, como o coeficiente de determinação (R²), o R²-ajustado, a estatística F e o p-valor global do modelo. Adicionalmente, verificaram-se os pressupostos clássicos da regressão, incluindo a normalidade dos resíduos (teste de Shapiro-Wilk), a homocedasticidade (teste de Breusch-Pagan) e a ausência de autocorrelação (teste de Durbin-Watson).

Todas as análises estatísticas e a modelagem foram executadas em ambiente Python. Para o processamento e manipulação dos dados, utilizou-se a biblioteca pandas. As análises estatísticas e a construção dos modelos de regressão foram realizadas com o auxílio das bibliotecas scipy e statsmodels, que fornecem funcionalidades robustas para inferência estatística e econometria.

3. Resultados e Discussão

Os resultados da pesquisa revelaram uma visão abrangente do desempenho produtivo da linha de manufatura estudada, com foco na identificação dos fatores que influenciam as paradas operacionais e na estimativa de cenários mais eficientes. A análise dos 116 registros operacionais e 805 eventos de status, coletados do sistema MES, permitiu caracterizar o comportamento da linha e aplicar modelos estatísticos para quantificar as relações entre as variáveis. Os achados iniciais indicaram uma variabilidade significativa no Overall Equipment Effectiveness (OEE), predominantemente associada à disponibilidade e à performance, e não à qualidade, que se manteve constante em cem por cento.

A caracterização da base de produção evidenciou um OEE médio de 53,25%, com um desvio padrão de 14,56 pontos percentuais, e uma amplitude que variou de 23,92% a 88,40%. Essa ampla faixa de variação sublinha a inconsistência no desempenho da linha ao longo do período analisado. A performance média foi de 61,45% e a disponibilidade média atingiu 87,10%. A constância da qualidade em cem por cento em todos os registros sugere que as perdas de eficiência na linha de usinagem estão primariamente ligadas a interrupções e à redução do ritmo de produção, um padrão comum em ambientes industriais similares, conforme a literatura da área.

A análise exploratória das correlações de Pearson entre as variáveis operacionais forneceu insights importantes sobre as inter-relações dos indicadores. Observou-se uma correlação positiva forte entre o OEE e a performance (r = 0,857; p 0,05) no modelo múltiplo, corroborando a ideia de que seus efeitos são mais complexos ou mediados por outras interações.

A verificação dos pressupostos clássicos da regressão indicou adequação geral dos modelos. A normalidade dos resíduos e a homocedasticidade foram confirmadas nos três modelos, com exceção de uma assimetria negativa dos resíduos no Modelo 2, que foi mitigada pelo tamanho da amostra. A presença de autocorrelação leve nos Modelos 1 e 3 é um aspecto esperado em dados de série temporal e será abordada em futuras análises por meio da ampliação do horizonte temporal e da aplicação de técnicas de estimação robustas, como erros-padrão HAC, para garantir a validade e a robustez dos resultados.

Em síntese, a pesquisa demonstrou que o desempenho da linha de manufatura é influenciado primordialmente pelo tipo de produto processado e pelo tempo acumulado de paradas não planejadas. A elevada concentração de eventos classificados como “Parada Não Identificada”, representando 79,25% do tempo de parada não planejada, constitui uma limitação crítica para a análise de causa-raiz e a precisão dos modelos preditivos. A melhoria na classificação dessas ocorrências é essencial para otimizar a produtividade industrial e permitir uma gestão mais assertiva das perdas de eficiência, respondendo diretamente ao objetivo de identificar fatores que influenciam paradas operacionais e estimar cenários mais eficientes.

4. Conclusão

Este estudo analisou a relação entre paradas operacionais e o desempenho produtivo de uma linha de manufatura, buscando identificar os fatores que influenciam essas interrupções e estimar cenários mais eficientes. Verificou-se um OEE médio de 53,25%, com a variabilidade concentrada nas dimensões de performance e disponibilidade. As paradas não planejadas representaram 13,96% do tempo total de operação, sendo que 79,25% desse período foi classificado como “Parada Não Identificada”. A modelagem estatística revelou que o tempo de parada não planejada impacta significativamente a disponibilidade, com uma redução de 10,38 pontos percentuais para cada hora adicional de interrupção. Adicionalmente, o tipo de produto processado emergiu como um fator determinante, com o Produto 1 apresentando um OEE 18,16 pontos percentuais superior ao Produto 2. Esses achados demonstram que o desempenho da linha é influenciado primordialmente pelo tipo de produto e pelo tempo acumulado de paradas não planejadas, oferecendo uma base para a otimização dos processos produtivos e o aumento da produtividade industrial.

Apesar das contribuições, a pesquisa identificou uma limitação crítica na elevada concentração de eventos de “Parada Não Identificada”, que comprometeu a capacidade de realizar análises de causa-raiz aprofundadas e de desenvolver modelos preditivos mais precisos. A presença de autocorrelação leve nos resíduos de alguns modelos, embora esperada em dados de série temporal, sugere a necessidade de técnicas de estimação robustas em análises futuras. Para estudos subsequentes, recomenda-se ampliar o horizonte temporal da análise, incorporar modelos supervisionados complementares, como árvores de decisão e regressão regularizada, e desenvolver simulações de cenários operacionais. Tais abordagens permitirão estimar combinações ótimas de variáveis para a minimização de paradas e a maximização da eficiência produtiva. Espera-se que este trabalho contribua para a literatura de manufatura orientada a dados e forneça subsídios práticos para a gestão da produtividade na indústria estudada, enfatizando a importância da melhoria na classificação das ocorrências para uma gestão mais assertiva das perdas de eficiência.

Referências Bibliográficas

Brynjolfsson, E.; McAfee, A. 2014. The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. New York: W. W. Norton & Company.

Carvalho, A. C. P. L. F.; Lorena, A. C.; Faceli, K.; Gama, J.; Almeida, T. A. 2019. Inteligência artificial: uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC.

Fleury, A. C. C.; Fleury, M. T. L. 2020. Estratégias empresariais e formação de competências: um quebra-cabeça caleidoscópico da indústria brasileira. 4. ed. São Paulo: Atlas.

Laurindo, F. J. B.; Carvalho, M. M. 2018. Tecnologia da informação e competitividade empresarial: uma análise das organizações brasileiras. São Paulo: Atlas.

Marx, R.; Fleury, A. C. C. 2021. Gestão da produção e operações no Brasil: desafios e tendências contemporâneas. São Paulo: Atlas.

Nunes, E. N.; Franqueira, A. S.; Bitencourt, C. A. L.; Melo Júnior, H. G. 2024. Transformação digital: desafios e oportunidades para pequenas e médias empresas. Revista Observatorio de la Economía Latinoamericana, v. 22, n. 4, p. 1–21. Disponível em: https://www.researchgate.net/publication/379941708_Transformacao_digital_desafios_e_oportunidades_para_pequenas_e_medias_empresas. Acesso em: 21 fev. 2026.

Senna, S.; Ribeiro, F. 2021. Aplicações de sistemas MES na indústria 4.0: uma análise conceitual. Disponível em: https://periodicos.uninove.br/exacta/article/view/18916. Acesso em: 02 ago. 2025.

Silva, A. 2019. Otimização de processos industriais por meio de indicadores e análise de dados. Disponível em: http://hdl.handle.net/10400.26/53118. Acesso em: 15 ago. 2025.

Torezani, C. H. 2020. A implementação de sistemas MES e impactos na gestão da produção. Disponível em: https://www.scielo.br/j/rbi/a/pdPHkgXdfcMzcyHQpkNRrfq/?lang=pt&format=pdf. Acesso em: 05 set. 2025.

Vieira, L.; Rigatteri, L. 2022. Modelos de análise de desempenho produtivo com uso de sistemas MES. Disponível em: https://revista.fatectq.edu.br/interfacetecnologica/pt_BR/article/view/2238. Acesso em: 20 nov. 2025.

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

También te puede interesar

17 de noviembre de 2026

Detección y Diagnóstico de Enfermedades en Maíz y Arroz en Mozambique con Deep Learning

La agricultura mozambiqueña depende del maíz y el arroz, cultivos fundamentales para la seguridad alimentaria, pero su productividad se ve fuertemente afectada por enfermedades fitosanitarias, cuya identificación temprana y precisa sigue siendo un desafío en contextos de recursos limitados. El estudio tuvo como objetivo desarrollar y comparar modelos basados en Deep Learning para la detección y el diagnóstico automático de enfermedades en hojas de maíz y arroz en Mozambique. Se utilizaron tres enfoques: una Red Neuronal Convolucional (CNN) clásica desarrollada desde cero, y dos modelos de transfer learning, ResNet50 y MobileNetV2. El conjunto de datos se compuso de imágenes de bases públicas y recolectadas en campo, que pasaron por etapas de limpieza, balanceo y aumento artificial. Los modelos fueron entrenados y evaluados con métricas de desempeño estándar, incluyendo precisión (accuracy), precisión (precision), recall, F1-score, Log Loss y Kappa de Cohen. La CNN clásica presentó el mejor desempeño global, con 94% de precisión (precision), recall y F1-score, y 93% de precisión (accuracy) y Kappa de Cohen. La MobileNetV2 alcanzó 91% de F1-score y 90% de precisión (accuracy), destacándose por el menor Log Loss (0,30) y tiempo de entrenamiento (6h32min59s). La ResNet50 alcanzó 80% de F1-score y 79% de precisión (accuracy). Se concluyó que las técnicas de Deep Learning poseen un elevado potencial para apoyar el diagnóstico fitopatológico en contextos agrícolas reales, contribuyendo a decisiones más rápidas y precisas en el manejo de enfermedades en maíz y arroz.

Palabras clave: Aprendizaje profundo; Arroz; Enfermedades en plantas; Maíz; Visión computacional.

17 de noviembre de 2026

Estructuración del proceso de cierre de proyectos de una industria de la construcción civil

Un estudio abordó el grupo de procesos de cierre de proyectos en una industria de manufactura de la construcción civil, utilizando la guía PMBOK como referencia principal. El proceso existente en la industria presentaba superficialidad y fragilidades, especialmente en el registro de lecciones aprendidas. Ante este escenario, el objetivo fue desarrollar un procedimiento para el cierre de proyectos de la organización, visando agregar valor por medio de la estandarización del proceso, registro del conocimiento adquirido, formalización de la conclusión y entrega de los proyectos, y mejoramiento de la comunicación, compromiso, integración y transparencia con los stakeholders. La investigación se clasificó como descriptiva, empleó datos cualitativos y adoptó la investigación-acción como delineamiento. El alcance del estudio se estructuró conforme a los cinco grupos de procesos de la guía PMBOK y fue representado por una Estructura Analítica de Proyecto (EAP). Los principales resultados obtenidos incluyeron el procedimiento desarrollado y diversas plantillas de documentos, que constituyeron los entregables del nuevo proceso de cierre de proyectos. Se verificó que el trabajo alcanzó el objetivo esperado, pues el procedimiento desarrollado viabilizó la estandarización del cierre de proyectos, el mejoramiento de la integración y el compromiso con los stakeholders, y la promoción de seguridad y transparencia en el proceso.

Palabras clave: Gestión del conocimiento; Lecciones aprendidas; PMBOK; Plantillas; Término de aceptación de proyecto.

17 de noviembre de 2026

Machine Learning y priorización de funcionalidades en productos digitales: un estudio de caso en una fintech

Una investigación analizó el potencial del uso de técnicas de machine learning aplicadas al análisis del comportamiento de los usuarios en la priorización de funcionalidades en productos digitales. El objetivo fue comprender los procesos de priorización utilizados en la práctica, el papel de los datos de comportamiento en la toma de decisiones y las percepciones sobre la aplicación de técnicas de machine learning en este contexto. Se adoptó un enfoque cualitativo y exploratorio, estructurado como un estudio de caso en productos desarrollados bajo el modelo Software as a Service (SaaS). La recolección de datos se realizó a través de entrevistas semiestructuradas con profesionales de las áreas de producto y de datos. El análisis de los datos siguió la técnica de análisis de contenido. Los resultados indicaron que, aunque los datos de comportamiento ya se utilizaban como apoyo a la decisión, los procesos de priorización aún presentaban baja formalización y enfrentaban limitaciones técnicas y organizacionales. Se observó, también, el reconocimiento del potencial del machine learning como soporte estratégico a la priorización de funcionalidades, aunque su aplicación práctica fuera incipiente. Como principal contribución, el estudio propuso un modelo conceptual que integra datos de comportamiento, procesos de priorización y el uso de machine learning como soporte a la decisión.

Palabras clave: Análisis de datos; Comportamiento del usuario; Datos de comportamiento; Software as a Service (SaaS); Toma de decisiones.

17 de noviembre de 2026

Inteligencia artificial en las rutinas operativas contables y en la eficiencia financiera

La incorporación de Inteligencia Artificial (IA) y de herramientas de automatización ha reconfigurado las rutinas de las oficinas contables brasileñas, impactando la productividad, la mitigación de errores y la eficiencia financiera. Se analizaron estos impactos en una oficina contable de pequeño tamaño, especializada en la atención a prestadores de servicios del área médica en São Caetano do Sul, São Paulo. La investigación adoptó un enfoque cualitativo, con un diseño de estudio de caso único y unidades de análisis incorporadas. Los datos se recolectaron mediante un cuestionario estructurado, aplicado vía Google Forms entre enero y febrero de 2026, a cinco profesionales de la estructura operativa de la oficina en un relevamiento censal. El tratamiento siguió un análisis de contenido con categorías a priori y emergentes. Todos los encuestados declararon uso de herramientas automatizadas o con recursos de IA. La percepción de reducción del tiempo de ejecución, de disminución de errores operacionales, de retrabajo y de mejor aprovechamiento del tiempo del equipo convergió en el 80% de las respuestas afirmativas y el 20% parciales. Las actividades más beneficiadas fueron la conciliación bancaria, la importación de documentos fiscales y la liquidación tributaria, con ganancias visibles sobre errores de digitación, asientos duplicados y clasificación incorrecta. La intervención humana permaneció indispensable en la planificación tributaria, el análisis de escenarios y la verificación de obligaciones accesorias. La evaluación general de la contribución de la IA fue predominantemente favorable, con moderación vinculada a la complejidad normativa fiscal.

Palabras clave: Análisis de contenido; Automatización de procesos; Contabilidad 4.0; Pequeño tamaño; Transformación digital.

17 de noviembre de 2026

Factores que influyen en la gestión de plazos en proyectos de “retrofit” de estaciones de tratamiento de aguas residuales

Los proyectos de “retrofit” en Plantas de Tratamiento de Aguas Residuales (PTAR) se caracterizan por su alta complejidad, restricciones operativas y múltiples interfaces técnicas. El estudio analizó la percepción de los profesionales involucrados sobre la gestión y el cumplimiento de los plazos en proyectos de “retrofit” de plantas de tratamiento de aguas residuales, considerando factores técnicos, operativos y organizacionales. La investigación se caracterizó como un estudio aplicado, con un enfoque cuali-cuantitativo, delineado como un levantamiento de campo de tipo “survey”. El análisis de los datos se realizó mediante estadística descriptiva y categorización cualitativa, utilizando las herramientas SWOT, matriz de riesgo (Probabilidad x Impacto) y plan de acción 5W2H. Los resultados indicaron una alta percepción de claridad (77,8%) y realismo de los plazos (100% de acuerdo), evidenciando una planificación inicial consistente. Sin embargo, el 77,7% de los encuestados señaló que los retrabajos y cambios de alcance impactaron directamente el cumplimiento de los plazos. La integración entre ingeniería, fabricación y Planificación y Control de la Producción (PCP) presentó una evaluación intermedia (77,7% de acuerdo parcial/total), indicando fragilidad en la coordinación interfuncional. La matriz de riesgo destacó como críticos: cambios de alcance, limitaciones operativas de la PTAR y complejidad técnica, todos con nivel alto. Como mejora central, se propuso la estandarización del control de cambios de alcance, análisis y aprobación, con el fin de reducir retrabajos y aumentar la previsibilidad del cronograma.

Palabras clave: Desempeño; Integración; Planificación; Retrabajo; Riesgo.

17 de noviembre de 2026

Captación B2C en medicina diagnóstica: acuerdos estratégicos con consultorios médicos especializados

El sector de la medicina diagnóstica en Brasil opera con una alta dependencia de las aseguradoras de planes de salud, lo que limita la autonomía financiera de los prestadores. Este estudio propuso y analizó un modelo de captación directa de pacientes (B2C) para una institución de medicina diagnóstica de alta complejidad, estructurado a partir de alianzas con consultorios de Oncología y Cardiología y operado por un servicio de atención personalizada denominado conserjería. La investigación adoptó un enfoque mixto en tres fases: levantamiento de campo con cuestionario estructurado aplicado a 87 pacientes, mapeo del flujo operativo mediante “Service Blueprint” y análisis de la tasa de conversión a partir de 312 indicaciones médicas registradas en el proyecto piloto. Los resultados indicaron que la confianza en la indicación médica obtuvo un 92,0% de concordancia, configurándose como el principal factor de adhesión. La conveniencia de realizar el examen el mismo día alcanzó el 78,2%, y la disposición al pago directo llegó al 55,2%, con una polarización asociada a la predominancia de usuarios de planes de salud. El “Service Blueprint” identificó tres puntos críticos en las transiciones entre etapas del recorrido. La tasa de conversión global fue del 51,0%, con un desempeño superior en Oncología (58,2%) en relación con Cardiología (45,0%), y la mayor pérdida se concentró en la etapa de aceptación y agendamiento (28,3%). Se concluyó que el modelo demostró posible viabilidad operativa e indicios de aceptación por parte de los pacientes, condicionado a la transparencia de precios y a la reducción del intervalo entre la consulta y el abordaje por la conserjería.

Palabras clave: Desembolso directo; Recorrido del paciente; Salud suplementaria; Servicio de conserjería; Tasa de conversión.

17 de noviembre de 2026

El papel del director escolar en la promoción de una cultura inclusiva: liderazgo y políticas educativas

La investigación analizó el desempeño del director escolar en la promoción de una cultura inclusiva, considerando la necesidad de transformar directrices legales y fundamentos pedagógicos en prácticas institucionales efectivas. Se partió del supuesto de que la inclusión escolar exige planificación, organización y liderazgo estratégico en el día a día de la escuela. Se adoptó un enfoque cualitativo de naturaleza aplicada, desarrollado en tres etapas complementarias: análisis documental de las legislaciones brasileñas sobre educación inclusiva, revisión bibliográfica sobre liderazgo y gestión escolar, y sistematización de los datos por medio de herramientas gerenciales como la matriz FODA y el ciclo PDCA. Los resultados indicaron que el desempeño de la gestión escolar influyó directamente en la consolidación de ambientes inclusivos, especialmente en la organización de procesos, formación continua del equipo y fortalecimiento de una cultura institucional colaborativa y respetuosa de la diversidad. También se identificaron desafíos estructurales, pedagógicos y relacionales que demandaron intervenciones planificadas. Al final, se elaboró una Guía Práctica para Directores Escolares, con directrices, protocolos y orientaciones operacionales para la toma de decisiones y organización de los procesos inclusivos. Se concluyó que la construcción de una cultura inclusiva dependió de la capacidad de gestión para articular políticas públicas, prácticas pedagógicas y procesos institucionales, consolidando la inclusión como un compromiso permanente en el contexto escolar.

Palabras clave: Accesibilidad educativa; Equidad educativa; Gestión participativa; Planificación estratégica; Procesos institucionales.

17 de noviembre de 2026

Un artefacto de IA basado en Design Thinking para apoyar la elicitación de requisitos de software a partir de las necesidades de los usuarios

El desarrollo de software orientado a las necesidades de los usuarios a menudo enfrenta desafíos en la elicitación de requisitos, derivados de ambigüedades en el lenguaje natural y fallos de comunicación. Ante esto, se propuso y validó un artefacto inteligente que integra Design Thinking e Inteligencia Artificial, con foco en las etapas de Empatía y Definición, para apoyar la recolección, interpretación y estructuración de las necesidades de los usuarios. La investigación, de naturaleza aplicada, cualitativa y exploratoria, condujo una Prueba de Concepto en un ambiente controlado, empleando escenarios hipotéticos. El artefacto operó mediante entrevistas guiadas en lenguaje natural, organizando información en elementos como dolor, contexto e impacto, y generando síntesis de problemas rastreables. Los resultados indicaron que el sistema organizó relatos no estructurados, redujo ambigüedades y preservó el sentido de la información original en la mayoría de los casos. Se observó también la capacidad de reorganización lógica en escenarios complejos, aunque con limitaciones en la separación de múltiples problemas y dependencia de las instrucciones. Se concluyó que el artefacto tiene potencial como apoyo a la elicitación de requisitos, mejorando la claridad y la estructuración de la información, pero requiere supervisión y control contextual.

Palabras clave: Design Thinking; Elicitación de Requisitos; Ingeniería de Requisitos; Inteligencia Artificial; Procesamiento del Lenguaje Natural.

17 de noviembre de 2026

La Extinción de la Sistemática de Retención en la Industria Farmacéutica a la Luz de la Reforma Tributaria

La Reforma Tributaria del consumo, establecida por la Enmienda Constitucional nº 132/2023, introdujo alteraciones estructurales en el sistema tributario brasileño, con la sustitución del Programa de Integración Social (PIS) y de la Contribución para el Financiamento de la Seguridad Social (COFINS) por la Contribución sobre Bienes y Servicios (CBS), en un modelo de Impuesto sobre el Valor Añadido (IVA dual). El objetivo fue analizar los impactos de la extinción de la sistemática monofásica en la industria farmacéutica, a la luz del nuevo diseño normativo y de sus efectos económicos y jurídicos. Se realizó una investigación cualitativa, de naturaleza exploratoria, por medio de estudio de caso y análisis documental de la legislación y la doctrina especializada. Se examinó si el fin de la monofasia implicaría un aumento relevante de la carga tributaria para el sector. Los resultados indicaron que, aunque la superación formal de la sistemática monofásica ha ocurrido, la desgravación material de los medicamentos fue preservada, sobre todo en razón de la aplicación de alícuotas reducidas del 60% y, en determinados casos, de alícuota cero del Impuesto sobre Bienes y Servicios (IBS) y de la CBS. El cambio de modelo puede provocar variaciones puntuales en la recaudación, sin caracterizar un aumento estructural de la carga tributaria, tendiendo a la neutralidad a lo largo del tiempo. Se concluyó, preliminarmente, que la Reforma Tributaria reorganizó la técnica de tributación en la industria farmacéutica, sustituyendo un régimen concentrado por mecanismos más transparentes de desgravación. Este enfoque se mostró compatible con los principios de neutralidad, de no acumulatividad plena y de extrafiscalidad, manteniendo la protección tributaria a los medicamentos esenciales y alineando la política fiscal al derecho fundamental a la salud.

Palabras clave: CBS; COFINS; IBS; IVA Dual; PIS.