Artigo

17 de novembro de 2026

Machine Learning e priorização de funcionalidades em produtos digitais: um estudo de caso em uma fintech

Thainá Campos Schichi; Ingrid De Matos Martins

DOI: 10.22167/2675-6528-202603943

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

Uma análise investigou o potencial da utilização de técnicas de machine learning aplicadas à análise do comportamento dos usuários na priorização de funcionalidades em produtos digitais. O objetivo foi compreender os processos de priorização utilizados na prática, o papel dos dados comportamentais na tomada de decisão e as percepções sobre a aplicação de técnicas de machine learning nesse contexto. Adotou-se uma abordagem qualitativa e exploratória, estruturada como um estudo de caso em produtos desenvolvidos sob o modelo Software as a Service (SaaS). A coleta de dados realizou-se por meio de entrevistas semiestruturadas com profissionais das áreas de produto e de dados. A análise dos dados seguiu a técnica de análise de conteúdo. Os resultados indicaram que, embora os dados comportamentais já fossem utilizados como apoio à decisão, os processos de priorização ainda apresentavam baixa formalização e enfrentavam limitações técnicas e organizacionais. Observou-se, também, o reconhecimento do potencial do machine learning como suporte estratégico à priorização de funcionalidades, embora sua aplicação prática fosse incipiente. Como principal contribuição, o estudo propôs um modelo conceitual que integra dados comportamentais, processos de priorização e o uso de machine learning como suporte à decisão.

Palavras-chave: Análise de dados; Comportamento do usuário; Dados comportamentais; Software as a Service (SaaS); Tomada de decisão.

1. Introdução

Nos últimos anos, os produtos digitais, especialmente aqueles desenvolvidos sob o modelo Software as a Service (SaaS), assumiram um papel central nas operações organizacionais e na experiência dos usuários. Essa forma de entrega consolidou-se por seu potencial de escalabilidade, atualização contínua e integração entre tecnologia e estratégia de negócio (Erviö, 2025; Kotler et al., 2017). Longe de se limitarem a soluções tecnológicas estáticas, os produtos digitais configuram-se como experiências dinâmicas e em constante evolução, moldadas pelas interações dos usuários e pelas decisões das equipes de produto a cada nova entrega (Iuskevich et al., 2021). Em ambientes SaaS, o produto é continuamente aprimorado a partir de dados de uso, feedback e métricas de adoção, tornando-se um sistema vivo que reflete o comportamento real dos clientes (Erviö, 2025).

Diante desse cenário, a gestão de funcionalidades emerge como um desafio não apenas técnico, mas também estratégico. A decisão sobre o que desenvolver, aprimorar ou descontinuar exige critérios consistentes e alinhamento entre o valor gerado para o usuário e os objetivos da organização (DigitalOcean, 2025; Pragmatic Institute, 2024). Embora a literatura e as boas práticas recomendem o uso de métodos estruturados de priorização orientados por dados, como o framework RICE (Reach, Impact, Confidence e Effort), evidências de mercado indicam que as decisões de roadmap ainda são frequentemente influenciadas por intuição, experiência prévia ou pressões organizacionais (Productboard, 2024).

Em contraposição a essas abordagens mais subjetivas, o uso de dados comportamentais dos usuários tem se destacado como uma alternativa capaz de contribuir para tornar o processo de priorização mais objetivo e centrado no usuário. A análise de métricas como frequência de uso, fluxos de navegação, pontos de abandono e padrões de recorrência permite compreender de forma mais precisa como os usuários interagem com o produto, contribuindo para decisões mais informadas e alinhadas ao valor percebido (Pendo, 2024; Pingax, 2024). O comportamento do usuário, por sua vez, deve ser compreendido como um processo dinâmico, influenciado por fatores contextuais, emocionais e funcionais (Lemon; Verhoef, 2016; Venkatesh et al., 2003).

Nesse contexto, as técnicas de Machine Learning (ML) apresentam-se como ferramentas promissoras, ainda que sua aplicação prática varie conforme o nível de maturidade analítica das organizações. Machine Learning refere-se a um conjunto de métodos estatísticos e computacionais que permitem a identificação de padrões em grandes volumes de dados, possibilitando a geração de previsões e classificações sem a necessidade de regras explicitamente programadas (Domingos, 2015; Géron, 2019). No contexto de produtos digitais, essas técnicas são aplicadas em diversas frentes, como segmentação de usuários, predição de churn, detecção de comportamentos atípicos e personalização de experiências, sendo também exploradas como suporte à tomada de decisão em backlog de produto (Chen et al., 2012).

A aplicação de técnicas de machine learning à priorização de funcionalidades sugere a possibilidade de uma abordagem mais orientada por evidências, capaz de considerar não apenas o que os usuários declaram, mas principalmente o que efetivamente fazem ao interagir com o produto (Croll; Yoskovitz, 2013). Equipes de produto de alto desempenho são aquelas capazes de equilibrar valor para o usuário, viabilidade técnica e sustentabilidade do negócio, dimensões que podem ser mais bem compreendidas com o apoio de dados (Cagan, 2018). Apesar dos avanços na utilização de dados e técnicas analíticas em produtos digitais, ainda há uma lacuna na literatura no que se refere à aplicação de técnicas de machine learning especificamente no processo de priorização de funcionalidades, sobretudo considerando o comportamento real dos usuários como insumo decisório. Nesse sentido, observa-se a necessidade de investigações que integrem perspectivas técnicas e gerenciais, aproximando teoria e prática organizacional.

Diante desse cenário, este trabalho tem como objetivo analisar como técnicas de machine learning, aplicadas à análise do comportamento dos usuários, podem apoiar a priorização de funcionalidades em produtos digitais.

2. Material e Métodos

A presente pesquisa adotou uma abordagem de natureza qualitativa e exploratória, com o propósito de analisar como técnicas de machine learning podem apoiar a priorização de funcionalidades em produtos digitais, a partir da análise do comportamento dos usuários. Caracterizou-se como aplicada, buscando gerar conhecimento útil para a prática organizacional. Embora o foco principal tenha sido qualitativo, considerou-se a menção complementar a indicadores quantitativos simples, conforme relatados pelos participantes, sem configurar uma abordagem quantitativa estruturada.

A pesquisa classificou-se como exploratória, visando proporcionar maior familiaridade com o problema investigado e apoiar a formulação de interpretações iniciais sobre um fenômeno ainda pouco estruturado na literatura (Gil, 2019). A estratégia metodológica empregada foi o estudo de caso único, de natureza qualitativa. Essa escolha justificou-se pela necessidade de investigar aprofundadamente um fenômeno contemporâneo em seu contexto real, especialmente quando as fronteiras entre o fenômeno e o contexto não estavam claramente definidas (Yin, 2015).

O estudo concentrou-se na análise das percepções de profissionais das áreas de produto e de dados, atuantes em uma mesma organização. A unidade de análise foi uma empresa brasileira do setor de tecnologia, que desenvolve produtos digitais sob o modelo Software as a Service (SaaS). Essa organização, caracterizada como uma startup em fase de crescimento, atua no desenvolvimento contínuo de produtos digitais, onde a priorização de funcionalidades é um processo central e estratégico.

A amostra da pesquisa foi composta por seis participantes, selecionados por conveniência e acessibilidade. Foram entrevistados três profissionais da área de produto e três da área de dados, todos com experiência em produtos digitais no modelo SaaS. Os critérios de seleção consideraram a atuação direta ou indireta desses profissionais nos processos de priorização de funcionalidades em produtos digitais, buscando capturar diferentes perspectivas sobre o tema.

Como instrumento de coleta de dados, utilizaram-se entrevistas semiestruturadas, conduzidas com base em um roteiro comum, adaptado pontualmente à linguagem de cada área de atuação. As entrevistas tiveram como objetivo compreender os processos de priorização de funcionalidades, o papel dos dados comportamentais nessas decisões e as percepções dos profissionais sobre a utilização de técnicas de machine learning como suporte ao processo decisório. Os roteiros detalhados foram apresentados nos Apêndices A e B do trabalho original.

Previamente à realização das entrevistas, foram adotados cuidados éticos rigorosos. Apresentou-se aos participantes o objetivo da pesquisa, esclarecendo que o trabalho integrava um Trabalho de Conclusão de Curso. Garantiu-se o anonimato e a confidencialidade das informações fornecidas, assegurando que seriam utilizadas exclusivamente para fins acadêmicos. Adicionalmente, solicitou-se o consentimento para a gravação das entrevistas e o uso do conteúdo para análise científica.

A análise dos dados qualitativos coletados foi realizada por meio da técnica de análise de conteúdo, conforme proposta por Bardin (2016). O procedimento buscou identificar categorias temáticas, padrões recorrentes e relações entre as percepções dos entrevistados. A análise apresentou caráter exploratório, visando identificar padrões, convergências e contrastes entre as perspectivas dos profissionais das áreas de produto e de dados, contribuindo para a construção e o refinamento do modelo conceitual proposto pela pesquisa.

A organização dos dados para análise considerou tanto os blocos temáticos do roteiro de entrevistas quanto os temas emergentes identificados nas falas dos participantes. Essa abordagem permitiu uma análise integrada entre as evidências empíricas e o referencial teórico adotado. A definição das categorias de análise foi um passo metodológico crucial para estruturar a compreensão do fenômeno investigado, sem antecipar os achados específicos.

3. Resultados e Discussão

O presente estudo foi conduzido em uma empresa brasileira do setor de tecnologia, que atua no desenvolvimento de soluções digitais sob o modelo Software as a Service (SaaS). A organização oferece um software de gestão que integra funcionalidades operacionais com produtos financeiros, atendendo predominantemente ao mercado B2B, mas impactando também a experiência dos usuários finais (B2C). Fundada há aproximadamente cinco anos, a empresa opera com características de startup em crescimento, com foco em escalabilidade e evolução contínua do produto, empregando cerca de 180 colaboradores em equipes multidisciplinares.

A escolha dessa organização como unidade de análise justificou-se por seu contexto de desenvolvimento contínuo de produtos digitais, onde as decisões de priorização de funcionalidades são recorrentes e estratégicas. As informações institucionais sobre a empresa foram obtidas de fontes públicas, garantindo a contextualização do estudo de caso. A complexidade do ambiente de desenvolvimento, que combina gestão com serviços financeiros, torna a priorização de funcionalidades um desafio central e estratégico para o negócio.

A análise dos dados qualitativos coletados, realizada por meio da técnica de análise de conteúdo conforme Bardin (2016), permitiu a identificação de categorias temáticas, padrões recorrentes e relações entre as percepções dos entrevistados. A partir das entrevistas com profissionais das áreas de produto e de dados, os resultados foram organizados em quatro categorias principais, que refletem os elementos centrais do processo de priorização de funcionalidades em produtos digitais. Essas categorias são: Processos de priorização, Dados comportamentais, Limitações e Machine Learning.

A definição dessas categorias considerou tanto os blocos temáticos do roteiro de entrevistas quanto os temas emergentes nas falas dos participantes, proporcionando uma análise integrada entre as evidências empíricas e o referencial teórico. A categoria “Processos de priorização” abordou as abordagens utilizadas para definir funcionalidades, enquanto “Dados comportamentais” focou na utilização de métricas e comportamento dos usuários. A categoria “Limitações” identificou barreiras técnicas, organizacionais e analíticas, e “Machine Learning” explorou as percepções sobre o uso dessa tecnologia na priorização, permitindo uma discussão aprofundada do fenômeno investigado.

Caracterização das entrevistas realizadas

As entrevistas semiestruturadas foram realizadas com profissionais atuantes nas áreas de produto e dados da empresa, que desenvolve produtos digitais no modelo SaaS. A explicitação do perfil dos participantes, que incluíram gerentes e heads de produto e dados, contribuiu para a transparência metodológica e para a delimitação do alcance dos resultados. Os profissionais da área de produto possuem experiência consolidada na gestão de produtos digitais, com atuação direta em decisões de priorização, definição de “roadmap” e articulação com diferentes áreas organizacionais, frequentemente em ambientes de startups.

Os profissionais da área de dados, por sua vez, atuam predominantemente no suporte analítico às decisões, com foco em engenharia de dados, analytics e estruturação de informações. Sua participação na priorização ocorre de forma indireta, por meio da disponibilização, organização e análise de dados comportamentais dos usuários. Essa diversidade de perfis permitiu capturar tanto a visão estratégica e decisória da área de produto quanto a visão técnica e estrutural da área de dados, possibilitando uma análise abrangente sobre o uso de dados e o potencial de aplicação de técnicas de machine learning no contexto investigado.

As entrevistas foram conduzidas com base em um roteiro semiestruturado comum, com adaptações pontuais de linguagem conforme a área de atuação do participante. Essa abordagem preservou a comparabilidade entre as respostas e permitiu a identificação de padrões e contrastes entre os diferentes perfis analisados, enriquecendo a compreensão sobre os processos de priorização e o papel dos dados e do machine learning nesse cenário.

Processos de priorização: estrutura formal versus abordagem dinâmica

A análise das entrevistas evidenciou que os processos de priorização de funcionalidades, no contexto investigado, não seguem de forma rígida frameworks estruturados amplamente difundidos na literatura, como RICE, Kano ou MoSCoW. Em vez disso, observou-se a predominância de uma abordagem dinâmica, adaptativa e fortemente contextual, na qual diferentes critérios são mobilizados conforme a natureza da demanda e o momento do produto. Essa baixa formalização do processo e a adoção de um modelo híbrido de decisão foram características marcantes.

A base para a decisão de priorização combinava dados, experiência dos profissionais e estratégia, indicando uma maturidade analítica intermediária. O papel dos dados, embora relevante, não era determinante, e o processo se mostrava iterativo e não linear, com revisões constantes e adaptação ao contexto. A gestão de prioridades enfatizava a escolha do que não desenvolver, refletindo uma alocação estratégica de recursos, conforme a literatura sobre gestão de produtos (Pragmatic Institute, 2024).

Na perspectiva dos profissionais da área de dados, a priorização é frequentemente apoiada por análises que buscam estimar impacto e retorno das iniciativas, especialmente a partir de métricas quantitativas e indicadores de desempenho. Um entrevistado destacou a consideração da demanda e do impacto em métricas ou retorno financeiro, alinhando-se à literatura que enfatiza o uso de métricas como suporte à tomada de decisão em produtos digitais (Croll; Yoskovitz, 2013).

Contudo, essas práticas não se consolidam como um modelo estruturado e padronizado de priorização. As análises são conduzidas de forma situacional, variando conforme o contexto e a disponibilidade de dados, o que sugere um nível intermediário de maturidade analítica. Esse cenário é consistente com estudos que indicam que, mesmo em organizações orientadas por dados, decisões de “roadmap” permanecem influenciadas por fatores organizacionais e contextuais (Productboard, 2024).

A dinâmica de priorização também é evidenciada pela fala de um entrevistado da área de produto, que aponta a predominância de decisões baseadas em percepção e urgência, indicando um processo ainda em consolidação, marcado por baixa formalização e forte dependência de julgamento contextual. Observou-se, entretanto, um movimento de evolução, com a incorporação gradual de estimativas quantitativas e análises de impacto, ainda que de forma simplificada, sinalizando uma busca por maior embasamento.

Sob a ótica dos profissionais de produto, a priorização configura-se como um processo dinâmico, marcado por revisões constantes e pela necessidade de lidar com incertezas. Um entrevistado ressaltou que “toda escolha precisa ser bem fundamentada, mas ela sempre será minimamente arriscada”, evidenciando que, mesmo com o apoio de dados, a tomada de decisão envolve julgamentos subjetivos e “trade-offs” estratégicos. Esse aspecto reforça a perspectiva de Cagan (2018), que argumenta sobre o equilíbrio entre valor para o usuário, viabilidade técnica e sustentabilidade do negócio.

Adicionalmente, as evidências indicam que a priorização ocorre em múltiplas camadas, iniciando-se a partir de direcionamentos estratégicos e sendo refinada por análises de impacto e validações com base no comportamento e feedback dos usuários. O processo “começa com uma direção estratégica e depois vai sendo ajustado com base nos dados e no que os usuários mostram”, sugerindo um modelo híbrido de decisão, onde elementos “top-down” (estratégia) e “bottom-up” (dados e comportamento) coexistem.

Outro aspecto relevante identificado refere-se à importância das decisões de não priorização. Conforme destacado, “às vezes é mais importante saber o que não fazer do que o que fazer”, evidenciando que o processo de priorização envolve também a gestão de restrições e a definição de foco. Essa perspectiva está alinhada à literatura de gestão de produtos, que enfatiza a priorização como um mecanismo de alocação estratégica de recursos escassos (Pragmatic Institute, 2024).

De forma geral, os achados indicam que a priorização de funcionalidades, no contexto analisado, não se configura como um processo prescritivo baseado em frameworks, mas como uma prática organizacional dinâmica, iterativa e situada, fortemente influenciada pela interação entre dados, experiência dos profissionais e direcionamento estratégico. Essa abordagem flexível e sensível às demandas do ambiente é consistente com a literatura nacional sobre gestão de produtos digitais (Torres, 2019; Eis, 2020), que enfatiza a priorização como um processo estratégico condicionado pela maturidade organizacional e pelo contexto de negócio.

Papel dos dados comportamentais na priorização

A análise das entrevistas evidenciou que os dados comportamentais dos usuários ocupam um papel central no suporte à priorização de funcionalidades em produtos digitais, sendo amplamente reconhecidos como insumo relevante para a tomada de decisão. No entanto, sua utilização ocorre de maneira heterogênea, variando conforme o nível de maturidade analítica e a área de atuação dos profissionais, o que indica uma maturidade analítica intermediária na organização.

Na perspectiva dos profissionais da área de dados, observou-se uma abordagem mais orientada à mensuração quantitativa do uso do produto, com foco em métricas como frequência de acesso, intensidade de uso e interações com funcionalidades específicas. São analisados “quais funcionalidades são usadas com frequência e o comportamento dentro da aplicação”, evidenciando uma preocupação com a identificação de padrões objetivos de utilização, alinhada à literatura que destaca a importância da análise de dados de uso para compreender o valor percebido pelo usuário (Croll; Yoskovitz, 2013).

De forma complementar, a perspectiva da área de produto evidencia uma ampliação na diversidade e profundidade dos dados comportamentais considerados, incluindo métricas de engajamento, uso por funcionalidades e análise de interações específicas após o lançamento de novas funcionalidades. Um entrevistado relatou que “a gente olha muito o quanto o produto está sendo usado, número de módulos utilizados e também acompanha a utilização de novas funcionalidades para validar hipóteses de impacto”, indicando um uso mais granular dos dados.

Sob a ótica dos profissionais de produto, os dados comportamentais são interpretados de forma contextualizada, sendo utilizados para compreender a jornada do usuário como um todo. Destacam-se análises de funis, segmentações e padrões de comportamento ao longo de diferentes etapas de uso, permitindo acompanhar o comportamento “desde o acesso até a execução de ações específicas dentro do produto”. Essa diferença de abordagem evidencia uma complementaridade entre as áreas, onde dados fornecem profundidade analítica e produto incorpora interpretação contextual e visão estratégica, consistente com a necessidade de combinar dados quantitativos e qualitativos (Lemon; Verhoef, 2016).

Além do uso descritivo dos dados, alguns entrevistados destacam a aplicação desses insumos para antecipação de comportamentos futuros, especialmente em análises relacionadas à retenção de usuários. Um exemplo citado refere-se à identificação de sinais de “churn” a partir de mudanças nos padrões de uso, indicando uma evolução no uso dos dados, que passam de uma função descritiva para uma função preditiva. Adicionalmente, observa-se o uso de segmentações e agrupamentos de usuários com comportamentos semelhantes, permitindo análises mais direcionadas e contextualizadas para identificar necessidades específicas de diferentes perfis de usuários.

Sob a perspectiva da área de dados, a coleta tende a ser altamente abrangente e sistemática, incluindo praticamente todas as interações realizadas pelos usuários na plataforma. Um entrevistado destacou que “a gente pega basicamente tudo que o usuário faz […] todo clique, toda ação dentro da plataforma pode ser medida”, evidenciando um alto nível de instrumentação dos sistemas e forte capacidade de coleta e armazenamento de dados comportamentais para análises detalhadas sobre o uso do produto.

No entanto, apesar dessa ampla disponibilidade de dados, sua utilização ocorre predominantemente para análises descritivas e validação de funcionalidades, não sendo plenamente explorada em aplicações preditivas ou em abordagens analíticas mais avançadas. Esse achado reforça a ideia de que, embora as organizações avancem na adoção de uma cultura orientada por dados, ainda existem limitações relacionadas à operacionalização desse uso no contexto prático, especialmente no contexto brasileiro, onde a maturidade analítica e a integração entre áreas ainda são desafios (Eis, 2020).

De forma geral, os dados comportamentais configuram-se como um insumo estratégico relevante para a priorização de funcionalidades, contribuindo para uma compreensão mais precisa do comportamento do usuário e para a redução de incertezas no processo decisório. No entanto, sua efetividade depende da capacidade das organizações de integrar análise técnica, interpretação contextual e direcionamento estratégico, o que ainda se apresenta como um desafio em contextos reais de desenvolvimento de produtos digitais. A transição para uma cultura orientada por dados exige não apenas investimento em tecnologia, mas também o desenvolvimento de competências analíticas e mudanças na mentalidade organizacional (Davenport; Harris, 2007).

Limitações técnicas, organizacionais e analíticas

Apesar do reconhecimento unânime acerca da relevância dos dados comportamentais no apoio à priorização de funcionalidades, a análise das entrevistas evidenciou a existência de limitações significativas que dificultam sua utilização plena no contexto organizacional. Essas limitações manifestam-se em três dimensões principais: técnica, organizacional e analítica, e são intensificadas no contexto brasileiro devido a desafios estruturais relacionados à maturidade digital das organizações (Eis, 2020; Torres, 2019).

Do ponto de vista técnico, uma das principais barreiras identificadas refere-se à qualidade e à estruturação dos dados disponíveis. Os entrevistados apontaram dificuldades relacionadas à instrumentação adequada das plataformas, especialmente na captura de eventos relevantes para análise. Em alguns casos, funcionalidades importantes não possuem rastreamento consistente, comprometendo a visibilidade sobre o comportamento do usuário, com “eventos importantes não são capturados ou não estão bem implementados”, limitando a capacidade de análise e geração de insights confiáveis.

A integração entre diferentes fontes de dados foi destacada como um desafio recorrente, resultando em sistemas desconectados e uma visão fragmentada. A ausência de padronização entre identificadores, sistemas e estruturas de dados dificulta a consolidação de informações e a construção de uma visão unificada do usuário. Esse cenário reduz a confiabilidade das análises e aumenta o esforço necessário para preparação dos dados, deslocando o foco das equipes de atividades estratégicas para tarefas operacionais.

Essa limitação também se estende à própria estrutura dos dados e à sua evolução ao longo do tempo. Mudanças em sistemas e bases de dados podem impactar diretamente a consistência das análises, uma vez que “alterações em tabelas, colunas ou classificações acabam quebrando análises e dashboards existentes”, exigindo constantes ajustes técnicos. Tal dinâmica é particularmente comum em ambientes de startup, nos quais sistemas e processos estão em constante evolução, ampliando significativamente a complexidade da gestão e governança dos dados.

No âmbito organizacional, observou-se que a utilização de dados ainda enfrenta barreiras relacionadas à cultura e à capacitação das equipes, resultando em baixa cultura de dados e subutilização. Nem todos os profissionais envolvidos no processo de priorização possuem familiaridade com ferramentas analíticas ou com a interpretação de dados, o que limita sua adoção na tomada de decisão. A “dificuldade na utilização de eventos e na interpretação dos dados disponíveis” indica que a presença de dados, por si só, não garante sua efetiva utilização, reforçando a necessidade de desenvolvimento de competências analíticas e mudança de mentalidade organizacional (Davenport; Harris, 2007).

Outro elemento relevante refere-se à dinâmica operacional das organizações, especialmente em ambientes de alta pressão por entrega, como startups e empresas digitais. A necessidade de responder rapidamente a demandas do negócio frequentemente leva à priorização de decisões mais intuitivas e menos embasadas em análises aprofundadas, resultando em menor aprofundamento. Esse contexto reduz o tempo disponível para exploração dos dados e favorece abordagens mais pragmáticas, ainda que menos estruturadas, com a pressão por velocidade impactando a decisão.

Sob a perspectiva analítica, destacou-se que, mesmo quando os dados estão disponíveis e acessíveis, sua interpretação não é trivial, exigindo a capacidade de formular perguntas analíticas adequadas e de contextualizar os dados dentro dos problemas de negócio. A geração de insights relevantes depende dessa capacidade analítica, como observado nas entrevistas, nas quais o valor dos dados está diretamente relacionado à forma como são utilizados, e não apenas à sua existência. Adicionalmente, os entrevistados apontam que a análise de dados comportamentais pode não capturar integralmente aspectos subjetivos do comportamento do usuário, reforçando a necessidade de complementar os dados quantitativos com abordagens qualitativas.

Percepções sobre “machine learning” na priorização

No que se refere à aplicação de técnicas de machine learning na priorização de funcionalidades, os resultados evidenciaram uma percepção heterogênea entre os entrevistados, marcada por três dimensões principais: reconhecimento de potencial, cautela quanto à aplicabilidade prática e presença de barreiras técnicas e organizacionais. Essa abordagem ainda se encontra em estágio inicial, sendo percebida mais como uma possibilidade futura do que como uma prática consolidada.

Na perspectiva dos profissionais da área de dados, observou-se uma postura mais conservadora em relação ao uso de machine learning como suporte direto à priorização. Os entrevistados indicaram dificuldades em visualizar aplicações práticas imediatas, especialmente em função da complexidade envolvida na construção, manutenção e interpretação de modelos. Além disso, destacou-se a percepção de que modelos baseados exclusivamente em dados históricos podem apresentar limitações em contextos dinâmicos, nos quais o comportamento do usuário e as necessidades do negócio estão em constante transformação (Domingos, 2015).

Apesar dessas limitações, alguns entrevistados reconhecem o potencial do machine learning como ferramenta de apoio à tomada de decisão. Um entrevistado destacou que “modelos de machine learning podem ajudar bastante na priorização, principalmente para organizar grandes volumes de dados e identificar padrões”, indicando uma percepção positiva quanto ao seu potencial de aplicabilidade futura. Essa visão reforça a compreensão de que o machine learning pode atuar como um recurso complementar à análise humana, ampliando a capacidade de interpretação de dados complexos e contribuindo para a geração de insights mais robustos (Géron, 2019).

Entre as possíveis aplicações mencionadas ou inferidas a partir das entrevistas, destacam-se o uso de modelos para identificação de padrões de comportamento, segmentação avançada de usuários e apoio à definição de foco estratégico. Essas aplicações indicam uma aproximação com o uso de machine learning já consolidado em áreas como predição de “churn”, recomendação de conteúdo e personalização de experiências, adaptado ao contexto de decisão em produto. No entanto, a efetiva incorporação do machine learning dependerá do avanço simultâneo em três dimensões: qualidade dos dados, capacidade analítica e maturidade organizacional.

Os entrevistados também apontaram riscos e restrições importantes associados ao uso dessas técnicas. Um dos principais pontos refere-se à baixa interpretabilidade dos modelos, frequentemente descritos como “caixas pretas”, o que dificulta a compreensão dos critérios utilizados para geração de recomendações. Essa limitação pode impactar a confiança das equipes nas decisões sugeridas, especialmente em contextos nos quais a transparência e a justificativa das escolhas são fundamentais.

Além disso, destaca-se a forte dependência da qualidade dos dados como fator crítico para o sucesso de modelos de machine learning. Considerando as limitações previamente identificadas na coleta e estruturação de dados, a aplicação dessas técnicas pode ser comprometida, reduzindo sua efetividade prática. Esse aspecto reforça a necessidade de maturidade analítica e infraestrutura adequada como pré-requisitos para a adoção de soluções mais avançadas, conforme apontado por Eis (2020).

Outro ponto relevante refere-se à limitação dessas abordagens em capturar aspectos subjetivos do comportamento humano, como motivações, expectativas e percepções dos usuários. Como a priorização de funcionalidades envolve não apenas o que os usuários fazem, mas também o que valorizam, o uso exclusivo de modelos baseados em dados pode levar a decisões incompletas ou enviesadas. Modelos preditivos tendem a ter limitações em cenários dinâmicos, pois “eles aprendem padrões do passado, mas não necessariamente capturam mudanças ou novas estratégias”, o que pode comprometer sua efetividade em decisões que envolvem inovação e experimentação.

Além das limitações analíticas, a adoção de machine learning também é percebida como um desafio do ponto de vista organizacional, especialmente em função dos custos envolvidos e da necessidade de profissionais especializados. A implementação desses modelos exige investimentos significativos e mão de obra qualificada, o que pode representar uma barreira estrutural relevante em empresas com menor maturidade analítica ou em estágio inicial de desenvolvimento. Essa realidade contribui para que o machine learning seja percebido predominantemente como uma abordagem emergente, ainda não consolidada na prática organizacional.

Com base na análise integrada das categorias discutidas, propõe-se um modelo conceitual que sintetiza as relações entre dados comportamentais, processos de priorização, limitações organizacionais e o papel do machine learning como suporte analítico à decisão. Este modelo ilustra um fluxo onde os dados comportamentais dos usuários alimentam processos de priorização dinâmicos e contextuais, que são influenciados por limitações técnicas, organizacionais e analíticas. O machine learning atua como suporte analítico, contribuindo para uma decisão de priorização que é, em última instância, um modelo híbrido, combinando dados, experiência e estratégia.

Nesse sentido, a evolução dos processos de priorização não depende exclusivamente da adoção de novas tecnologias, mas da construção de um ecossistema organizacional capaz de integrar dados, capacidades analíticas e julgamento humano de forma equilibrada e estratégica. O modelo proposto contribui para a literatura ao integrar dimensões frequentemente analisadas de forma isolada, como dados comportamentais, limitações organizacionais e capacidades analíticas. Ao articular esses elementos em uma perspectiva sistêmica, o modelo amplia a compreensão sobre o processo de priorização de funcionalidades, evidenciando o papel do machine learning como um suporte analítico inserido em um contexto organizacional complexo.

De forma integrada, os resultados deste estudo evidenciam que a priorização de funcionalidades em produtos digitais não pode ser compreendida como um processo exclusivamente técnico ou analítico, mas como uma prática organizacional complexa, situada na interseção entre dados, estratégia e experiência profissional. Essa constatação reforça a necessidade de abordagens híbridas, que combinem análise de dados, julgamento humano e alinhamento estratégico, especialmente no contexto brasileiro, onde desafios estruturais e culturais impactam a consolidação de práticas orientadas por dados. Assim, a efetiva aplicação do machine learning na priorização de funcionalidades configura-se como uma abordagem promissora, porém ainda em estágio inicial de maturidade, cuja efetiva aplicação depende da integração entre qualidade dos dados, capacidade analítica e maturidade organizacional, respondendo ao objetivo de analisar como essas técnicas podem apoiar a priorização de funcionalidades.

4. Conclusão

O presente estudo buscou analisar como técnicas de machine learning, aplicadas à análise do comportamento dos usuários, podem apoiar a priorização de funcionalidades em produtos digitais. Verificou-se que os processos de priorização, no contexto investigado, são dinâmicos e adaptativos, não seguindo rigidamente frameworks estruturados, mas combinando dados, experiência profissional e direcionamento estratégico. Observou-se que os dados comportamentais dos usuários desempenham um papel relevante, sendo utilizados principalmente para análises descritivas e validação de funcionalidades, embora sua exploração preditiva ainda fosse incipiente. Contudo, a utilização plena desses dados é limitada por desafios técnicos, como a qualidade e a integração das informações, e por barreiras organizacionais e analíticas, incluindo a baixa cultura de dados e a dificuldade de interpretação. No que tange ao machine learning, identificou-se um reconhecimento do seu potencial como suporte estratégico para organizar grandes volumes de dados e identificar padrões, mas sua aplicação prática ainda se encontra em estágio inicial, marcada por cautela devido à complexidade, baixa interpretabilidade dos modelos e dependência da qualidade dos dados.

Como principal contribuição, o estudo propôs um modelo conceitual que integra dados comportamentais, processos de priorização e o uso de machine learning como suporte à decisão, ampliando a discussão sobre a aplicação dessas técnicas na prática organizacional. Esse modelo destaca que a priorização de funcionalidades é uma prática complexa, que exige abordagens híbridas e a construção de um ecossistema organizacional capaz de integrar dados, capacidades analíticas e julgamento humano. As limitações da pesquisa incluem a adoção de um estudo de caso único, que restringe a generalização dos resultados, e a natureza qualitativa, que não permite a mensuração quantitativa dos impactos. Para estudos futuros, sugere-se a realização de pesquisas comparativas entre organizações com diferentes níveis de maturidade analítica e a incorporação de abordagens quantitativas para mensurar o impacto do uso de dados e técnicas de machine learning, bem como o aprofundamento em modelos híbridos de decisão que integrem dados, heurísticas e inteligência artificial.

Referências Bibliográficas

BARDIN, Laurence. Análise de conteúdo. São Paulo: Edições 70, 2016.

CAGAN, Marty. Inspired: como criar produtos que os clientes amam. Rio de Janeiro: Alta Books, 2018.

CHEN, Yong; PAVLOU, Paul A.; WENZEL, Jörg. Predicting customer churn in subscription services: an application of support vector machines while comparing descriptive analysis, logistic regression and decision trees. Decision Support Systems, v. 53, n. 3, p. 447–456, 2012.

CROLL, Alistair; YOSKOVITZ, Benjamin. Lean analytics: use data to build a better startup faster. Sebastopol: O’Reilly Media, 2013.

DAVENPORT, Thomas H.; HARRIS, Jeanne G. Competing on analytics: the new science of winning. Boston: Harvard Business School Press, 2007.

DIGITALOCEAN. How to prioritize your product roadmap. 2025. Disponível em: https://www.digitalocean.com/resources/articles/product-roadmap-prioritization. Acesso em: 3 nov. 2025.

DOMINGOS, Pedro. O algoritmo mestre: como a busca por um algoritmo universal de aprendizado de máquina vai mudar nossas vidas. São Paulo: HSM, 2015.

EIS, Diego. Gestão moderna de produtos digitais: o produto digital como um meio de entregar valor para o usuário e para o negócio. São Paulo: Casa do Código, 2020.

ERVIÖ, Mikko. Leveraging customer usage data for productization and strategic decision-making in SaaS product management. 2025. Dissertação (Mestrado) Aalto University, Espoo, 2025.

GIL, Antonio Carlos. Métodos e técnicas de pesquisa social. 7. ed. São Paulo: Atlas, 2019.

GÉRON, Aurélien. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: concepts, tools, and techniques to build intelligent systems. 2. ed. Sebastopol: O’Reilly Media, 2019.

IUSKEVICH, Ivan et al. A data-driven approach to user-experience-focused model-based roadmapping for new product planning. Proceedings of the Design Society, v. 1, p. 1–10, 2021.

KOTLER, Philip; KELLER, Kevin Lane. Administração de marketing. 15. ed. São Paulo: Pearson, 2017.

LEMON, Katherine N.; VERHOEF, Peter C. Understanding customer experience throughout the customer journey. Journal of Marketing, v. 80, n. 6, p. 69–96, 2016.

PENDO. The data-driven product manager’s handbook. Raleigh, NC: Pendo.io, 2024. Disponível em: https://go.pendo.io/rs/185-LQW-370/images/Data_Driven_Product_Manager_Handbook.pdf. Acesso em: 3 nov. 2025.

PINGAX. Building data-driven product roadmaps. 2024. Disponível em: https://pingax.com/skills/data-science-product-manager/product-management/building-data-driven-product-roadmaps. Acesso em: 3 nov. 2025.

PRAGMATIC INSTITUTE. Four methodologies for prioritizing product roadmaps. 2024. Disponível em: https://www.pragmaticinstitute.com/resources/articles/product/four-methodologies-for-prioritizing-product-roadmaps. Acesso em: 3 nov. 2025.

PRODUCTBOARD. Data-driven prioritization use case. 2024. Disponível em: https://www.productboard.com/use-cases/data-driven-prioritization. Acesso em: 3 nov. 2025.

TORRES, Guilherme. Product management para produtos digitais. 2. ed. São Paulo: Casa do Código, 2019.

VENKATESH, Viswanath; MORRIS, Michael G.; DAVIS, Gordon B.; DAVIS, Fred D. User acceptance of information technology: toward a unified view. MIS Quarterly, v. 27, n. 3, p. 425-478, 2003.

YIN, Robert K. Estudo de caso: planejamento e métodos. 5. ed. Porto Alegre: Bookman, 2015.

Artigo oriundo de Trabalho de Conclusão de Curso

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

Você também pode gostar

17 de novembro de 2026

Deteção e Diagnóstico de Doenças em Milho e Arroz em Moçambique com Deep Learning

A agricultura moçambicana depende do milho e arroz, culturas fundamentais para a segurança alimentar, mas sua produtividade é fortemente afetada por doenças fitossanitárias, cuja identificação precoce e precisa permanece um desafio em contextos de recursos limitados. O estudo objetivou desenvolver e comparar modelos baseados em Deep Learning para a detecção e o diagnóstico automático de doenças em folhas de milho e arroz em Moçambique. Utilizaram-se três abordagens: uma Rede Neural Convolucional (CNN) clássica desenvolvida do zero, e dois modelos de transfer learning, ResNet50 e MobileNetV2. O conjunto de dados foi composto por imagens de bases públicas e coletadas em campo, que passaram por etapas de limpeza, balanceamento e aumento artificial. Os modelos foram treinados e avaliados com métricas de desempenho padrão, incluindo acurácia, precisão, recall, F1-score, Log Loss e Kappa de Cohen. A CNN clássica apresentou o melhor desempenho global, com 94% de precisão, recall e F1-score, e 93% de acurácia e Kappa de Cohen. A MobileNetV2 alcançou 91% de F1-score e 90% de acurácia, destacando-se pelo menor Log Loss (0,30) e tempo de treinamento (6h32min59s). A ResNet50 atingiu 80% de F1-score e 79% de acurácia. Concluiu-se que técnicas de Deep Learning possuem elevado potencial para apoiar o diagnóstico fitopatológico em contextos agrícolas reais, contribuindo para decisões mais rápidas e precisas no manejo de doenças em milho e arroz.

Palavras-chave: Aprendizagem profunda; Arroz; Doenças em plantas; Milho; Visão computacional.

17 de novembro de 2026

Estruturação do processo de encerramento de projetos de uma indústria da construção civil

Um estudo abordou o grupo de processo de encerramento de projetos em uma indústria de manufatura da construção civil, utilizando o guia PMBOK como referência principal. O processo existente na indústria apresentava superficialidade e fragilidades, especialmente no registro de lições aprendidas. Diante desse cenário, o objetivo foi desenvolver um procedimento para o encerramento de projetos da organização, visando agregar valor por meio da padronização do processo, registro do conhecimento adquirido, formalização da conclusão e entrega dos projetos, e aprimoramento da comunicação, engajamento, integração e transparência com os stakeholders. A pesquisa classificou-se como descritiva, empregou dados qualitativos e adotou a pesquisa-ação como delineamento. O escopo do estudo estruturou-se conforme os cinco grupos de processos do guia PMBOK e foi representado por uma Estrutura Analítica de Projeto (EAP). Os principais resultados obtidos incluíram o procedimento desenvolvido e diversos templates de documentos, que constituíram os entregáveis do novo processo de encerramento de projetos. Verificou-se que o trabalho alcançou o objetivo esperado, pois o procedimento desenvolvido viabilizou a padronização do encerramento de projetos, o aprimoramento da integração e engajamento com os stakeholders, e a promoção de segurança e transparência no processo.

Palavras-chave: Gestão do conhecimento; Lições aprendidas; PMBOK; Templates; Termo de aceite de projeto.

17 de novembro de 2026

Inteligência artificial nas rotinas operacionais contábeis e na eficiência financeira

A incorporação de Inteligência Artificial (IA) e de ferramentas de automação reconfigurou as rotinas de escritórios contábeis brasileiros, impactando produtividade, mitigação de erros e eficiência financeira. Analisou-se esses impactos em um escritório contábil de pequeno porte, especializado no atendimento a prestadores de serviços da área médica em São Caetano do Sul, São Paulo. A pesquisa adotou abordagem qualitativa, com delineamento de estudo de caso único e unidades de análise incorporadas. Os dados foram coletados por questionário estruturado, aplicado via Google Forms entre janeiro e fevereiro de 2026, a cinco profissionais da estrutura operacional do escritório em levantamento censitário. O tratamento seguiu análise de conteúdo com categorias a priori e emergentes. Todos os respondentes declararam uso de ferramentas automatizadas ou com recursos de IA. A percepção de redução do tempo de execução, de diminuição de erros operacionais, de retrabalho e de melhor aproveitamento do tempo da equipe convergiu em 80% das respostas afirmativas e 20% parciais. As atividades mais beneficiadas foram conciliação bancária, importação de documentos fiscais e apuração tributária, com ganhos visíveis sobre erros de digitação, lançamentos duplicados e classificação incorreta. A intervenção humana permaneceu indispensável em planejamento tributário, análise de cenários e conferência de obrigações acessórias. A avaliação geral da contribuição da IA foi predominantemente favorável, com moderação vinculada à complexidade normativa fiscal.

Palavras-chave: Análise de conteúdo; Automação de processos; Contabilidade 4.0; Pequeno porte; Transformação digital.

17 de novembro de 2026

Fatores que influenciam a gestão de prazos em projetos de “retrofit” de estações de esgoto

Projetos de “retrofit” em Estações de Tratamento de Esgoto (ETE) caracterizam-se por elevada complexidade, restrições operacionais e múltiplas interfaces técnicas. O estudo analisou a percepção dos profissionais envolvidos sobre a gestão e o cumprimento dos prazos em projetos de “retrofit” de estações de tratamento de esgoto, considerando fatores técnicos, operacionais e organizacionais. A pesquisa caracterizou-se como um estudo aplicado, com abordagem quali-quantitativa, delineado como levantamento de campo do tipo “survey”. A análise dos dados realizou-se por estatística descritiva e categorização qualitativa, utilizando as ferramentas SWOT, matriz de risco (Probabilidade x Impacto) e plano de ação 5W2H. Os resultados indicaram alta percepção de clareza (77,8%) e realismo dos prazos (100% de concordância), evidenciando um planejamento inicial consistente. Contudo, 77,7% dos respondentes apontaram que retrabalhos e alterações de escopo impactaram diretamente o cumprimento dos prazos. A integração entre engenharia, fabricação e Planejamento e Controle da Produção (PCP) apresentou avaliação intermediária (77,7% de concordância parcial/total), indicando fragilidade na coordenação interfuncional. A matriz de risco destacou como críticos: mudanças de escopo, limitações operacionais da ETE e complexidade técnica, todos com nível alto. Como melhoria central, propôs-se a padronização do controle de mudanças de escopo, análise e aprovação, visando reduzir retrabalhos e aumentar a previsibilidade do cronograma.

Palavras-chave: Desempenho; Integração; Planejamento; Retrabalho; Risco.

17 de novembro de 2026

Captação B2C em medicina diagnóstica: parcerias estratégicas com consultórios médicos especializados

O setor de medicina diagnóstica no Brasil opera com elevada dependência das operadoras de planos de saúde, o que limita a autonomia financeira dos prestadores. Este estudo propôs e analisou um modelo de captação direta de pacientes (B2C) para uma instituição de medicina diagnóstica de alta complexidade, estruturado a partir de parcerias com consultórios de Oncologia e Cardiologia e operacionalizado por um serviço de atendimento personalizado denominado concierge. A investigação adotou abordagem mista em três fases: levantamento de campo com questionário estruturado aplicado a 87 pacientes, mapeamento do fluxo operacional por “Service Blueprint” e análise da taxa de conversão a partir de 312 indicações médicas registradas no projeto-piloto. Os resultados indicaram que a confiança na indicação médica obteve 92,0% de concordância, configurando-se como principal fator de adesão. A conveniência de realizar o exame no mesmo dia alcançou 78,2%, e a disposição para pagamento direto atingiu 55,2%, com polarização associada à predominância de usuários de plano de saúde. O “Service Blueprint” identificou três pontos críticos nas transições entre etapas da jornada. A taxa de conversão global foi de 51,0%, com desempenho superior na Oncologia (58,2%) em relação à Cardiologia (45,0%), e a maior perda concentrou-se na etapa de aceite e agendamento (28,3%). Concluiu-se que o modelo demonstrou possível viabilidade operacional e indícios de aceitação pelos pacientes, condicionado à transparência de preços e à redução do intervalo entre consulta e abordagem pelo concierge.

Palavras-chave: Desembolso direto; Jornada do paciente; Saúde suplementar; Serviço concierge; Taxa de conversão.

17 de novembro de 2026

O papel do gestor escolar na promoção de uma cultura inclusiva: liderança e políticas educacionais

A pesquisa analisou a atuação do gestor escolar na promoção de uma cultura inclusiva, considerando a necessidade de transformar diretrizes legais e fundamentos pedagógicos em práticas institucionais efetivas. Partiu-se do pressuposto de que a inclusão escolar exige planejamento, organização e liderança estratégica no cotidiano da escola. Adotou-se uma abordagem qualitativa de natureza aplicada, desenvolvida em três etapas complementares: análise documental das legislações brasileiras sobre educação inclusiva, revisão bibliográfica sobre liderança e gestão escolar, e sistematização dos dados por meio de ferramentas gerenciais como a matriz SWOT e o ciclo PDCA. Os resultados indicaram que a atuação da gestão escolar exerceu influência direta na consolidação de ambientes inclusivos, especialmente na organização de processos, formação continuada da equipe e fortalecimento de uma cultura institucional colaborativa e respeitosa à diversidade. Identificaram-se também desafios estruturais, pedagógicos e relacionais que demandaram intervenções planejadas. Ao final, elaborou-se um Guia Prático para Gestores Escolares, com diretrizes, protocolos e orientações operacionais para a tomada de decisão e organização dos processos inclusivos. Concluiu-se que a construção de uma cultura inclusiva dependeu da capacidade gestora de articular políticas públicas, práticas pedagógicas e processos institucionais, consolidando a inclusão como compromisso permanente no contexto escolar.

Palavras-chave: Acessibilidade educacional; Equidade educacional; Gestão participativa; Planejamento estratégico; Processos institucionais.

17 de novembro de 2026

Um artefato de IA baseado em Design Thinking para apoiar a elicitação de requisitos de software a partir das necessidades dos usuários

O desenvolvimento de software orientado às necessidades dos usuários frequentemente enfrenta desafios na elicitação de requisitos, decorrentes de ambiguidades na linguagem natural e falhas de comunicação. Diante disso, propôs-se e validou-se um artefato inteligente que integra Design Thinking e Inteligência Artificial, com foco nas etapas de Empatia e Definição, para apoiar a coleta, interpretação e estruturação das necessidades dos usuários. A pesquisa, de natureza aplicada, qualitativa e exploratória, conduziu uma Prova de Conceito em ambiente controlado, empregando cenários hipotéticos. O artefato operou por meio de entrevistas guiadas em linguagem natural, organizando informações em elementos como dor, contexto e impacto, e gerando sínteses de problemas rastreáveis. Os resultados indicaram que o sistema organizou relatos não estruturados, reduziu ambiguidades e preservou o sentido das informações originais na maioria dos casos. Observou-se também a capacidade de reorganização lógica em cenários complexos, embora com limitações na separação de múltiplos problemas e dependência das instruções. Concluiu-se que o artefato possui potencial como apoio à elicitação de requisitos, melhorando a clareza e a estruturação das informações, mas requer supervisão e controle contextual.

Palavras-chave: Design Thinking; Elicitação de Requisitos; Engenharia de Requisitos; Inteligência Artificial; Processamento de Linguagem Natural.

17 de novembro de 2026

A Extinção da Sistemática Monofásica na Indústria Farmacêutica à Luz da Reforma Tributária

A Reforma Tributária do consumo, estabelecida pela Emenda Constitucional nº 132/2023, introduziu alterações estruturais no sistema tributário brasileiro, com a substituição do Programa de Integração Social (PIS) e da Contribuição para o Financiamento da Seguridade Social (COFINS) pela Contribuição sobre Bens e Serviços (CBS), em um modelo de Imposto sobre Valor Agregado (IVA dual). O objetivo foi analisar os impactos da extinção da sistemática monofásica na indústria farmacêutica, à luz do novo desenho normativo e de seus efeitos econômicos e jurídicos. Realizou-se pesquisa qualitativa, de natureza exploratória, por meio de estudo de caso e análise documental da legislação e da doutrina especializada. Examinou-se se o fim da monofasia implicaria aumento relevante da carga tributária para o setor. Os resultados indicaram que, embora a superação formal da sistemática monofásica tenha ocorrido, a desoneração material dos medicamentos foi preservada, sobretudo em razão da aplicação de alíquotas reduzidas de 60% e, em determinados casos, de alíquota zero do Imposto Sobre Bens e Serviços (IBS) e da CBS. A mudança de modelo pode provocar variações pontuais na arrecadação, sem caracterizar aumento estrutural da carga tributária, tendendo à neutralidade ao longo do tempo. Concluiu-se, preliminarmente, que a Reforma Tributária reorganizou a técnica de tributação na indústria farmacêutica, substituindo um regime concentrado por mecanismos mais transparentes de desoneração. Essa abordagem mostrou-se compatível com os princípios da neutralidade, da não cumulatividade plena e da extrafiscalidade, mantendo a proteção tributária aos medicamentos essenciais e alinhando a política fiscal ao direito fundamental à saúde.

Palavras-chave: CBS; COFINS; IBS; IVA Dual; PIS.

17 de novembro de 2026

Diagnóstico Estratégico e Competitividade: proposta de ações para uma corretora de seguros no sul de minas

O crescimento contínuo do mercado securitário brasileiro e a necessidade de diferenciação estratégica para pequenas organizações justificaram a realização do presente estudo. O estudo teve como objetivo realizar um diagnóstico das ações operacionais de uma corretora de seguros familiar no Sul de Minas Gerais para identificar oportunidades estratégicas de incremento em sua competitividade. A metodologia baseou-se em um estudo de caso de natureza qualitativa e descritiva. Utilizou-se uma pesquisa estruturada com 60 clientes e entrevistas com quatro colaboradores, cujos dados foram analisados via análise de conteúdo de Bardin (2016). Para a fundamentação do diagnóstico organizacional, empregou-se a matriz SWOT como ferramenta analítica de suporte. Os resultados indicaram um elevado índice de fidelidade e satisfação dos segurados, alicerçado na confiança e no atendimento humanizado, contrastando com gargalos operacionais internos e uma vulnerabilidade estratégica decorrente da alta dependência do segmento automotivo. A principal contribuição residiu na proposição de uma estratégia de diversificação, fundamentada na Matriz de Ansoff e executada pelo 5W2H. Esta estratégia focou na criação de um novo serviço de assessoria técnica para outras corretoras, capitalizando o saber intelectual da equipe. O estudo confirmou que a transição para uma gestão proativa e a diversificação do modelo de negócio representaram os caminhos fundamentais para a sustentabilidade organizacional e o fortalecimento da vantagem competitiva frente aos novos desafios do mercado digital.

Palavras-chave: 5W2H; Diversificação de serviços; Gestão estratégica; Matriz de Ansoff; Mercado de seguros.

Inscreva-se em nossa newsletter!

Receba conteúdos e fique sempre atualizado sobre as novidades em gestão, liderança e carreira com a Revista E&S.

Ao preencher o formulário você está ciente de que podemos enviar comunicações e conteúdos da Revista E&S. Confira nossa Política de Privacidade