Artículo

17 de noviembre de 2026

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

Thainá Campos Schichi; Ingrid De Matos Martins

DOI: 10.22167/2675-6528-202603943

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

Resumen

Un análisis investigó el potencial de la utilización 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.

1. Introducción

En los últimos años, los productos digitales, especialmente aquellos desarrollados bajo el modelo Software as a Service (SaaS), han asumido un papel central en las operaciones organizacionales y en la experiencia de los usuarios. Esta forma de entrega se ha consolidado por su potencial de escalabilidad, actualización continua e integración entre tecnología y estrategia de negocio (Erviö, 2025; Kotler et al., 2017). Lejos de limitarse a soluciones tecnológicas estáticas, los productos digitales se configuran como experiencias dinámicas y en constante evolución, moldeadas por las interacciones de los usuarios y por las decisiones de los equipos de producto en cada nueva entrega (Iuskevich et al., 2021). En entornos SaaS, el producto se mejora continuamente a partir de datos de uso, feedback y métricas de adopción, convirtiéndose en un sistema vivo que refleja el comportamiento real de los clientes (Erviö, 2025).

Ante este escenario, la gestión de funcionalidades emerge como un desafío no solo técnico, sino también estratégico. La decisión sobre qué desarrollar, mejorar o descontinuar exige criterios consistentes y alineación entre el valor generado para el usuario y los objetivos de la organización (DigitalOcean, 2025; Pragmatic Institute, 2024). Aunque la literatura y las buenas prácticas recomiendan el uso de métodos estructurados de priorización orientados por datos, como el framework RICE (Reach, Impact, Confidence y Effort), evidencias de mercado indican que las decisiones de roadmap aún son frecuentemente influenciadas por intuición, experiencia previa o presiones organizacionales (Productboard, 2024).

En contraposición a estos enfoques más subjetivos, el uso de datos conductuales de los usuarios se ha destacado como una alternativa capaz de contribuir a hacer el proceso de priorización más objetivo y centrado en el usuario. El análisis de métricas como frecuencia de uso, flujos de navegación, puntos de abandono y patrones de recurrencia permite comprender de forma más precisa cómo los usuarios interactúan con el producto, contribuyendo a decisiones más informadas y alineadas al valor percibido (Pendo, 2024; Pingax, 2024). El comportamiento del usuario, a su vez, debe ser comprendido como un proceso dinámico, influenciado por factores contextuales, emocionales y funcionales (Lemon; Verhoef, 2016; Venkatesh et al., 2003).

En este contexto, las técnicas de Machine Learning (ML) se presentan como herramientas prometedoras, aunque su aplicación práctica varíe según el nivel de madurez analítica de las organizaciones. Machine Learning se refiere a un conjunto de métodos estadísticos y computacionales que permiten la identificación de patrones en grandes volúmenes de datos, posibilitando la generación de predicciones y clasificaciones sin la necesidad de reglas explícitamente programadas (Domingos, 2015; Géron, 2019). En el contexto de productos digitales, estas técnicas se aplican en diversos frentes, como segmentación de usuarios, predicción de churn, detección de comportamientos atípicos y personalización de experiencias, siendo también exploradas como soporte a la toma de decisiones en el backlog de producto (Chen et al., 2012).

La aplicación de técnicas de machine learning a la priorización de funcionalidades sugiere la posibilidad de un enfoque más orientado a la evidencia, capaz de considerar no solo lo que los usuarios declaran, sino principalmente lo que efectivamente hacen al interactuar con el producto (Croll; Yoskovitz, 2013). Los equipos de producto de alto rendimiento son aquellos capaces de equilibrar el valor para el usuario, la viabilidad técnica y la sostenibilidad del negocio, dimensiones que pueden ser mejor comprendidas con el apoyo de datos (Cagan, 2018). A pesar de los avances en la utilización de datos y técnicas analíticas en productos digitales, todavía existe una brecha en la literatura en lo que se refiere a la aplicación de técnicas de machine learning específicamente en el proceso de priorización de funcionalidades, sobre todo considerando el comportamiento real de los usuarios como insumo decisorio. En este sentido, se observa la necesidad de investigaciones que integren perspectivas técnicas y gerenciales, aproximando teoría y práctica organizacional.

Ante este escenario, este trabajo tiene como objetivo analizar cómo técnicas de machine learning, aplicadas al análisis del comportamiento de los usuarios, pueden apoyar la priorización de funcionalidades en productos digitales.

2. Material y Métodos

La presente investigación adoptó un enfoque de naturaleza cualitativa y exploratoria, con el propósito de analizar cómo las técnicas de machine learning pueden apoyar la priorización de funcionalidades en productos digitales, a partir del análisis del comportamiento de los usuarios. Se caracterizó como aplicada, buscando generar conocimiento útil para la práctica organizacional. Aunque el enfoque principal ha sido cualitativo, se consideró la mención complementaria a indicadores cuantitativos simples, conforme relatados por los participantes, sin configurar un enfoque cuantitativo estructurado.

La investigación se clasificó como exploratoria, con el objetivo de proporcionar una mayor familiaridad con el problema investigado y apoyar la formulación de interpretaciones iniciales sobre un fenómeno aún poco estructurado en la literatura (Gil, 2019). La estrategia metodológica empleada fue el estudio de caso único, de naturaleza cualitativa. Esta elección se justificó por la necesidad de investigar en profundidad un fenómeno contemporáneo en su contexto real, especialmente cuando las fronteras entre el fenómeno y el contexto no estaban claramente definidas (Yin, 2015).

El estudio se centró en el análisis de las percepciones de profesionales de las áreas de producto y datos, que trabajan en la misma organización. La unidad de análisis fue una empresa brasileña del sector tecnológico, que desarrolla productos digitales bajo el modelo Software as a Service (SaaS). Esta organización, caracterizada como una startup en fase de crecimiento, opera en el desarrollo continuo de productos digitales, donde la priorización de funcionalidades es un proceso central y estratégico.

La muestra de la investigación estuvo compuesta por seis participantes, seleccionados por conveniencia y accesibilidad. Fueron entrevistados tres profesionales del área de producto y tres del área de datos, todos con experiencia en productos digitales en el modelo SaaS. Los criterios de selección consideraron la actuación directa o indirecta de estos profesionales en los procesos de priorización de funcionalidades en productos digitales, buscando capturar diferentes perspectivas sobre el tema.

Como instrumento de coleta de datos, se utilizaron entrevistas semiestructuradas, conducidas con base en un guion común, adaptado puntualmente al lenguaje de cada área de actuación. Las entrevistas tuvieron como objetivo comprender los procesos de priorización de funcionalidades, el papel de los datos comportamentales en estas decisiones y las percepciones de los profesionales sobre la utilización de técnicas de machine learning como soporte al proceso decisorio. Los guiones detallados fueron presentados en los Apéndices A y B del trabajo original.

Antes de realizar las entrevistas, se adoptaron rigurosos cuidados éticos. Se presentó a los participantes el objetivo de la investigación, aclarando que el trabajo integraba un Trabajo de Conclusión de Curso. Se garantizó el anonimato y la confidencialidad de la información proporcionada, asegurando que sería utilizada exclusivamente para fines académicos. Adicionalmente, se solicitó el consentimiento para la grabación de las entrevistas y el uso del contenido para análisis científico.

El análisis de los datos cualitativos recopilados se realizó mediante la técnica de análisis de contenido, según lo propuesto por Bardin (2016). El procedimiento buscó identificar categorías temáticas, patrones recurrentes y relaciones entre las percepciones de los entrevistados. El análisis tuvo un carácter exploratorio, con el objetivo de identificar patrones, convergencias y contrastes entre las perspectivas de los profesionales de las áreas de producto y de datos, contribuyendo a la construcción y al refinamiento del modelo conceptual propuesto por la investigación.

La organización de los datos para el análisis consideró tanto los bloques temáticos de la guía de entrevistas como los temas emergentes identificados en las declaraciones de los participantes. Este enfoque permitió un análisis integrado entre la evidencia empírica y el marco teórico adoptado. La definición de las categorías de análisis fue un paso metodológico crucial para estructurar la comprensión del fenómeno investigado, sin anticipar los hallazgos específicos.

3. Resultados y Discusión

El presente estudio se llevó a cabo en una empresa brasileña del sector tecnológico, que se dedica al desarrollo de soluciones digitales bajo el modelo Software as a Service (SaaS). La organización ofrece un software de gestión que integra funcionalidades operativas con productos financieros, atendiendo predominantemente al mercado B2B, pero impactando también la experiencia de los usuarios finales (B2C). Fundada hace aproximadamente cinco años, la empresa opera con características de startup en crecimiento, con enfoque en escalabilidad y evolución continua del producto, empleando a unos 180 colaboradores en equipos multidisciplinares.

La elección de esta organización como unidad de análisis se justificó por su contexto de desarrollo continuo de productos digitales, donde las decisiones de priorización de funcionalidades son recurrentes y estratégicas. La información institucional sobre la empresa se obtuvo de fuentes públicas, garantizando la contextualización del estudio de caso. La complejidad del entorno de desarrollo, que combina gestión con servicios financieros, convierte la priorización de funcionalidades en un desafío central y estratégico para el negocio.

El análisis de los datos cualitativos recopilados, realizado mediante la técnica de análisis de contenido según Bardin (2016), permitió la identificación de categorías temáticas, patrones recurrentes y relaciones entre las percepciones de los entrevistados. A partir de las entrevistas con profesionales de las áreas de producto y de datos, los resultados se organizaron en cuatro categorías principales, que reflejan los elementos centrales del proceso de priorización de funcionalidades en productos digitales. Estas categorías son: Procesos de priorización, Datos comportamentales, Limitaciones y Machine Learning.

La definición de estas categorías consideró tanto los bloques temáticos de la guía de entrevistas como los temas emergentes en las intervenciones de los participantes, proporcionando un análisis integrado entre la evidencia empírica y el marco teórico. La categoría “Procesos de priorización” abordó los enfoques utilizados para definir funcionalidades, mientras que “Datos conductuales” se centró en la utilización de métricas y el comportamiento de los usuarios. La categoría “Limitaciones” identificó barreras técnicas, organizacionales y analíticas, y “Machine Learning” exploró las percepciones sobre el uso de esta tecnología en la priorización, permitiendo una discusión en profundidad del fenómeno investigado.

Caracterización de las entrevistas realizadas

Las entrevistas semiestructuradas se realizaron con profesionales que trabajan en las áreas de producto y datos de la empresa, la cual desarrolla productos digitales en el modelo SaaS. La explicitación del perfil de los participantes, que incluyeron gerentes y heads de producto y datos, contribuyó a la transparencia metodológica y a la delimitación del alcance de los resultados. Los profesionales del área de producto poseen experiencia consolidada en la gestión de productos digitales, con actuación directa en decisiones de priorización, definición de “roadmap” y articulación con diferentes áreas organizacionales, frecuentemente en entornos de startups.

Los profesionales del área de datos, por su parte, actúan predominantemente en el soporte analítico a las decisiones, con foco en ingeniería de datos, analytics y estructuración de información. Su participación en la priorización ocurre de forma indirecta, por medio de la disponibilización, organización y análisis de datos comportamentales de los usuarios. Esta diversidad de perfiles permitió capturar tanto la visión estratégica y decisoria del área de producto como la visión técnica y estructural del área de datos, posibilitando un análisis abarcador sobre el uso de datos y el potencial de aplicación de técnicas de machine learning en el contexto investigado.

Las entrevistas se realizaron con base en un guion semiestructurado común, con adaptaciones puntuales de lenguaje según el área de actuación del participante. Este enfoque preservó la comparabilidad entre las respuestas y permitió la identificación de patrones y contrastes entre los diferentes perfiles analizados, enriqueciendo la comprensión sobre los procesos de priorización y el papel de los datos y del machine learning en este escenario.

Procesos de priorización: estructura formal versus enfoque dinámico

El análisis de las entrevistas evidenció que los procesos de priorización de funcionalidades, en el contexto investigado, no siguen de forma rígida frameworks estructurados ampliamente difundidos en la literatura, como RICE, Kano o MoSCoW. En su lugar, se observó la predominancia de un enfoque dinámico, adaptativo y fuertemente contextual, en el cual diferentes criterios son movilizados conforme la naturaleza de la demanda y el momento del producto. Esta baja formalización del proceso y la adopción de un modelo híbrido de decisión fueron características marcantes.

La base para la decisión de priorización combinaba datos, experiencia de los profesionales y estrategia, indicando una madurez analítica intermedia. El papel de los datos, aunque relevante, no era determinante, y el proceso se mostraba iterativo y no lineal, con revisiones constantes y adaptación al contexto. La gestión de prioridades enfatizaba la elección de lo que no desarrollar, reflejando una asignación estratégica de recursos, conforme a la literatura sobre gestión de productos (Pragmatic Institute, 2024).

Desde la perspectiva de los profesionales del área de datos, la priorización a menudo se apoya en análisis que buscan estimar el impacto y el retorno de las iniciativas, especialmente a partir de métricas cuantitativas e indicadores de desempeño. Un entrevistado destacó la consideración de la demanda y del impacto en métricas o retorno financiero, alineándose con la literatura que enfatiza el uso de métricas como soporte para la toma de decisiones en productos digitales (Croll; Yoskovitz, 2013).

Sin embargo, estas prácticas no se consolidan como un modelo estructurado y estandarizado de priorización. Los análisis se realizan de forma situacional, variando según el contexto y la disponibilidad de datos, lo que sugiere un nivel intermedio de madurez analítica. Este escenario es consistente con estudios que indican que, incluso en organizaciones orientadas por datos, las decisiones de “roadmap” siguen influenciadas por factores organizacionales y contextuales (Productboard, 2024).

La dinámica de priorización también se evidencia en las palabras de un entrevistado del área de producto, quien señala la predominancia de decisiones basadas en percepción y urgencia, indicando un proceso aún en consolidación, marcado por baja formalización y fuerte dependencia del juicio contextual. Se observó, sin embargo, un movimiento de evolución, con la incorporación gradual de estimaciones cuantitativas y análisis de impacto, aunque de forma simplificada, señalando una búsqueda de mayor fundamentación.

Desde la perspectiva de los profesionales de producto, la priorización se configura como un proceso dinámico, marcado por revisiones constantes y la necesidad de lidiar con incertidumbres. Un entrevistado resaltó que “toda elección necesita estar bien fundamentada, pero siempre será mínimamente arriesgada”, evidenciando que, incluso con el apoyo de datos, la toma de decisiones involucra juicios subjetivos y “trade-offs” estratégicos. Este aspecto refuerza la perspectiva de Cagan (2018), quien argumenta sobre el equilibrio entre valor para el usuario, viabilidad técnica y sostenibilidad del negocio.

Adicionalmente, las evidencias indican que la priorización ocurre en múltiples capas, iniciándose a partir de direccionamientos estratégicos y siendo refinada por análisis de impacto y validaciones con base en el comportamiento y feedback de los usuarios. El proceso “comienza con una dirección estratégica y luego se va ajustando con base en los datos y en lo que los usuarios muestran”, sugiriendo un modelo híbrido de decisión, donde elementos “top-down” (estrategia) y “bottom-up” (datos y comportamiento) coexisten.

Otro aspecto relevante identificado se refiere a la importancia de las decisiones de no priorización. Como se destacó, “a veces es más importante saber qué no hacer que qué hacer”, lo que evidencia que el proceso de priorización también implica la gestión de restricciones y la definición de foco. Esta perspectiva está alineada con la literatura de gestión de productos, que enfatiza la priorización como un mecanismo de asignación estratégica de recursos escasos (Pragmatic Institute, 2024).

En términos generales, los hallazgos indican que la priorización de funcionalidades, en el contexto analizado, no se configura como un proceso prescriptivo basado en frameworks, sino como una práctica organizacional dinámica, iterativa y situada, fuertemente influenciada por la interacción entre datos, experiencia de los profesionales y dirección estratégica. Este enfoque flexible y sensible a las demandas del entorno es consistente con la literatura nacional sobre gestión de productos digitales (Torres, 2019; Eis, 2020), que enfatiza la priorización como un proceso estratégico condicionado por la madurez organizacional y el contexto de negocio.

Papel de los datos conductuales en la priorización

El análisis de las entrevistas evidenció que los datos conductuales de los usuarios ocupan un papel central en el soporte a la priorización de funcionalidades en productos digitales, siendo ampliamente reconocidos como insumo relevante para la toma de decisiones. Sin embargo, su utilización ocurre de manera heterogénea, variando conforme el nivel de madurez analítica y el área de actuación de los profesionales, lo que indica una madurez analítica intermedia en la organización.

Desde la perspectiva de los profesionales del área de datos, se observó un enfoque más orientado a la medición cuantitativa del uso del producto, con énfasis en métricas como la frecuencia de acceso, la intensidad de uso y las interacciones con funcionalidades específicas. Se analizan “qué funcionalidades se usan con frecuencia y el comportamiento dentro de la aplicación”, evidenciando una preocupación por la identificación de patrones objetivos de utilización, alineada con la literatura que destaca la importancia del análisis de datos de uso para comprender el valor percibido por el usuario (Croll; Yoskovitz, 2013).

De forma complementaria, la perspectiva del área de producto evidencia una ampliación en la diversidad y profundidad de los datos conductuales considerados, incluyendo métricas de engagement, uso por funcionalidades y análisis de interacciones específicas tras el lanzamiento de nuevas funcionalidades. Un entrevistado relató que “miramos mucho cuánto se está usando el producto, número de módulos utilizados y también acompañamos la utilización de nuevas funcionalidades para validar hipótesis de impacto”, indicando un uso más granular de los datos.

Desde la perspectiva de los profesionales de producto, los datos conductuales se interpretan de forma contextualizada, utilizándose para comprender el viaje del usuario en su totalidad. Se destacan análisis de embudos, segmentaciones y patrones de comportamiento a lo largo de diferentes etapas de uso, lo que permite seguir el comportamiento “desde el acceso hasta la ejecución de acciones específicas dentro del producto”. Esta diferencia de enfoque evidencia una complementariedad entre las áreas, donde los datos proporcionan profundidad analítica y producto incorpora interpretación contextual y visión estratégica, consistente con la necesidad de combinar datos cuantitativos y cualitativos (Lemon; Verhoef, 2016).

Además del uso descriptivo de los datos, algunos entrevistados destacan la aplicación de estos insumos para la anticipación de comportamientos futuros, especialmente en análisis relacionados con la retención de usuarios. Un ejemplo citado se refiere a la identificación de señales de “churn” a partir de cambios en los patrones de uso, indicando una evolución en el uso de los datos, que pasan de una función descriptiva a una función predictiva. Adicionalmente, se observa el uso de segmentaciones y agrupaciones de usuarios con comportamientos similares, permitiendo análisis más dirigidos y contextualizados para identificar necesidades específicas de diferentes perfiles de usuarios.

Desde la perspectiva del área de datos, la recopilación tiende a ser altamente exhaustiva y sistemática, incluyendo prácticamente todas las interacciones realizadas por los usuarios en la plataforma. Un entrevistado destacó que “básicamente recogemos todo lo que hace el usuario […] cada clic, cada acción dentro de la plataforma puede ser medida”, evidenciando un alto nivel de instrumentación de los sistemas y una fuerte capacidad de recopilación y almacenamiento de datos comportamentales para análisis detallados sobre el uso del producto.

Sin embargo, a pesar de esta amplia disponibilidad de datos, su utilización se produce predominantemente para análisis descriptivos y validación de funcionalidades, no siendo plenamente explorada en aplicaciones predictivas o en enfoques analíticos más avanzados. Este hallazgo refuerza la idea de que, aunque las organizaciones avanzan en la adopción de una cultura orientada por datos, todavía existen limitaciones relacionadas con la operacionalización de este uso en el contexto práctico, especialmente en el contexto brasileño, donde la madurez analítica y la integración entre áreas aún son desafíos (Eis, 2020).

En general, los datos conductuales se configuran como un insumo estratégico relevante para la priorización de funcionalidades, contribuyendo a una comprensión más precisa del comportamiento del usuario y a la reducción de incertidumbres en el proceso de toma de decisiones. Sin embargo, su efectividad depende de la capacidad de las organizaciones para integrar análisis técnico, interpretación contextual y direccionamiento estratégico, lo que aún se presenta como un desafío en contextos reales de desarrollo de productos digitales. La transición hacia una cultura orientada por datos exige no solo inversión en tecnología, sino también el desarrollo de competencias analíticas y cambios en la mentalidad organizacional (Davenport; Harris, 2007).

Limitaciones técnicas, organizacionales y analíticas

A pesar del reconocimiento unánime sobre la relevancia de los datos conductuales para apoyar la priorización de funcionalidades, el análisis de las entrevistas evidenció la existencia de limitaciones significativas que dificultan su plena utilización en el contexto organizacional. Estas limitaciones se manifiestan en tres dimensiones principales: técnica, organizacional y analítica, y se ven intensificadas en el contexto brasileño debido a desafíos estructurales relacionados con la madurez digital de las organizaciones (Eis, 2020; Torres, 2019).

Desde el punto de vista técnico, una de las principales barreras identificadas se refiere a la calidad y estructuración de los datos disponibles. Los entrevistados señalaron dificultades relacionadas con la instrumentación adecuada de las plataformas, especialmente en la captura de eventos relevantes para el análisis. En algunos casos, funcionalidades importantes no tienen un seguimiento consistente, lo que compromete la visibilidad del comportamiento del usuario, con “eventos importantes no capturados o mal implementados”, limitando la capacidad de análisis y generación de insights confiables.

La integración entre diferentes fuentes de datos se destacó como un desafío recurrente, resultando en sistemas desconectados y una visión fragmentada. La ausencia de estandarización entre identificadores, sistemas y estructuras de datos dificulta la consolidación de información y la construcción de una visión unificada del usuario. Este escenario reduce la confiabilidad de los análisis y aumenta el esfuerzo necesario para la preparación de los datos, desplazando el foco de los equipos de actividades estratégicas a tareas operacionales.

Esta limitación también se extiende a la propia estructura de los datos y a su evolución a lo largo del tiempo. Los cambios en sistemas y bases de datos pueden impactar directamente la consistencia de los análisis, ya que “las modificaciones en tablas, columnas o clasificaciones terminan rompiendo análisis y dashboards existentes”, exigiendo constantes ajustes técnicos. Tal dinámica es particularmente común en entornos de startup, en los cuales los sistemas y procesos están en constante evolución, ampliando significativamente la complejidad de la gestión y gobernanza de los datos.

En el ámbito organizacional, se observó que la utilización de datos aún enfrenta barreras relacionadas con la cultura y la capacitación de los equipos, lo que resulta en una baja cultura de datos y una subutilización. No todos los profesionales involucrados en el proceso de priorización tienen familiaridad con herramientas analíticas o con la interpretación de datos, lo que limita su adopción en la toma de decisiones. La “dificultad en la utilización de eventos y en la interpretación de los datos disponibles” indica que la presencia de datos, por sí sola, no garantiza su uso efectivo, reforzando la necesidad de desarrollar competencias analíticas y un cambio de mentalidad organizacional (Davenport; Harris, 2007).

Otro elemento relevante se refiere a la dinámica operativa de las organizaciones, especialmente en entornos de alta presión por la entrega, como startups y empresas digitales. La necesidad de responder rápidamente a las demandas del negocio a menudo lleva a priorizar decisiones más intuitivas y menos fundamentadas en análisis profundos, lo que resulta en una menor profundización. Este contexto reduce el tiempo disponible para la exploración de datos y favorece enfoques más pragmáticos, aunque menos estructurados, con la presión por la velocidad impactando la decisión.

Desde la perspectiva analítica, se destacó que, incluso cuando los datos están disponibles y accesibles, su interpretación no es trivial, exigiendo la capacidad de formular preguntas analíticas adecuadas y de contextualizar los datos dentro de los problemas de negocio. La generación de insights relevantes depende de esta capacidad analítica, como se observó en las entrevistas, en las cuales el valor de los datos está directamente relacionado con la forma en que se utilizan, y no solo con su existencia. Adicionalmente, los entrevistados señalan que el análisis de datos conductuales puede no capturar integralmente aspectos subjetivos del comportamiento del usuario, reforzando la necesidad de complementar los datos cuantitativos con enfoques cualitativos.

Percepciones sobre “machine learning” en la priorización

En cuanto a la aplicación de técnicas de machine learning en la priorización de funcionalidades, los resultados evidenciaron una percepción heterogénea entre los entrevistados, marcada por tres dimensiones principales: reconocimiento de potencial, cautela respecto a la aplicabilidad práctica y presencia de barreras técnicas y organizacionales. Este enfoque aún se encuentra en una etapa inicial, siendo percibido más como una posibilidad futura que como una práctica consolidada.

Desde la perspectiva de los profesionales del área de datos, se observó una postura más conservadora en relación con el uso de machine learning como soporte directo a la priorización. Los entrevistados indicaron dificultades para visualizar aplicaciones prácticas inmediatas, especialmente en función de la complejidad involucrada en la construcción, mantenimiento e interpretación de modelos. Además, se destacó la percepción de que los modelos basados exclusivamente en datos históricos pueden presentar limitaciones en contextos dinámicos, en los cuales el comportamiento del usuario y las necesidades del negocio están en constante transformación (Domingos, 2015).

A pesar de estas limitaciones, algunos entrevistados reconocen el potencial del machine learning como herramienta de apoyo a la toma de decisiones. Un entrevistado destacó que “los modelos de machine learning pueden ayudar mucho en la priorización, principalmente para organizar grandes volúmenes de datos e identificar patrones”, indicando una percepción positiva sobre su potencial de aplicabilidad futura. Esta visión refuerza la comprensión de que el machine learning puede actuar como un recurso complementario al análisis humano, ampliando la capacidad de interpretación de datos complejos y contribuyendo a la generación de insights más robustos (Géron, 2019).

Entre las posibles aplicaciones mencionadas o inferidas a partir de las entrevistas, se destacan el uso de modelos para identificación de patrones de comportamiento, segmentación avanzada de usuarios y apoyo a la definición de foco estratégico. Estas aplicaciones indican una aproximación con el uso de machine learning ya consolidado en áreas como predicción de “churn”, recomendación de contenido y personalización de experiencias, adaptado al contexto de decisión en producto. Sin embargo, la efectiva incorporación del machine learning dependerá del avance simultáneo en tres dimensiones: calidad de los datos, capacidad analítica y madurez organizacional.

Los encuestados también señalaron riesgos y restricciones importantes asociados con el uso de estas técnicas. Uno de los puntos principales se refiere a la baja interpretabilidad de los modelos, frecuentemente descritos como “cajas negras”, lo que dificulta la comprensión de los criterios utilizados para la generación de recomendaciones. Esta limitación puede impactar la confianza de los equipos en las decisiones sugeridas, especialmente en contextos en los que la transparencia y la justificación de las elecciones son fundamentales.

Además, se destaca la fuerte dependencia de la calidad de los datos como factor crítico para el éxito de los modelos de machine learning. Considerando las limitaciones previamente identificadas en la recolección y estructuración de datos, la aplicación de estas técnicas puede verse comprometida, reduciendo su efectividad práctica. Este aspecto refuerza la necesidad de madurez analítica e infraestructura adecuada como prerrequisitos para la adopción de soluciones más avanzadas, según lo señalado por Eis (2020).

Otro punto relevante se refiere a la limitación de estos enfoques en capturar aspectos subjetivos del comportamiento humano, como las motivaciones, expectativas y percepciones de los usuarios. Dado que la priorización de funcionalidades involucra no solo lo que los usuarios hacen, sino también lo que valoran, el uso exclusivo de modelos basados en datos puede llevar a decisiones incompletas o sesgadas. Los modelos predictivos tienden a tener limitaciones en escenarios dinámicos, ya que “aprenden patrones del pasado, pero no necesariamente capturan cambios o nuevas estrategias”, lo que puede comprometer su efectividad en decisiones que involucran innovación y experimentación.

Además de las limitaciones analíticas, la adopción del machine learning también se percibe como un desafío desde el punto de vista organizacional, especialmente debido a los costos involucrados y la necesidad de profesionales especializados. La implementación de estos modelos exige inversiones significativas y mano de obra cualificada, lo que puede representar una barrera estructural relevante en empresas con menor madurez analítica o en etapa inicial de desarrollo. Esta realidad contribuye a que el machine learning sea percibido predominantemente como un enfoque emergente, aún no consolidado en la práctica organizacional.

Basado en el análisis integrado de las categorías discutidas, se propone un modelo conceptual que sintetiza las relaciones entre datos conductuales, procesos de priorización, limitaciones organizacionales y el papel del machine learning como soporte analítico a la decisión. Este modelo ilustra un flujo donde los datos conductuales de los usuarios alimentan procesos de priorización dinámicos y contextuales, que son influenciados por limitaciones técnicas, organizacionales y analíticas. El machine learning actúa como soporte analítico, contribuyendo a una decisión de priorización que es, en última instancia, un modelo híbrido, combinando datos, experiencia y estrategia.

En este sentido, la evolución de los procesos de priorización no depende exclusivamente de la adopción de nuevas tecnologías, sino de la construcción de un ecosistema organizacional capaz de integrar datos, capacidades analíticas y juicio humano de forma equilibrada y estratégica. El modelo propuesto contribuye a la literatura al integrar dimensiones frecuentemente analizadas de forma aislada, como datos conductuales, limitaciones organizacionales y capacidades analíticas. Al articular estos elementos en una perspectiva sistémica, el modelo amplía la comprensión sobre el proceso de priorización de funcionalidades, evidenciando el papel del machine learning como un soporte analítico inserto en un contexto organizacional complejo.

De forma integrada, los resultados de este estudio evidencian que la priorización de funcionalidades en productos digitales no puede ser comprendida como un proceso exclusivamente técnico o analítico, sino como una práctica organizacional compleja, situada en la intersección entre datos, estrategia y experiencia profesional. Esta constatación refuerza la necesidad de enfoques híbridos, que combinen análisis de datos, juicio humano y alineación estratégica, especialmente en el contexto brasileño, donde desafíos estructurales y culturales impactan la consolidación de prácticas orientadas por datos. Así, la efectiva aplicación del machine learning en la priorización de funcionalidades se configura como un enfoque prometedor, pero aún en etapa inicial de madurez, cuya efectiva aplicación depende de la integración entre calidad de los datos, capacidad analítica y madurez organizacional, respondiendo al objetivo de analizar cómo estas técnicas pueden apoyar la priorización de funcionalidades.

4. Conclusión

El presente estudio buscó analizar cómo técnicas de machine learning, aplicadas al análisis del comportamiento de los usuarios, pueden apoyar la priorización de funcionalidades en productos digitales. Se verificó que los procesos de priorización, en el contexto investigado, son dinámicos y adaptativos, no siguiendo rígidamente frameworks estructurados, sino combinando datos, experiencia profesional y direccionamiento estratégico. Se observó que los datos comportamentales de los usuarios desempeñan un papel relevante, siendo utilizados principalmente para análisis descriptivos y validación de funcionalidades, aunque su exploración predictiva aún fuera incipiente. Sin embargo, la utilización plena de estos datos está limitada por desafíos técnicos, como la calidad y la integración de la información, y por barreras organizacionales y analíticas, incluyendo la baja cultura de datos y la dificultad de interpretación. En cuanto al machine learning, se identificó un reconocimiento de su potencial como soporte estratégico para organizar grandes volúmenes de datos e identificar patrones, pero su aplicación práctica aún se encuentra en etapa inicial, marcada por cautela debido a la complejidad, baja interpretabilidad de los modelos y dependencia de la calidad de los datos.

Como contribución principal, el estudio propuso un modelo conceptual que integra datos conductuales, procesos de priorización y el uso de machine learning como soporte a la decisión, ampliando la discusión sobre la aplicación de estas técnicas en la práctica organizacional. Este modelo destaca que la priorización de funcionalidades es una práctica compleja, que exige enfoques híbridos y la construcción de un ecosistema organizacional capaz de integrar datos, capacidades analíticas y juicio humano. Las limitaciones de la investigación incluyen la adopción de un único estudio de caso, que restringe la generalización de los resultados, y la naturaleza cualitativa, que no permite la medición cuantitativa de los impactos. Para estudios futuros, se sugiere la realización de investigaciones comparativas entre organizaciones con diferentes niveles de madurez analítica y la incorporación de enfoques cuantitativos para medir el impacto del uso de datos y técnicas de machine learning, así como la profundización en modelos híbridos de decisión que integren datos, heurísticas e inteligencia artificial.

Referencias 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.

Artículo originario del Trabajo de Conclusión de Curso

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

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.

17 de noviembre de 2026

Diagnóstico Estratégico y Competitividad: propuesta de acciones para una correduría de seguros en el sur de Minas Gerais

El crecimiento continuo del mercado de seguros brasileño y la necesidad de diferenciación estratégica para pequeñas organizaciones justificaron la realización del presente estudio. El estudio tuvo como objetivo realizar un diagnóstico de las acciones operativas de una correduría de seguros familiar en el Sur de Minas Gerais para identificar oportunidades estratégicas de incremento en su competitividad. La metodología se basó en un estudio de caso de naturaleza cualitativa y descriptiva. Se utilizó una encuesta estructurada con 60 clientes y entrevistas con cuatro colaboradores, cuyos datos fueron analizados vía análisis de contenido de Bardin (2016). Para la fundamentación del diagnóstico organizacional, se empleó la matriz SWOT como herramienta analítica de soporte. Los resultados indicaron un elevado índice de fidelidad y satisfacción de los asegurados, cimentado en la confianza y en la atención humanizada, contrastando con cuellos de botella operativos internos y una vulnerabilidad estratégica derivada de la alta dependencia del segmento automotriz. La principal contribución residió en la proposición de una estrategia de diversificación, fundamentada en la Matriz de Ansoff y ejecutada por el 5W2H. Esta estrategia se enfocó en la creación de un nuevo servicio de asesoría técnica para otras corredurías, capitalizando el saber intelectual del equipo. El estudio confirmó que la transición hacia una gestión proactiva y la diversificación del modelo de negocio representaron los caminos fundamentales para la sostenibilidad organizacional y el fortalecimiento de la ventaja competitiva frente a los nuevos desafíos del mercado digital.

Palabras clave: 5W2H; Diversificación de servicios; Gestión estratégica; Matriz de Ansoff; Mercado de seguros.