Modelagem da probabilidade de default em risco de crédito: comparação entre regressão logística e XGBoost

doi:10.22167/2675-6528-202602713

Artigo

30 de setembro de 2026

Modelagem da probabilidade de default em risco de crédito: comparação entre regressão logística e XGBoost

Modelagem da Probabilidade de Default em Risco de Crédito: Comparação entre Regressão Logística e Xgboost

Berenice Antunes de Oliveira Barbosa; Beatriz Rezzieri Marchezini

DOI: 10.22167/2675-6528-202602713

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

Modelou-se a probabilidade de default em risco de crédito, comparando o desempenho de um modelo estatístico tradicional e uma técnica de machine learning na estimativa da Probabilidade de Default (PD), parâmetro crucial no gerenciamento de risco de crédito e cálculo da Perda Esperada. O estudo objetivou comparar a regressão logística, um método estatístico consolidado, e o XGBoost (Extreme Gradient Boosting), um algoritmo de aprendizado de máquina reconhecido pela capacidade preditiva e por capturar relações não lineares. Para a análise, utilizou-se a base de dados pública “Give Me Some Credit”, da plataforma Kaggle, que continha informações financeiras e demográficas de clientes, incluindo idade, renda, endividamento e histórico de atrasos em pagamentos. Os modelos foram estimados e avaliados com base em métricas de desempenho preditivo, como Área sob a Curva ROC (AUC), coeficiente de Gini e estatística de Kolmogorov-Smirnov (KS). Os resultados indicaram que o modelo XGBoost apresentou desempenho superior à regressão logística, evidenciando maior capacidade discriminatória na ordenação dos clientes quanto ao risco de inadimplência. Concluiu-se que, embora modelos de machine learning possam proporcionar ganhos preditivos relevantes, a escolha do modelo mais adequado deve considerar não apenas as métricas de desempenho, mas também aspectos como interpretabilidade, transparência e aplicabilidade prática, contribuindo para uma mensuração mais precisa do risco de crédito.

Palavras-chave: Aprendizado de Máquina; Gestão de Risco; Inadimplência; Métricas de Desempenho; Modelos de Classificação.

1. Introdução

A área de risco de crédito desempenha um papel essencial nas instituições financeiras, estando diretamente ligada à saúde financeira e à sustentabilidade das operações de crédito. O risco de crédito é considerado o principal tipo de risco enfrentado por bancos, influenciando diretamente sua rentabilidade e solvência (Van Gestel e Baesens, 2009). Um modelo de risco bem estruturado auxilia na mensuração e no monitoramento da inadimplência, contribuindo para a redução de perdas, a alocação eficiente de capital e a tomada de decisões mais seguras ao longo do ciclo de crédito. Pequenas melhorias na previsão de inadimplência podem gerar ganhos significativos de eficiência e rentabilidade, o que justifica o crescente interesse em aprimorar as técnicas de modelagem utilizadas.

No contexto da gestão do risco de crédito, a Probabilidade de Default (PD) destaca-se como um dos principais parâmetros utilizados na mensuração da Perda Esperada. A PD expressa a probabilidade de um cliente se tornar inadimplente em um determinado horizonte de tempo e constitui um insumo fundamental para as instituições financeiras na definição de provisões e na alocação de capital. Dessa forma, a estimação precisa da PD assume um papel central nas práticas modernas de gestão do risco, sendo amplamente utilizada tanto em modelos regulatórios quanto em modelos internos.

Nos últimos anos, observa-se uma transição importante dos modelos estatísticos tradicionais para abordagens baseadas em aprendizado de máquina. O aprendizado de máquina, ou machine learning, pode ser entendido como um conjunto de técnicas que permitem aos computadores aprender padrões e fazer previsões a partir de dados, sem depender de regras fixas pré-programadas (Mitchell, 1997). Essas técnicas se destacam por sua capacidade de lidar com grandes volumes de dados e identificar relações complexas que frequentemente passam despercebidas nos modelos convencionais.

Diversos estudos reforçam o potencial dessas abordagens no risco de crédito. Lessmann et al. (2015) e Moro, Cortez e Rita (2019) mostram que os algoritmos de aprendizado de máquina conseguem capturar padrões mais sutis de comportamento de crédito, o que tende a aumentar a assertividade das previsões. Além disso, Zhang, Xie e Chen (2022) destacam que modelos como o XGBoost costumam apresentar desempenho superior na diferenciação entre bons e maus pagadores, evidenciando o avanço que essas técnicas representam para o setor financeiro.

Diante desse cenário de evolução tecnológica e busca por maior precisão na mensuração do risco, este trabalho tem como foco a estimativa da probabilidade de inadimplência, um dos principais parâmetros utilizados na avaliação de risco de crédito e insumo fundamental para o cálculo da Perda Esperada. Para conduzir a análise, são considerados dois modelos representativos: a regressão logística, um método estatístico tradicional amplamente utilizado em risco de crédito por estimar a probabilidade de inadimplência a partir da relação linear entre variáveis explicativas (Thomas, 2009; Hand e Henley, 1997), e o XGBoost (Extreme Gradient Boosting), uma técnica moderna de aprendizado de máquina que combina múltiplas árvores de decisão para capturar interações não lineares e padrões complexos, reconhecida por seu alto desempenho em tarefas de classificação e previsão de inadimplência (Li, Zhou e Zhu, 2021; Zhang, Xie e Chen, 2022).

A base de dados utilizada para a análise corresponde ao conjunto público Give Me Some Credit, disponibilizado na plataforma Kaggle, que contém informações financeiras e demográficas de clientes, como idade, renda, nível de endividamento e histórico de atrasos em pagamentos. A partir desses dados, os modelos são estimados e avaliados com base em métricas de desempenho preditivo, permitindo a comparação entre as abordagens e a verificação de possíveis ganhos de desempenho com o uso de técnicas de aprendizado de máquina em relação ao modelo tradicional, contribuindo para uma mensuração mais precisa do risco de crédito. Este trabalho tem como objetivo comparar o desempenho de um modelo estatístico tradicional e uma técnica de machine learning na estimativa da Probabilidade de Default (PD), um dos principais parâmetros utilizados no gerenciamento do risco de crédito e no cálculo da Perda Esperada.

2. Material e Métodos

A presente pesquisa caracterizou-se como aplicada, com abordagem predominantemente quantitativa e caráter descritivo-comparativo. O estudo foi delineado para avaliar, por meio de métodos estatísticos e algoritmos de aprendizado de máquina, o desempenho de diferentes modelos na estimação da probabilidade de inadimplência no contexto de risco de crédito, alinhando-se ao objetivo de comparar um modelo estatístico tradicional e uma técnica de machine learning na estimativa da Probabilidade de Default (PD).

Os dados utilizados neste trabalho foram obtidos do conjunto público “Give Me Some Credit”, disponibilizado na plataforma Kaggle (Kaggle, 2011). A base de dados reuniu informações financeiras e demográficas de clientes, totalizando 150.000 observações. Este conjunto de dados incluiu variáveis como idade, renda mensal, nível de endividamento, número de dependentes e histórico de atrasos em pagamentos.

A variável dependente, denominada “Default”, indicava a ocorrência de inadimplência grave nos últimos 24 meses. As demais variáveis, como “Utilização crédito”, “Idade”, “Renda mensal”, “Linhas de crédito”, “Atraso 90+ dias”, “Financiamentos imóveis”, “Atraso 30-59 dias”, “Atraso 60-89 dias” e “Dependentes”, foram empregadas como preditoras nos modelos de regressão logística e machine learning.

O conjunto de dados foi utilizado exclusivamente para fins acadêmicos, sem identificação de indivíduos ou instituições financeiras. Esta abordagem garantiu a conformidade com os princípios éticos e de privacidade recomendados pela USP/ESALQ, assegurando que a pesquisa respeitasse a confidencialidade e o anonimato dos dados dos clientes.

Inicialmente, realizou-se uma análise exploratória dos dados, que abrangeu estatísticas descritivas e a verificação da presença de valores ausentes ou inconsistentes. Em seguida, os dados passaram por etapas de pré-processamento, que incluíram o tratamento de valores ausentes e outliers, bem como a preparação das variáveis para a aplicação dos modelos.

No tratamento de valores ausentes, observou-se que apenas as variáveis “renda mensal” e “dependentes” apresentavam lacunas. Para “renda mensal”, os valores ausentes foram substituídos pela mediana, enquanto para “dependentes”, foram preenchidos com zero. Adicionalmente, avaliou-se a presença de valores extremos, e a variável “renda mensal” apresentou outliers significativos.

Para a modelagem com regressão logística, aplicou-se uma transformação logarítmica na variável “renda mensal” com o intuito de reduzir o impacto dos outliers. Contudo, para o modelo XGBoost, os valores originais da variável foram mantidos, considerando a robustez intrínseca do algoritmo a valores extremos.

A base de dados foi organizada e segmentada em conjuntos de treino e teste. Os dados de treino foram utilizados para a estimação dos parâmetros dos modelos, e os dados de teste, para a avaliação do desempenho. Essa divisão permitiu analisar a capacidade de generalização dos modelos em dados não utilizados durante o ajuste, garantindo a comparabilidade entre as abordagens.

Na etapa de modelagem, estimaram-se dois modelos para a probabilidade de inadimplência. O primeiro foi a Regressão Logística, um modelo estatístico tradicional que estima a probabilidade de ocorrência de inadimplência a partir de uma combinação linear das variáveis explicativas, relacionada à probabilidade do evento por meio da função logística (Thomas, 2009; Hand e Henley, 1997).

O segundo modelo empregado foi o XGBoost (Extreme Gradient Boosting), um algoritmo de aprendizado de máquina baseado em gradient boosting. Este algoritmo combina sequencialmente múltiplas árvores de decisão, capturando relações não lineares e interações complexas entre as variáveis explicativas (Chen e Guestrin, 2016; Li, Zhou e Zhu, 2021; Zhang, Xie e Chen, 2022).

Para a comparação do desempenho dos modelos, utilizaram-se como principais métricas a Área sob a Curva ROC (AUC), o coeficiente de Gini e a estatística de Kolmogorov-Smirnov (KS). A escolha dessas métricas visou avaliar a capacidade discriminatória dos modelos na ordenação dos clientes segundo o risco de inadimplência, sendo relevantes em aplicações de modelagem de risco de crédito.

As análises foram desenvolvidas em linguagem Python, utilizando o ambiente Google Colab. Para a manipulação dos dados, modelagem e visualização dos resultados, empregaram-se as bibliotecas pandas, scikit-learn, xgboost e matplotlib. As técnicas de modelagem e análise aplicadas foram estudadas ao longo do curso de MBA em Data Science e Analytics da ESALQ/USP.

3. Resultados e Discussão

A análise dos dados iniciou-se com uma etapa exploratória, cujo objetivo foi compreender o comportamento das variáveis empregadas na modelagem da Probabilidade de Default (PD). Durante esta fase, foram examinadas as distribuições das variáveis, a ocorrência de valores extremos e o grau de desbalanceamento da variável resposta. Esses insights foram cruciais para orientar as etapas subsequentes de tratamento dos dados e a construção dos modelos preditivos, garantindo que as características intrínsecas do conjunto de dados fossem adequadamente consideradas no processo de modelagem.

A distribuição da variável resposta, que indica a ocorrência de inadimplência grave nos últimos 24 meses, revelou um acentuado desbalanceamento na base de dados. Aproximadamente 6,7% dos registros foram classificados como inadimplentes, enquanto a vasta maioria, cerca de 93,3%, correspondia a clientes não inadimplentes. Este padrão é comum em aplicações reais de risco de crédito e sublinha a importância de selecionar métricas de avaliação de desempenho que sejam robustas a essa característica, evitando vieses na interpretação dos resultados dos modelos.

As estatísticas descritivas das variáveis utilizadas na modelagem da probabilidade de default foram calculadas para uma base de 150.000 observações, confirmando a taxa média de inadimplência de aproximadamente 7%. Notou-se que a variável renda mensal exibia uma elevada dispersão e a presença de valores extremos, indicando uma forte assimetria em sua distribuição. Similarmente, as variáveis relacionadas a atrasos em pagamentos, como atraso_30_59, atraso_60_89 e atraso_90, apresentavam mediana igual a zero, sugerindo uma concentração de clientes sem histórico recente de inadimplência. Essas assimetrias e concentrações nas variáveis explicativas foram consideradas relevantes para as etapas de pré-processamento e modelagem.

A matriz de correlação entre as variáveis do conjunto de dados permitiu avaliar a intensidade e a direção das associações lineares. Observou-se uma correlação positiva elevada entre as variáveis que indicam atraso no pagamento (atraso_30_59, atraso_60_89 e atraso_90). Este achado é esperado, pois todas essas variáveis estão intrinsecamente ligadas ao processo de deterioração do comportamento de pagamento, diferenciando-se apenas pelas faixas de dias de atraso. As demais variáveis do conjunto apresentaram, em geral, correlações de baixa magnitude entre si, indicando menor interdependência linear.

A presença de uma correlação elevada entre as variáveis explicativas, especialmente as relacionadas a atrasos, levantou a possibilidade de multicolinearidade. Embora a multicolinearidade possa afetar a estabilidade e a interpretabilidade dos coeficientes estimados na regressão logística, optou-se por manter essas variáveis na modelagem. A decisão foi fundamentada na relevância teórica dessas características para a explicação do risco de inadimplência e na necessidade de comparabilidade preditiva entre os modelos, mesmo que isso implicasse em coeficientes com sinais ou magnitudes inesperadas em um dos modelos.

Na fase de preparação e tratamento das variáveis, a base de dados passou por etapas cruciais para garantir a qualidade e a adequação para a modelagem. Isso incluiu a padronização dos nomes das variáveis, a verificação e o tratamento de valores ausentes, e a análise de consistência. Especificamente, a variável renda mensal e o número de dependentes foram os únicos a apresentar valores ausentes, sendo tratados pela substituição pela mediana para renda mensal e preenchimento com zero para dependentes, respectivamente.

Adicionalmente, a presença de valores extremos foi avaliada, e a variável renda mensal foi identificada como tendo outliers significativos. Para o modelo de regressão logística, aplicou-se uma transformação logarítmica na renda mensal, visando mitigar o impacto desses valores extremos. Em contraste, para o modelo XGBoost, os valores originais da renda mensal foram mantidos, aproveitando a robustez intrínseca do algoritmo a outliers. Essa abordagem diferenciada garantiu a comparabilidade entre os resultados, adaptando o tratamento dos dados às características de cada técnica de modelagem.

Modelagem da Probabilidade de Default

Regressão Logística

A regressão logística foi o primeiro modelo estimado para a probabilidade de inadimplência. Este modelo estatístico é amplamente empregado em risco de crédito, sendo adequado para variáveis resposta binárias, como a ocorrência de default (1 para inadimplente, 0 para não inadimplente). Diferentemente da regressão linear, a regressão logística utiliza uma função logística para relacionar as variáveis explicativas à probabilidade do evento, assegurando que as probabilidades estimadas permaneçam no intervalo entre zero e um, o que é fundamental para a interpretação de probabilidades.

Os resultados da regressão logística indicaram que as variáveis associadas ao histórico de atraso apresentaram uma associação positiva com a probabilidade de default. Em contrapartida, a idade e a renda mensal, após a transformação logarítmica, exibiram uma associação negativa com a probabilidade de inadimplência. Esses achados estão em consonância com a literatura de risco de crédito, que frequentemente aponta o histórico de pagamentos como um forte preditor de inadimplência e a idade e renda como fatores de mitigação de risco.

Ao analisar os coeficientes e as razões de chance, verificou-se que as variáveis relacionadas ao histórico de inadimplência exerceram os maiores impactos sobre a probabilidade de default. Destacaram-se os atrasos superiores a 90 dias e os atrasos entre 30 e 59 dias, com razões de chance de 1.626 e 1.6347, respectivamente. Isso significa que, para cada unidade de aumento nessas variáveis, as chances de default aumentam significativamente. No entanto, a variável referente a atrasos entre 60 e 89 dias apresentou um coeficiente negativo (-0.9456) e uma razão de chance de 0.3884, o que contraria a expectativa teórica. Esse comportamento pode ser atribuído à elevada correlação dessa variável com outras faixas de atraso, influenciando a estimação dos coeficientes quando consideradas em conjunto no modelo.

A matriz de confusão do modelo de regressão logística revelou um bom desempenho na identificação de clientes não inadimplentes, mas uma baixa sensibilidade na identificação de inadimplentes. Esse resultado é uma consequência direta do desbalanceamento da variável resposta e da utilização de um ponto de corte padrão de 50%, que tende a favorecer a classe majoritária. Tal observação reforça a inadequação de um limiar fixo e a necessidade de métricas de avaliação que considerem a ordenação dos clientes por risco, como a estatística KS, ou critérios de negócio específicos para a definição de pontos de corte.

As métricas de desempenho preditivo para a regressão logística foram: Área sob a Curva ROC (AUC) de aproximadamente 0,702, coeficiente de Gini de cerca de 0,404 e estatística de Kolmogorov-Smirnov (KS) de 0,330. Esses valores indicam uma capacidade discriminatória moderada na ordenação dos clientes quanto ao risco de inadimplência. Apesar de não ser um desempenho excepcional, esses resultados são compatíveis com aplicações práticas de risco de crédito e confirmam a adequação do modelo para a estimação da PD, servindo como uma base sólida para a comparação com algoritmos mais complexos.

XGBoost

O XGBoost (Extreme Gradient Boosting) foi o segundo modelo implementado, representando uma técnica de aprendizado de máquina baseada em gradient boosting. Este algoritmo constrói múltiplas árvores de decisão sequencialmente, onde cada nova árvore busca corrigir os erros residuais das árvores anteriores. Essa arquitetura permite ao XGBoost capturar relações não lineares e interações complexas entre as variáveis explicativas, além de incorporar mecanismos de regularização que ajudam a controlar o overfitting, conforme destacado por Chen e Guestrin (2016).

A matriz de confusão para o modelo XGBoost demonstrou uma melhora na identificação de clientes inadimplentes em comparação com a regressão logística. Observou-se um aumento no número de verdadeiros positivos, indicando maior sensibilidade do modelo para a classe de inadimplência. Contudo, essa melhora veio acompanhada de um aumento nos falsos positivos. Este trade-off entre sensibilidade e especificidade é comum em modelos de classificação e reflete a capacidade do XGBoost de identificar mais casos positivos, mesmo que isso signifique classificar erroneamente alguns casos negativos.

As métricas de desempenho do modelo XGBoost foram significativamente superiores às da regressão logística. A Área sob a Curva ROC (AUC) foi de aproximadamente 0,865, o coeficiente de Gini de 0,73 e a estatística KS de 0,576. Esses resultados indicam uma boa a excelente capacidade discriminatória do modelo na identificação de clientes com maior probabilidade de default. A eficiência do XGBoost em capturar padrões complexos e relações não lineares entre as variáveis explicativas foi evidenciada por esses valores, reforçando seu potencial em tarefas de previsão de inadimplência.

A análise da importância das variáveis no modelo XGBoost revelou que o histórico de atrasos é o principal fator para a previsão da inadimplência. A variável atraso_90, que representa atrasos superiores a 90 dias, foi a mais importante, com um valor de 0.4063. A utilização de crédito e os demais indicadores de atraso (atraso_30_59 e atraso_60_89) também apresentaram elevada relevância. Variáveis de perfil do cliente, como idade, renda mensal e número de dependentes, embora contribuam para a classificação do risco, possuíram menor importância relativa. Esses resultados reforçam que o comportamento passado de pagamento é um determinante crucial na avaliação da Probabilidade de Default.

Comparação dos Modelos

A comparação direta entre os modelos de regressão logística e XGBoost, baseada nas métricas de desempenho obtidas no conjunto de teste, revelou ganhos preditivos significativos com a abordagem de machine learning. O modelo XGBoost apresentou desempenho superior em todas as métricas avaliadas: AUC de 0,865, Gini de 0,73 e estatística KS de 0,576. Em contraste, a regressão logística obteve AUC de 0,702, Gini de 0,404 e KS de 0,330. Essa convergência de resultados pelas três métricas confirma a maior capacidade discriminatória do XGBoost na ordenação dos clientes segundo o risco de inadimplência.

O ganho observado na capacidade de discriminação entre clientes com diferentes níveis de risco é relevante para aplicações práticas. Uma melhor ordenação dos indivíduos pela probabilidade de inadimplência pode fornecer informações mais precisas, apoiando decisões mais eficazes na gestão do risco de crédito. Isso se traduz em uma alocação de capital mais eficiente e na redução de perdas, impactando diretamente a rentabilidade e a sustentabilidade das operações financeiras, conforme discutido por Van Gestel e Baesens (2009).

O desempenho superior do XGBoost pode ser atribuído à sua capacidade de capturar relações complexas e interações não lineares entre as variáveis, algo que modelos estatísticos lineares como a regressão logística não conseguem fazer com a mesma eficácia. Além disso, o algoritmo incorpora mecanismos de regularização e aprendizado sequencial (boosting), que aumentam sua capacidade preditiva e contribuem para o controle do overfitting, como apontado por Chen e Guestrin (2016). Esse resultado está alinhado com estudos anteriores, como o de Lessmann et al. (2015), que observaram o desempenho superior de modelos de machine learning em comparação com métodos tradicionais em problemas de classificação de risco de crédito.

Apesar do desempenho inferior neste estudo, a regressão logística mantém sua relevância. Sua principal vantagem reside na elevada interpretabilidade e transparência dos resultados, aspectos fundamentais em decisões de crédito e em ambientes regulatórios, onde a estimação da PD é utilizada para o cálculo da perda esperada (Hand e Henley, 1997; Thomas, 2009). A capacidade de compreender a contribuição de cada variável para a probabilidade de default é um diferencial que muitas vezes supera a busca por ganhos marginais de desempenho preditivo em contextos específicos.

De forma geral, os resultados obtidos indicam que variáveis relacionadas ao histórico de atraso desempenham um papel central na estimação da PD, o que está em linha com a literatura da área. Ambos os modelos demonstraram capacidade de discriminação, mas o XGBoost se destacou na ordenação do risco de inadimplência. Este estudo reforça a importância de considerar não apenas o poder preditivo, mas também a interpretabilidade e a aplicabilidade prática na escolha do modelo mais adequado para a gestão de risco de crédito, especialmente em um ambiente corporativo.

Como ponto forte deste estudo, destaca-se a adoção de diferentes abordagens de modelagem aplicadas ao risco de crédito, bem como a utilização de métricas robustas de avaliação, como AUC, Gini e KS. Essa metodologia permitiu uma análise consistente da capacidade discriminatória dos modelos e proporcionou maior confiabilidade na comparação dos resultados. A incorporação dessas métricas alinha a avaliação realizada neste estudo com as práticas utilizadas na modelagem e validação de risco de crédito, ampliando a aplicabilidade prática da comparação entre os modelos.

As limitações deste estudo incluem o desbalanceamento da base de dados e a possível ausência de variáveis adicionais que poderiam aprimorar a explicação do risco de inadimplência. É importante ressaltar que, em aplicações reais de risco de crédito, a manutenção da distribuição original dos dados é frequentemente adotada, pois técnicas de balanceamento podem distorcer a estimativa da PD. Além disso, a utilização de uma base de dados específica pode limitar a generalização dos resultados, o que exige que os achados sejam interpretados com cautela ao serem aplicados a outros contextos.

Em síntese, a pesquisa demonstrou que, embora a regressão logística seja um modelo robusto e interpretável, o algoritmo XGBoost apresentou um desempenho preditivo superior na estimação da Probabilidade de Default, evidenciando sua maior capacidade discriminatória na ordenação dos clientes quanto ao risco de inadimplência. Os achados sublinham a importância do histórico de atrasos como um preditor central e reforçam que a escolha do modelo ideal deve equilibrar o poder preditivo com a interpretabilidade e a aplicabilidade prática no contexto da gestão de risco de crédito.

4. Conclusão

O presente estudo buscou comparar o desempenho da regressão logística e do algoritmo XGBoost na estimação da Probabilidade de Default (PD), um parâmetro fundamental no gerenciamento do risco de crédito. Verificou-se que o modelo XGBoost demonstrou capacidade preditiva superior em relação à regressão logística, evidenciada por métricas como a Área sob a Curva ROC (AUC) de 0,865, coeficiente de Gini de 0,73 e estatística de Kolmogorov-Smirnov (KS) de 0,576. Em contraste, a regressão logística obteve valores de AUC de 0,702, Gini de 0,404 e KS de 0,330, indicando uma capacidade discriminatória moderada. Os achados revelaram que o histórico de atrasos em pagamentos constitui o principal preditor de inadimplência em ambos os modelos, com destaque para atrasos superiores a 90 dias, enquanto variáveis de perfil do cliente, como idade e renda mensal, apresentaram menor importância relativa. A superioridade do XGBoost foi atribuída à sua habilidade de capturar relações não lineares e interações complexas entre as variáveis explicativas.

A principal contribuição deste trabalho reside na demonstração dos ganhos preditivos que técnicas de aprendizado de máquina, como o XGBoost, podem oferecer na mensuração do risco de crédito, promovendo uma avaliação mais precisa da probabilidade de inadimplência. Contudo, ressalta-se que a escolha do modelo mais adequado em um ambiente corporativo deve ponderar não apenas o desempenho preditivo, mas também a interpretabilidade, a transparência e a aplicabilidade prática, atributos nos quais a regressão logística ainda se destaca. As limitações do estudo incluem o desbalanceamento da base de dados e a utilização de um conjunto de dados específico, o que pode restringir a generalização dos resultados. Para estudos futuros, sugere-se a exploração de outros algoritmos de machine learning e a inclusão de variáveis explicativas adicionais, visando aprimorar ainda mais a capacidade preditiva e a aplicabilidade dos modelos em diversos contextos de risco de crédito.

Referências Bibliográficas

CHEN, T.; GUESTRIN, C. XGBoost: A Scalable Tree Boosting System. 2016.

HAND, D. J.; HENLEY, W. E. Statistical classification methods in consumer credit scoring: a review. Journal of the Royal Statistical Society: Series A (Statistics in Society), v. 160, n. 3, p. 523-541, 1997.

KAGGLE. Give Me Some Credit Dataset. Disponível em: https://www.kaggle.com/c/GiveMeSomeCredit. Acesso em: 04 nov. 2025.

LESSMANN, S.; BAESENS, B.; SEOW, H. V.; THOMAS, L. C. Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research. European Journal of Operational Research, v. 247, n. 1, p. 124-136, 2015.

LI, J.; ZHOU, Z.; ZHU, L. Credit risk assessment based on XGBoost algorithm. Procedia Computer Science, v. 199, p. 274–281, 2021.

MITCHELL, T. M. Machine Learning. New York: McGraw-Hill, 1997.

MORO, S.; CORTEZ, P.; RITA, P. Business intelligence in banking: A literature analysis from 2002 to 2013 using text mining and latent Dirichlet allocation. Expert Systems with Applications, v. 42, n. 3, p. 1314–1324, 2015.

THOMAS, L. C. Consumer Credit Models: Pricing, Profit and Portfolios. Oxford: Oxford University Press, 2009.

VAN GESTEL, T.; BAESENS, B. Credit Risk Management: Basic Concepts: Financial Risk Components, Rating Analysis, Models, Economic and Regulatory Capital. Oxford: Oxford University Press, 2009.

ZHANG, Y.; XIE, J.; CHEN, Y. Credit risk prediction using machine learning methods: Evidence from China’s peer-to-peer lending market. Journal of Finance and Data Science, v. 8, n. 1, p. 1-13, 2022.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

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

Mais recentes

13 de outubro de 2026

“Marca”: viabilidade econômica para moda sustentável LGBTQIA+ em São Paulo

13 de outubro de 2026

Preditores de óbitos em idosos com síndrome respiratória aguda grave confirmados por Influenza A(H1N1)pdm09

13 de outubro de 2026

Construindo a beleza desde cedo: comportamentos de consumo de maquiagem e skincare na Geração Alpha

13 de outubro de 2026

Uma visão geral comparativa das frotas de veículos elétricos no Brasil e na União Europeia

13 de outubro de 2026

População e Imigração no Japão: Projeções com Séries Temporais e Análise Causal Demográfica até 2044

13 de outubro de 2026

Marketing digital e engajamento no youTube: estratégias para canais de crimes reais no Brasil

13 de outubro de 2026

Utilização de técnicas de Machine Learning Não Supervisionado para planejamento de trabalho de revisão de remunerações para aposentadoria

13 de outubro de 2026

Gestão de vendas para o desempenho de uma empresa do setor imobiliário

13 de outubro de 2026

Delineo: Adaptação de modelo de difusão para prototipagem de interface de usuário guiada por esboço

Você também pode gostar

13 de outubro de 2026

“Marca”: viabilidade econômica para moda sustentável LGBTQIA+ em São Paulo

O cenário atual da moda, marcado pelo consumo excessivo de “fast fashion” e pela exclusão de corpos dissidentes, evidenciou a necessidade de marcas focadas em conscientização, “upcycling” e transmutação têxtil. Neste contexto, o estudo objetivou analisar a viabilidade econômica de uma marca de moda sustentável e inclusiva, direcionada ao público LGBTQIA+ na cidade de São Paulo. A pesquisa caracterizou-se como um estudo de caso quantitativo, fundamentado na aplicação de um questionário para aferir o comportamento de consumo e na projeção de cenários financeiros para um quinquênio. Os resultados revelaram um ticket médio viável de R$200,00 e confirmaram a rentabilidade da operação com um Valor Presente Líquido de R$ 47.699,49, uma Taxa Interna de Retorno de 343,70% e uma Taxa Interna de Retorno Modificada de 115,80%. A análise de sensibilidade comprovou a solidez do projeto, demonstrando retorno positivo mesmo em simulações pessimistas. O empreendimento mostrou-se viável, indicando que a união entre valores de sustentabilidade, economia social e estrutura financeira eficiente resulta em um negócio de baixo risco.

Palavras-chave: Análise de investimentos; Economia circular; Empreendedorismo; Impacto socioambiental; Vestuário.

13 de outubro de 2026

Preditores de óbitos em idosos com síndrome respiratória aguda grave confirmados por Influenza A(H1N1)pdm09

A infecção pelo vírus influenza A(H1N1)pdm09 pode evoluir para Síndrome Respiratória Aguda Grave (SRAG), com maior risco de óbitos em idosos. O objetivo foi analisar fatores preditores de óbito em casos de SRAG confirmados para influenza A(H1N1)pdm09, entre idosos com 60 anos ou mais, considerando fatores individuais e contextuais das Regiões Administrativas (RA) do Estado de São Paulo (ESP), e comparar o desempenho de modelos de regressão. Realizou-se um estudo descritivo e analítico no ESP, de 2023 a 2024, utilizando dados do SIVEP-Gripe e da Fundação SEADE. Incluíram-se 714 casos confirmados por RT-PCR de influenza A(H1N1)pdm09 em residentes do ESP com 60 anos ou mais. Analisaram-se variáveis sociodemográficas, clínicas, de internação, tratamento, vacinação e local de residência. Empregou-se regressão logística binária e hierárquica logística, com o desfecho de evolução para óbito. Dos 714 casos, 202 resultaram em óbito. O modelo final de regressão logística binária associou maior chance de óbito ao sexo masculino, idade avançada, saturação de oxigênio inferior a 95%, internação em UTI e uso de suporte ventilatório invasivo. A presença de tosse e o uso de antiviral foram associados a menor chance de óbito. O modelo hierárquico logístico apresentou desempenho semelhante, com pequena contribuição contextual residual das RA. Concluiu-se que o modelo de regressão logística binária foi suficiente e mais simples para representar os dados, sendo adotado como modelo final.

Palavras-chave: Influenza A(H1N1)pdm09; Modelagem hierárquica logística; Óbito por Influenza A(H1N1)pdm09; Regressão logística; Síndrome Respiratória Aguda Grave.

13 de outubro de 2026

Construindo a beleza desde cedo: comportamentos de consumo de maquiagem e skincare na Geração Alpha

O interesse feminino pela estética manifesta-se em diversas sociedades, sendo amplificado pelo avanço da internet e das redes sociais, que impulsionaram o surgimento de influenciadores digitais. O estudo analisou como o marketing de influência digital impacta o comportamento de consumo e a percepção estética de meninas da Geração Alpha (3 a 15 anos) no estado de São Paulo, sob a perspectiva de seus pais e/ou responsáveis, com foco no consumo precoce de maquiagem e skincare e na construção de padrões estéticos. Para isso, realizou-se uma pesquisa bibliográfica, aplicou-se um formulário quantitativo online e presencial, e conduziu-se uma entrevista com um médico dermatologista. Os resultados indicaram que o interesse pela beleza surge precocemente, com incentivo dos responsáveis. As jovens demonstraram desejo de pertencimento, e itens de maquiagem apresentaram ligeira predominância sobre os de skincare. A maioria dos participantes acreditou que o marketing de influência impacta as decisões de compra. Concluiu-se que o interesse pela beleza e o incentivo ao autocuidado são naturalizados desde cedo, e que o marketing de influência contribui para a formação de desejos de consumo, embora a amostra não probabilística limite generalizações.

Palavras-chave: Adolescentes; Crianças; Estética; Influenciadores; Redes Sociais.

13 de outubro de 2026

Uma visão geral comparativa das frotas de veículos elétricos no Brasil e na União Europeia

O transporte rodoviário contribui para aproximadamente 20% das emissões globais de CO2, impulsionando a busca por soluções de mobilidade mais limpas, como veículos elétricos. O objetivo deste estudo foi comparar os mercados de veículos elétricos no Brasil e na União Europeia, contrastando suas políticas, adoção por consumidores e desenvolvimento de infraestrutura. Empregou-se um desenho de pesquisa descritiva comparativa, analisando dados quantitativos da Associação Brasileira do Veículo Elétrico, Associação Nacional dos Fabricantes de Veículos Automotores, European Alternative Fuels Observatory e European Environment Agency para o período de 2015 a 2024, complementados por análise qualitativa de documentos de política. Os resultados revelaram uma divergência estrutural fundamental: o Brasil apresentou crescimento exponencial de 80,7% ao ano (2022-2025), com híbridos compreendendo aproximadamente 66% das vendas e impulsionado por incentivos fiscais que alavancam a bioeconomia do etanol. A União Europeia, por sua vez, mostrou expansão em fase de consolidação a uma taxa anual de 8,35% (2008-2025), com veículos elétricos a bateria superando 40% dos novos registros, impulsionados por mandatos regulatórios vinculativos. A análise de densidade de infraestrutura indicou que a rede pública de carregamento da União Europeia (55,3 pontos por mil veículos de combustível alternativo) era o dobro da brasileira (27,9 pontos por mil veículos eletrificados). A quantificação ambiental confirmou que a matriz energética predominantemente renovável do Brasil (64 gCO2/kWh) resultou em emissões well-to-wheel substancialmente menores em comparação com a matriz da União Europeia (246 gCO2/kWh). Concluiu-se que o modelo brasileiro, com incentivos fiscais neutros em tecnologia e aproveitamento da infraestrutura de biocombustíveis, pode acelerar a adoção de híbridos em economias emergentes com baixo gasto público. Para mercados maduros, o modelo da União Europeia, com mandatos regulatórios, estabeleceu um mercado dominante de veículos elétricos a bateria, embora com custo fiscal mais elevado.

Palavras-chave: Energia renovável; Mercado; Qualitativo; Quantitativo.

13 de outubro de 2026

População e Imigração no Japão: Projeções com Séries Temporais e Análise Causal Demográfica até 2044

O envelhecimento populacional e a baixa taxa de fecundidade configuram desafios demográficos complexos no Japão, acompanhados pela expansão da imigração estrangeira como resposta às restrições de oferta de mão de obra. O estudo teve como objetivo analisar as tendências demográficas japonesas e projetar sua evolução até 2044, com ênfase nas relações entre declínio populacional, fecundidade e imigração. Aplicaram-se os modelos de séries temporais ARIMA e Prophet a dados históricos do Banco Mundial, do Instituto Nacional de Pesquisa Populacional e Segurança Social do Japão e da Agência de Serviços de Imigração do Japão, abrangendo o período de 2003 a 2023 para a série populacional e de 2014 a 2024 para a série imigratória. A análise incluiu estatísticas descritivas, correlação de Pearson, teste de estacionariedade de Dickey-Fuller aumentado e testes de causalidade de Granger, além da avaliação preditiva por meio das métricas MAE e MAPE. Os resultados evidenciaram a continuidade da redução populacional e o crescimento do contingente de imigrantes nas projeções até 2044. O Prophet apresentou menores valores de MAE e MAPE nos conjuntos de teste, embora a curta extensão da série imigratória limitasse a capacidade de generalização. Os testes de causalidade temporal não identificaram evidências estatisticamente significativas de precedência entre população e imigração. Concluiu-se que a imigração pode contribuir para mitigar restrições de oferta de mão de obra, mas não constitui, isoladamente, mecanismo suficiente para reverter o declínio populacional japonês.

Palavras-chave: Declínio populacional; Demografia; Fertilidade; Fluxos migratórios; Séries temporais.

13 de outubro de 2026

Marketing digital e engajamento no youTube: estratégias para canais de crimes reais no Brasil

O fenômeno dos crimes reais consolidou-se como um nicho de crescimento no YouTube brasileiro, impulsionado pela expansão das mídias digitais e pelo fascínio do público. Contudo, muitos criadores enfrentaram dificuldades para alcançar crescimento sustentável. Analisou-se como as estratégias de marketing digital influenciaram o crescimento, o engajamento e a monetização de canais brasileiros de crimes reais na plataforma YouTube. Adotou-se pesquisa de abordagem mista, qualitativa e quantitativa, de natureza exploratória e descritiva. Analisaram-se quatro canais brasileiros do nicho por meio de análise documental de conteúdos, coleta de métricas públicas via Social Blade e Noxinfluencer, e aplicação de questionários a quatro criadores e a 104 espectadores. Os resultados evidenciaram que os canais de maior desempenho adotaram estratégias distintas, como abordagem narrativa linear e contextualizada, comunicação emocional personalizada, postura técnico-informativa ou conteúdo opinativo provocativo. Verificou-se convergência entre criadores e audiência sobre a centralidade do storytelling para retenção, com a maioria dos espectadores afirmando que a forma como a história era contada determinava a continuidade da visualização. Os criadores indicaram o tempo médio de retenção como métrica mais preditiva para crescimento sustentável, embora 100% dependessem exclusivamente do AdSense para monetização, revelando vulnerabilidade financeira. Concluiu-se que o sucesso no nicho depende da integração entre marketing digital, identidade narrativa consistente e responsabilidade ética.

Palavras-chave: creator economy; engajamento digital; marketing de conteúdo; storytelling; true crime.

13 de outubro de 2026

Utilização de técnicas de Machine Learning Não Supervisionado para planejamento de trabalho de revisão de remunerações para aposentadoria

O dimensionamento de pessoal e a gestão de fluxos de aposentadoria em órgãos públicos federais configuraram desafios estratégicos complexos. O estudo teve como objetivo aplicar técnicas de Machine Learning não supervisionado, especificamente Agrupamento (K-means) e Análise de Correspondência Múltipla (ACM), para aprimorar o planejamento de revisões funcionais em uma autarquia federal brasileira. A metodologia consistiu no processamento de uma base validada de 487 servidores ativos. Inicialmente, variáveis quantitativas, como idade, tempo de contribuição e remuneração, foram submetidas ao algoritmo K-means, resultando na formação de cinco clusters, apoiada no Método do Cotovelo e Coeficiente de Silhueta. Subsequentemente, os grupos foram integrados a variáveis qualitativas via ACM, projetadas em um mapa perceptual que explicou 74,81% da inércia dos dados. Os resultados revelaram que os clusters 0 e 3 representaram os perfis de maior criticidade previdenciária, concentrando todos os beneficiários de abono de permanência e a maioria dos cargos extintos. A pesquisa gerou um Plano de Ação escalonado, priorizando os 75 servidores desses clusters que integralizaram os requisitos de aposentadoria até 2025, com diretriz similar para 2026. Em contrapartida, o cluster 2 apresentou menor risco, com inatividade prevista apenas a partir de 2031. O modelo mostrou-se amplamente favorável como ferramenta de auditoria e saneamento, embora sua plena eficácia dependa de uma governança de dados mais rigorosa no serviço público.

Palavras-chave: Agrupamento; Análise de Correspondência Múltipla (ACM); Aposentadoria; Clusterização.

13 de outubro de 2026

Gestão de vendas para o desempenho de uma empresa do setor imobiliário

A gestão de vendas desempenha um papel estratégico no desempenho organizacional, especialmente em setores de desenvolvimento imobiliário, caracterizados por complexidade comercial. Este estudo teve como objetivo analisar a contribuição das práticas de gestão de vendas para o desempenho comercial e organizacional de uma empresa do setor imobiliário, considerando seu modelo de atuação e estrutura comercial. A pesquisa caracterizou-se como exploratória, com abordagem qualitativa e quantitativa, adotando um estudo de caso único. Coletaram-se dados por meio de triangulação, utilizando pesquisa documental e questionário estruturado aplicado à equipe de vendas terceirizada. Os resultados indicaram que a empresa estruturou suas práticas de gestão comercial com metas mensais e anuais, campanhas de marketing e sistemas de incentivos. O desempenho foi acompanhado por indicadores quantitativos, como volume de vendas e percentual de atingimento de metas. No período analisado, realizaram-se 179 vendas, correspondendo a 74,6% da meta anual estabelecida. Observaram-se oportunidades de aprimoramento no alinhamento entre planejamento comercial, acompanhamento de resultados e efetividade das estratégias. A percepção dos corretores apontou limitações nos sistemas de incentivo, como a ausência de progressividade nas comissões e a duração das premiações. Concluiu-se que, embora a gestão de vendas influencie o desempenho organizacional, existem fragilidades no alinhamento entre esforço, recompensa e motivação da força de vendas. Recomendaram-se o fortalecimento do acompanhamento sistemático, a melhoria da comunicação, a definição de metas mais realistas e a implementação de incentivos progressivos para potencializar os resultados comerciais.

Palavras-chave: Estratégias de vendas; Força de vendas; Gestão comercial; Indicadores de desempenho; Setor imobiliário.

13 de outubro de 2026

Delineo: Adaptação de modelo de difusão para prototipagem de interface de usuário guiada por esboço

A evolução da inteligência artificial e das redes neurais profundas revolucionou as interações humano-máquina. Modelos generativos, embora promissores para a síntese de imagens, enfrentam desafios na prototipagem de interfaces de usuário (UI) ao falhar em respeitar a estrutura espacial. Para solucionar essa divergência, propôs-se uma abordagem de difusão latente condicionada, integrando uma arquitetura de controle a um modelo de larga escala ajustado para interfaces móveis, que suportou esboços de UI para guiar a inferência de imagens. A base de dados de treinamento foi composta por aproximadamente 12.400 imagens de UI e esboços de fontes públicas, pré-processadas e enriquecidas com dados sintéticos e instruções textuais. A abordagem utilizou um modelo Stable Diffusion 3.5 Large como base, adaptado com ControlNet canny edges e um adaptador LoRA. A viabilidade da abordagem foi validada por avaliação quantitativa, empregando uma métrica de similaridade semântica normalizada (SSN) baseada em Sentence-BERT, e por análise qualitativa com 20 especialistas da indústria. Os resultados confirmaram que o método superou as capacidades do modelo original. Contudo, a avaliação evidenciou que a eficácia na estruturação lógica da interface ainda enfrentava degradação estética e perda de elementos funcionais. Concluiu-se que, embora a tecnologia comprove sua viabilidade técnica para otimizar a transição entre requisitos e a implementação de código, a automatização de processos criativos demanda aprimoramentos arquiteturais para atingir o rigor visual exigido pela indústria de desenvolvimento de software.

Palavras-chave: Adaptação de baixo posto; Aprendizado de máquina; Difusão latente condicionada; Redes neurais profundas.

Saúde

13 de outubro de 2026

O elo perdido da transformação da saúde

Por que inovar não basta para provocar mudanças nas organizações e nos sistemas de saúde A transformação digital consolidou-se como prioridade estratégica para os sistemas de saúde em todo o mundo. Prontuários eletrônicos, inteligência artificial, telemedicina, monitoramento remoto e análise de dados passaram a integrar a agenda estratégica de governos e organizações de saúde. Paradoxalmente, […]

Marketing

09 de outubro de 2026

Bitcoin ou pets: o que a Inteligência Artificial não veria

Um caso real de consumer intelligence mostra o que fica fora do briefing Há alguns anos, uma seguradora americana contratou uma empresa especializada em consumer intelligence para responder a três perguntas: A seguradora também avaliava lançar seguros pagos em bitcoin. Na época, o processo de trabalho da consultoria funcionava assim: o analista criava uma query […]

Gestão Escolar

06 de outubro de 2026

A escola não é um cassino: quando figurinhas viram moeda no pátio

Por que, para determinados estudantes, a escola consegue oferecer tão poucas experiências de conquista? A Copa do Mundo acabou. O Brasil deixou a competição, vieram as férias escolares, a final foi disputada e o calendário do futebol seguiu adiante. Seria razoável imaginar que, com o fim do torneio e o retorno às aulas, também começasse […]

Transição Energética

30 de setembro de 2026

Energias renováveis: a vantagem brasileira

Brasil precisa investir na capacidade de transformar recursos naturais em inovação, produtividade e desenvolvimento Falar sobre energia é falar sobre desenvolvimento. Por trás da indústria, dos transportes, dos serviços, das cidades e, cada vez mais, da inteligência artificial, existe uma infraestrutura energética que sustenta a economia. Compreender a matriz energética de um país é compreender […]

Análise De Dados

30 de setembro de 2026

Quando o dado muda, a realidade mudou?

Análise de quase 20 milhões de vínculos-ano docentes entre 2020 e 2025 mostra como mudanças na composição da população e na produção dos registros podem alterar a interpretação de série histórica Entre 2020 e 2025, o número de vínculos formais de trabalho docente identificados na RAIS (Relação Anual de Informações Sociais), do Ministério do Trabalho, […]

Inteligência Artificial

28 de setembro de 2026

Inteligência artificial e as trends

Por que tantas pessoas aderem às brincadeiras com o ChatGPT? Nunca fui a pessoa da trend. Continuo não sendo. Algumas passam pela minha timeline, vejo, acho interessante mas não a ponto de experimentar. Foi assim, inclusive, com algumas ondas recentes de imagens feitas por inteligência artificial, como a trend dos anos 80, aquela que nos […]

Gestão De Projetos

25 de setembro de 2026

A IA acelera as respostas; quem assume as decisões?

Velocidade da tecnologia só vira vantagem quando acompanha a capacidade de compreender, verificar e assumir a responsabilidade pelos resultados Imagine uma equipe que passa a produzir em uma tarde as análises que antes exigiam uma semana. A mudança parece justificar o investimento em inteligência artificial. Mas, antes de contabilizar o ganho, cabe perguntar quem examinou […]

Inovação

14 de setembro de 2026

Não lemos apenas palavras

Como novos códigos, tecnologias e formas de comunicação ampliam aquilo que precisamos aprender a interpretar Ser alfabetizado costuma ser entendido inicialmente como: reconhecer letras, formar palavras, compreender frases e produzir textos. Durante muito tempo, foi principalmente a partir desse domínio que definimos o que significava saber ler e, consequentemente, participar de diferentes espaços da sociedade. […]

Redes Sociais

14 de setembro de 2026

O efeito da influência no consumo

O que a pesquisa Youpix/Nielsen 2026 mostra sobre o avanço da Creator Economy Em 2025, 80% dos consumidores brasileiros compraram algum produto recomendado por influenciadores. Em 2026, o índice chegou a 81%. A estabilidade em um patamar tão elevado indica que a compra por influência deixou de ser um comportamento restrito a determinados públicos. O […]

Gestão Tributária

01 de setembro de 2026

Reforma tributária e planejamento patrimonial no campo

Eficiência para gerenciar os impostos facilita a governança e permite organizar a sucessão familiar A organização patrimonial rural virou uma medida estratégica diante da reforma tributária no Brasil, que entrou em vigor neste ano. O planejamento das atividades e da gestão do patrimônio rural, por meio de ferramentas como a transição da Pessoa Física para […]

Renata de Gaspari Valdejão Almeida

Inteligência Artificial

05 de agosto de 2026

Dentro da empresa e fora do radar: os riscos da Shadow AI

Segundo a Microsoft, 75% dos profissionais já utilizam inteligência artificial no trabalho sem homologação da empresa O uso da inteligência artificial generativa já faz parte da rotina corporativa. Ferramentas como ChatGPT, Copilot e outras plataformas ajudam profissionais a produzir textos, analisar dados, criar apresentações e acelerar tarefas em praticamente todos os setores. Mas esse avanço […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julho de 2026

O futuro como competência

Interesse acadêmico reforça a projeção de cenários como ferramenta essencial para a tomada de decisões Enquanto algumas empresas ainda tentam acertar o próximo passo, outras já trabalham com múltiplos futuros possíveis — e se preparam para todos eles. Mas afinal, o que significa “pensar o futuro”? É tendência, é estratégia ou uma nova competência que […]

Renata de Gaspari Valdejão Almeida

Inovação

Tecnologia

21 de maio de 2026

Corredor Agro SP: inovação, articulação institucional e futuro

Pecege comanda operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educação

27 de abril de 2026

Como transformar um TCC em negócio

Nova gestão do Parque Tecnológico de Piracicaba oferece consultoria a egressos de MBAs O novo diretor de projetos do Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, costuma dizer que uma das maiores recompensas que já teve na vida foi ver seus orientandos do MBA USP/Esalq estruturarem empresas a partir de seus trabalhos de conclusão de […]

Tecnologia

20 de março de 2026

O repertório humano na era da IA

Pensamento crítico e criatividade são insubstituíveis no trabalho do profissional de marketing A Inteligência Artificial (IA) é capaz de feitos incríveis, mas ainda não possui a capacidade de julgamento, empatia, intuição e criatividade estratégica necessárias para fazer o trabalho de um bom profissional de marketing. Nessa área, é importante saber usar a ferramenta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

23 de fevereiro de 2026

ESG como estratégia de crescimento em uma cooperativa do RS

Santa Clara equilibra responsabilidade social e ambiental com inovação Fundada em 1911 por imigrantes italianos em Carlos Barbosa, na serra gaúcha, a Cooperativa Santa Clara é um exemplo de que é possível equilibrar o crescimento econômico com a responsabilidade social e ambiental. De uma pequena empresa de produção de queijos, a organização evoluiu para um […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

22 de janeiro de 2026

Brasil livre de febre aftosa: o que muda para a carne brasileira?

Com um rebanho de mais de 200 milhões de cabeças de gado, o país é atualmente o líder em exportações O Brasil recebeu recentemente, pela primeira vez, a certificação de país livre de febre aftosa sem vacinação, conferida pela Organização Mundial de Saúde Animal (OMSA). O selo fortalece a posição do país como fornecedor de carne confiável para o […]

Renata de Gaspari Valdejão Almeida

Inovação

09 de dezembro de 2025

Inovação: o novo ciclo do Parque Tecnológico de Piracicaba

Instituto Pecege assume a gestão apostando na criação de novos negócios A partir de 2026, o Instituto Pecege assumirá a gestão do Parque Tecnológico de Piracicaba (PTP). Entre suas responsabilidades estarão a administração, operação, manutenção e expansão do parque, além do fomento de atividades de inovação, empreendedorismo e ciência e tecnologia. A escolha foi feita […]

Renata de Gaspari Valdejão Almeida

06 de julho de 2026

Arquitetura de Grande Porte: Gestão de Mudanças DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. A arquitetura e o urbanismo configuram-se como bases imprescindíveis em um espaço urbano cada vez mais complexo e desafiador, onde a intrínseca conexão entre questões sociais, ambientais e tecnológicas […]