Modelado de la probabilidad de incumplimiento en riesgo de crédito: comparación entre regresión logística y XGBoost

doi:10.22167/2675-6528-202602713

Artículo

30 de septiembre de 2026

Modelado de la probabilidad de incumplimiento en riesgo de crédito: comparación entre regresión logística y XGBoost

Modelado de la Probabilidad de Incumplimiento en Riesgo de Crédito: Comparación entre Regresión Logística y Xgboost

Berenice Antunes de Oliveira Barbosa; Beatriz Rezzieri Marchezini

DOI: 10.22167/2675-6528-202602713

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

Se modeló la probabilidad de incumplimiento en el riesgo de crédito, comparando el rendimiento de un modelo estadístico tradicional y una técnica de machine learning en la estimación de la Probabilidad de Incumplimiento (PD), parámetro crucial en la gestión del riesgo de crédito y cálculo de la Pérdida Esperada. El estudio tuvo como objetivo comparar la regresión logística, un método estadístico consolidado, y el XGBoost (Extreme Gradient Boosting), un algoritmo de aprendizaje automático reconocido por su capacidad predictiva y por capturar relaciones no lineales. Para el análisis, se utilizó la base de datos pública “Give Me Some Credit”, de la plataforma Kaggle, que contenía información financiera y demográfica de clientes, incluyendo edad, ingresos, endeudamiento e historial de retrasos en pagos. Los modelos se estimaron y evaluaron con base en métricas de rendimiento predictivo, como Área bajo la Curva ROC (AUC), coeficiente de Gini y estadística de Kolmogorov-Smirnov (KS). Los resultados indicaron que el modelo XGBoost presentó un rendimiento superior a la regresión logística, evidenciando mayor capacidad discriminatoria en la ordenación de los clientes en cuanto al riesgo de insolvencia. Se concluyó que, aunque los modelos de machine learning pueden proporcionar ganancias predictivas relevantes, la elección del modelo más adecuado debe considerar no solo las métricas de rendimiento, sino también aspectos como interpretabilidad, transparencia y aplicabilidad práctica, contribuyendo a una medición más precisa del riesgo de crédito.

Palabras clave: Aprendizaje Automático; Gestión de Riesgos; Incumplimiento; Métricas de Desempeño; Modelos de Clasificación.

1. Introducción

El área de riesgo de crédito desempeña un papel esencial en las instituciones financieras, estando directamente ligada a la salud financiera y a la sostenibilidad de las operaciones de crédito. El riesgo de crédito se considera el principal tipo de riesgo que enfrentan los bancos, influyendo directamente en su rentabilidad y solvencia (Van Gestel y Baesens, 2009). Un modelo de riesgo bien estructurado ayuda en la medición y el monitoreo de la morosidad de pago, contribuyendo a la reducción de pérdidas, la asignación eficiente de capital y la toma de decisiones más seguras a lo largo del ciclo de crédito. Pequeñas mejoras en la predicción de la morosidad de pago pueden generar ganancias significativas de eficiencia y rentabilidad, lo que justifica el creciente interés en mejorar las técnicas de modelado utilizadas.

En el contexto de la gestión del riesgo de crédito, la Probabilidad de Default (PD) se destaca como uno de los principales parámetros utilizados en la medición de la Pérdida Esperada. La PD expresa la probabilidad de que un cliente se vuelva moroso en un horizonte de tiempo determinado y constituye un insumo fundamental para las instituciones financieras en la definición de provisiones y en la asignación de capital. De esta forma, la estimación precisa de la PD asume un papel central en las prácticas modernas de gestión del riesgo, siendo ampliamente utilizada tanto en modelos regulatorios como en modelos internos.

En los últimos años, se observa una transición importante de los modelos estadísticos tradicionales a enfoques basados en aprendizaje automático. El aprendizaje automático, o machine learning, puede entenderse como un conjunto de técnicas que permiten a las computadoras aprender patrones y hacer predicciones a partir de datos, sin depender de reglas fijas preprogramadas (Mitchell, 1997). Estas técnicas se destacan por su capacidad de manejar grandes volúmenes de datos e identificar relaciones complejas que frecuentemente pasan desapercibidas en los modelos convencionales.

Diversos estudios refuerzan el potencial de estos enfoques en el riesgo de crédito. Lessmann et al. (2015) y Moro, Cortez y Rita (2019) demuestran que los algoritmos de aprendizaje automático logran capturar patrones más sutiles de comportamiento crediticio, lo que tiende a aumentar la asertividad de las predicciones. Además, Zhang, Xie y Chen (2022) destacan que modelos como el XGBoost suelen presentar un rendimiento superior en la diferenciación entre buenos y malos pagadores, evidenciando el avance que estas técnicas representan para el sector financiero.

Ante este escenario de evolución tecnológica y búsqueda de mayor precisión en la medición del riesgo, este trabajo se enfoca en la estimación de la probabilidad de incumplimiento, uno de los principales parámetros utilizados en la evaluación del riesgo de crédito e insumo fundamental para el cálculo de la Pérdida Esperada. Para conducir el análisis, se consideran dos modelos representativos: la Regresión Logística, un método estadístico tradicional ampliamente utilizado en riesgo de crédito por estimar la probabilidad de incumplimiento a partir de la relación lineal entre variables explicativas (Thomas, 2009; Hand y Henley, 1997), y el XGBoost (Extreme Gradient Boosting), una técnica moderna de aprendizaje automático que combina múltiples árboles de decisión para capturar interacciones no lineales y patrones complejos, reconocida por su alto rendimiento en tareas de clasificación y predicción de incumplimiento (Li, Zhou y Zhu, 2021; Zhang, Xie y Chen, 2022).

La base de datos utilizada para el análisis corresponde al conjunto público Give Me Some Credit, disponible en la plataforma Kaggle, que contiene información financiera y demográfica de clientes, como edad, ingresos, nivel de endeudamiento e historial de retrasos en pagos. A partir de estos datos, los modelos se estiman y evalúan con base en métricas de desempeño predictivo, permitiendo la comparación entre los enfoques y la verificación de posibles ganancias de desempeño con el uso de técnicas de aprendizaje automático en relación con el modelo tradicional, contribuyendo a una medición más precisa del riesgo de crédito. Este trabajo tiene como objetivo comparar el desempeño de un modelo estadístico tradicional y una técnica de machine learning en la estimación de la Probabilidad de Default (PD), uno de los principales parámetros utilizados en la gestión del riesgo de crédito y en el cálculo de la Pérdida Esperada.

2. Material y Métodos

La presente investigación se caracterizó como aplicada, con un enfoque predominantemente cuantitativo y de carácter descriptivo-comparativo. El estudio fue delineado para evaluar, mediante métodos estadísticos y algoritmos de aprendizaje automático, el desempeño de diferentes modelos en la estimación de la probabilidad de impago en el contexto de riesgo de crédito, alineándose al objetivo de comparar un modelo estadístico tradicional y una técnica de machine learning en la estimación de la Probabilidad de Default (PD).

Los datos utilizados en este trabajo fueron obtenidos del conjunto público “Give Me Some Credit”, disponible en la plataforma Kaggle (Kaggle, 2011). La base de datos reunió información financiera y demográfica de clientes, totalizando 150.000 observaciones. Este conjunto de datos incluyó variables como edad, ingresos mensuales, nivel de endeudamiento, número de dependientes e historial de retrasos en pagos.

La variable dependiente, denominada “Default”, indicaba la ocurrencia de “Morosidad de pago” grave en los últimos 24 meses. Las demás variables, como “Utilización crédito”, “Edad”, “Renta mensual”, “Líneas de crédito”, “Retraso 90+ días”, “Financiación de vivienda”, “Retraso 30-59 días”, “Retraso 60-89 días” y “Dependientes”, fueron empleadas como “Variables predictoras” en los modelos de “Regresión Logística” y machine learning.

El conjunto de datos se utilizó exclusivamente con fines académicos, sin identificación de individuos o instituciones financieras. Este enfoque garantizó el cumplimiento de los principios éticos y de privacidad recomendados por la USP/ESALQ, asegurando que la investigación respetara la confidencialidad y el anonimato de los datos de los clientes.

Inicialmente, se realizó un análisis exploratorio de los datos, que abarcó estadísticas descriptivas y la verificación de la presencia de valores ausentes o inconsistentes. Luego, los datos pasaron por etapas de preprocesamiento, que incluyeron el tratamiento de valores ausentes y atípicos, así como la preparación de las variables para la aplicación de los modelos.

En el tratamiento de valores ausentes, se observó que solo las variables “ingreso mensual” y “dependientes” presentaban lagunas. Para “ingreso mensual”, los valores ausentes fueron sustituidos por la mediana, mientras que para “dependientes”, fueron rellenados con cero. Adicionalmente, se evaluó la presencia de valores extremos, y la variable “ingreso mensual” presentó outliers significativos.

Para la modelización con regresión logística, se aplicó una transformación logarítmica a la variable “ingreso mensual” con el fin de reducir el impacto de los valores atípicos. Sin embargo, para el modelo XGBoost, se mantuvieron los valores originales de la variable, considerando la robustez intrínseca del algoritmo a valores extremos.

La base de datos se organizó y segmentó en conjuntos de entrenamiento y prueba. Los datos de entrenamiento se utilizaron para la estimación de los parámetros de los modelos, y los datos de prueba, para la evaluación del rendimiento. Esta división permitió analizar la capacidad de generalización de los modelos en datos no utilizados durante el ajuste, garantizando la comparabilidad entre los enfoques.

En la etapa de modelado, se estimaron dos modelos para la probabilidad de incumplimiento. El primero fue la Regresión Logística, un modelo estadístico tradicional que estima la probabilidad de ocurrencia de incumplimiento a partir de una combinación lineal de las variables explicativas, relacionada con la probabilidad del evento a través de la función logística (Thomas, 2009; Hand y Henley, 1997).

El segundo modelo empleado fue XGBoost (Extreme Gradient Boosting), un algoritmo de aprendizaje automático basado en gradient boosting. Este algoritmo combina secuencialmente múltiples árboles de decisión, capturando relaciones no lineales e interacciones complejas entre las variables explicativas (Chen y Guestrin, 2016; Li, Zhou y Zhu, 2021; Zhang, Xie y Chen, 2022).

Para la comparación del rendimiento de los modelos, se utilizaron como principales métricas el Área bajo la Curva ROC (AUC), el coeficiente de Gini y la estadística de Kolmogorov-Smirnov (KS). La elección de estas métricas tuvo como objetivo evaluar la capacidad discriminatoria de los modelos en la ordenación de los clientes según el riesgo de incumplimiento, siendo relevantes en aplicaciones de modelado de riesgo de crédito.

Los análisis se desarrollaron en lenguaje Python, utilizando el entorno Google Colab. Para la manipulación de los datos, modelado y visualización de los resultados, se emplearon las bibliotecas pandas, scikit-learn, xgboost y matplotlib. Las técnicas de modelado y análisis aplicadas se estudiaron a lo largo del curso de MBA en Data Science y Analytics de la ESALQ/USP.

3. Resultados y Discusión

El análisis de los datos se inició con una etapa exploratoria, cuyo objetivo fue comprender el comportamiento de las variables empleadas en la modelización de la Probabilidad de Default (PD). Durante esta fase, se examinaron las distribuciones de las variables, la ocurrencia de valores extremos y el grado de desbalanceo de la variable respuesta. Estos conocimientos fueron cruciales para orientar las etapas subsecuentes de tratamiento de los datos y la construcción de los modelos predictivos, garantizando que las características intrínsecas del conjunto de datos fueran adecuadamente consideradas en el proceso de modelización.

La distribución de la variable respuesta, que indica la ocurrencia de incumplimiento grave en los últimos 24 meses, reveló un acentuado desbalance en la base de datos. Aproximadamente el 6,7% de los registros fueron clasificados como incumplidores, mientras que la vasta mayoría, alrededor del 93,3%, correspondía a clientes no incumplidores. Este patrón es común en aplicaciones reales de riesgo de crédito y subraya la importancia de seleccionar métricas de evaluación de desempeño que sean robustas a esta característica, evitando sesgos en la interpretación de los resultados de los modelos.

Las estadísticas descriptivas de las variables utilizadas en la modelización de la probabilidad de default se calcularon para una base de 150.000 observaciones, confirmando la tasa media de impago de aproximadamente el 7%. Se observó que la variable de ingresos mensuales presentaba una elevada dispersión y la presencia de valores extremos, lo que indicaba una fuerte asimetría en su distribución. De manera similar, las variables relacionadas con retrasos en los pagos, como retraso_30_59, retraso_60_89 y retraso_90, presentaban una mediana igual a cero, lo que sugería una concentración de clientes sin historial reciente de impago. Estas asimetrías y concentraciones en las variables explicativas se consideraron relevantes para las etapas de preprocesamiento y modelización.

La matriz de correlación entre las variables del conjunto de datos permitió evaluar la intensidad y la dirección de las asociaciones lineales. Se observó una correlación positiva elevada entre las variables que indican retraso en el pago (retraso_30_59, retraso_60_89 y retraso_90). Este hallazgo es esperado, ya que todas estas variables están intrínsecamente ligadas al proceso de deterioro del comportamiento de pago, diferenciándose solo por las franjas de días de retraso. Las demás variables del conjunto presentaron, en general, correlaciones de baja magnitud entre sí, indicando menor interdependencia lineal.

La presencia de una alta correlación entre las variables explicativas, especialmente aquellas relacionadas con los retrasos, planteó la posibilidad de multicolinealidad. Aunque la multicolinealidad puede afectar la estabilidad y la interpretabilidad de los coeficientes estimados en la regresión logística, se optó por mantener estas variables en la modelización. La decisión se basó en la relevancia teórica de estas características para la explicación del riesgo de incumplimiento y en la necesidad de comparabilidad predictiva entre los modelos, incluso si esto implicaba coeficientes con signos o magnitudes inesperadas en uno de los modelos.

En la fase de preparación y tratamiento de las variables, la base de datos pasó por etapas cruciales para garantizar la calidad y la adecuación para el modelado. Esto incluyó la estandarización de los nombres de las variables, la verificación y el tratamiento de valores ausentes, y el análisis de consistencia. Específicamente, la variable renta mensual y el número de dependientes fueron los únicos en presentar valores ausentes, siendo tratados por la sustitución por la mediana para la renta mensual y el relleno con cero para los dependientes, respectivamente.

Adicionalmente, la presencia de valores extremos fue evaluada, y la variable ingreso mensual fue identificada como teniendo outliers significativos. Para el modelo de regresión logística, se aplicó una transformación logarítmica al ingreso mensual, con el objetivo de mitigar el impacto de estos valores extremos. En contraste, para el modelo XGBoost, se mantuvieron los valores originales del ingreso mensual, aprovechando la robustez intrínseca del algoritmo a los outliers. Este enfoque diferenciado garantizó la comparabilidad entre los resultados, adaptando el tratamiento de los datos a las características de cada técnica de modelado.

Modelado de la Probabilidad de Incumplimiento

Regresión Logística

La regresión logística fue el primer modelo estimado para la probabilidad de incumplimiento. Este modelo estadístico se emplea ampliamente en riesgo de crédito, siendo adecuado para variables de respuesta binarias, como la ocurrencia de default (1 para incumplido, 0 para no incumplido). A diferencia de la regresión lineal, la regresión logística utiliza una función logística para relacionar las variables explicativas a la probabilidad del evento, asegurando que las probabilidades estimadas permanezcan en el intervalo entre cero y uno, lo que es fundamental para la interpretación de probabilidades.

Los resultados de la regresión logística indicaron que las variables asociadas al historial de retraso presentaron una asociación positiva con la probabilidad de default. En contrapartida, la edad y la renta mensual, tras la transformación logarítmica, exhibieron una asociación negativa con la probabilidad de morosidad de pago. Estos hallazgos están en consonancia con la literatura de riesgo de crédito, que frecuentemente señala el historial de pagos como un fuerte predictor de morosidad de pago y la edad y renta como factores de mitigación de riesgo.

Al analizar los coeficientes y las razones de probabilidad, se observó que las variables relacionadas con el historial de impago ejercieron los mayores impactos sobre la probabilidad de incumplimiento. Destacaron los retrasos superiores a 90 días y los retrasos entre 30 y 59 días, con razones de probabilidad de 1.626 y 1.6347, respectivamente. Esto significa que, por cada unidad de aumento en estas variables, las probabilidades de incumplimiento aumentan significativamente. Sin embargo, la variable referente a retrasos entre 60 y 89 días presentó un coeficiente negativo (-0.9456) y una razón de probabilidad de 0.3884, lo que contradice la expectativa teórica. Este comportamiento puede atribuirse a la elevada correlación de esta variable con otras franjas de retraso, influyendo en la estimación de los coeficientes cuando se consideran en conjunto en el modelo.

La matriz de confusión del modelo de regresión logística reveló un buen rendimiento en la identificación de clientes no morosos, pero una baja sensibilidad en la identificación de morosos. Este resultado es una consecuencia directa del desequilibrio de la variable respuesta y de la utilización de un punto de corte estándar del 50%, que tiende a favorecer a la clase mayoritaria. Dicha observación refuerza la inadecuación de un umbral fijo y la necesidad de métricas de evaluación que consideren la ordenación de los clientes por riesgo, como la estadística KS, o criterios de negocio específicos para la definición de puntos de corte.

Las métricas de desempeño predictivo para la regresión logística fueron: Área bajo la Curva ROC (AUC) de aproximadamente 0.702, coeficiente de Gini de alrededor de 0.404 y estadística de Kolmogorov-Smirnov (KS) de 0.330. Estos valores indican una capacidad discriminatoria moderada en la ordenación de los clientes en cuanto al riesgo de incumplimiento. A pesar de no ser un desempeño excepcional, estos resultados son compatibles con aplicaciones prácticas de riesgo de crédito y confirman la adecuación del modelo para la estimación de la PD, sirviendo como una base sólida para la comparación con algoritmos más complejos.

XGBoost

El XGBoost (Extreme Gradient Boosting) fue el segundo modelo implementado, representando una técnica de aprendizaje automático basada en gradient boosting. Este algoritmo construye múltiples árboles de decisión secuencialmente, donde cada nuevo árbol busca corregir los errores residuales de los árboles anteriores. Esta arquitectura permite al XGBoost capturar relaciones no lineales e interacciones complejas entre las variables explicativas, además de incorporar mecanismos de regularización que ayudan a controlar el sobreajuste (overfitting), según lo destacado por Chen y Guestrin (2016).

La matriz de confusión para el modelo XGBoost demostró una mejora en la identificación de clientes morosos en comparación con la regresión logística. Se observó un aumento en el número de verdaderos positivos, lo que indica una mayor sensibilidad del modelo para la clase de morosidad. Sin embargo, esta mejora vino acompañada de un aumento en los falsos positivos. Este trade-off entre sensibilidad y especificidad es común en modelos de clasificación y refleja la capacidad del XGBoost para identificar más casos positivos, incluso si eso significa clasificar erróneamente algunos casos negativos.

Las métricas de rendimiento del modelo XGBoost fueron significativamente superiores a las de la regresión logística. El Área bajo la Curva ROC (AUC) fue de aproximadamente 0,865, el coeficiente de Gini de 0,73 y la estadística KS de 0,576. Estos resultados indican una buena a excelente capacidad discriminatoria del modelo en la identificación de clientes con mayor probabilidad de default. La eficiencia del XGBoost en capturar patrones complejos y relaciones no lineales entre las variables explicativas quedó evidenciada por estos valores, reforzando su potencial en tareas de predicción de impago.

El análisis de la importancia de las variables en el modelo XGBoost reveló que el historial de retrasos es el principal factor para la predicción del incumplimiento. La variable retraso_90, que representa retrasos superiores a 90 días, fue la más importante, con un valor de 0.4063. La utilización de crédito y los demás indicadores de retraso (retraso_30_59 y retraso_60_89) también presentaron elevada relevancia. Variables de perfil del cliente, como edad, renta mensual y número de dependientes, aunque contribuyen a la clasificación del riesgo, poseyeron menor importancia relativa. Estos resultados refuerzan que el comportamiento pasado de pago es un determinante crucial en la evaluación de la Probabilidad de Default.

Comparación de los Modelos

La comparación directa entre los modelos de Regresión Logística y XGBoost, basada en las métricas de rendimiento obtenidas en el conjunto de prueba, reveló ganancias predictivas significativas con el enfoque predictivo de machine learning. El modelo XGBoost presentó un rendimiento superior en todas las métricas evaluadas: AUC de 0,865, Gini de 0,73 y estadística KS de 0,576. En contraste, la Regresión Logística obtuvo AUC de 0,702, Gini de 0,404 y KS de 0,330. Esta convergencia de resultados por las tres métricas confirma la mayor capacidad discriminatoria del XGBoost en la ordenación de los clientes según el riesgo de impago.

La ganancia observada en la capacidad de discriminación entre clientes con diferentes niveles de riesgo es relevante para aplicaciones prácticas. Una mejor ordenación de los individuos por la probabilidad de incumplimiento puede proporcionar información más precisa, apoyando decisiones más eficaces en la gestión del riesgo de crédito. Esto se traduce en una asignación de capital más eficiente y en la reducción de pérdidas, impactando directamente la rentabilidad y la sostenibilidad de las operaciones financieras, como se discute en Van Gestel y Baesens (2009).

El rendimiento superior de XGBoost puede atribuirse a su capacidad para capturar relaciones complejas e interacciones no lineales entre las variables, algo que los modelos estadísticos lineales como la regresión logística no pueden hacer con la misma eficacia. Además, el algoritmo incorpora mecanismos de regularización y aprendizaje secuencial (boosting), que aumentan su capacidad predictiva y contribuyen al control del sobreajuste (overfitting), como señalan Chen y Guestrin (2016). Este resultado está alineado con estudios anteriores, como el de Lessmann et al. (2015), que observaron el rendimiento superior de los modelos de machine learning en comparación con los métodos tradicionales en problemas de clasificación de riesgo crediticio.

A pesar del rendimiento inferior en este estudio, la Regresión Logística mantiene su relevancia. Su principal ventaja reside en la elevada interpretabilidad y transparencia de los resultados, aspectos fundamentales en decisiones de crédito y en entornos regulatorios, donde la estimación de la PD se utiliza para el cálculo de la pérdida esperada (Hand y Henley, 1997; Thomas, 2009). La capacidad de comprender la contribución de cada variable a la probabilidad de default es un diferencial que a menudo supera la búsqueda de ganancias marginales de rendimiento predictivo en contextos específicos.

En términos generales, los resultados obtenidos indican que las variables relacionadas con el historial de retraso desempeñan un papel central en la estimación de la PD, lo que está en línea con la literatura del área. Ambos modelos demostraron capacidad de discriminación, pero el XGBoost se destacó en la ordenación del riesgo de incumplimiento. Este estudio refuerza la importancia de considerar no solo el poder predictivo, sino también la interpretabilidad y la aplicabilidad práctica en la elección del modelo más adecuado para la gestión del riesgo de crédito, especialmente en un entorno corporativo.

Como punto fuerte de este estudio, destaca la adopción de diferentes enfoques de modelado aplicados al riesgo de crédito, así como la utilización de métricas robustas de evaluación, como AUC, Gini y KS. Esta metodología permitió un análisis consistente de la capacidad discriminatoria de los modelos y proporcionó mayor confiabilidad en la comparación de los resultados. La incorporación de estas métricas alinea la evaluación realizada en este estudio con las prácticas utilizadas en el modelado y validación de riesgo de crédito, ampliando la aplicabilidad práctica de la comparación entre los modelos.

Las limitaciones de este estudio incluyen el desbalanceo de la base de datos y la posible ausencia de variables adicionales que podrían mejorar la explicación del riesgo de incumplimiento de pago. Es importante destacar que, en aplicaciones reales de riesgo de crédito, se suele adoptar el mantenimiento de la distribución original de los datos, ya que las técnicas de balanceo pueden distorsionar la estimación de la PD. Además, la utilización de una base de datos específica puede limitar la generalización de los resultados, lo que exige que los hallazgos sean interpretados con cautela al ser aplicados a otros contextos.

En resumen, la investigación demostró que, si bien la regresión logística es un modelo robusto e interpretable, el algoritmo XGBoost presentó un rendimiento predictivo superior en la estimación de la Probabilidad de Default, evidenciando su mayor capacidad discriminatoria en la ordenación de los clientes en cuanto al riesgo de impago. Los hallazgos subrayan la importancia del historial de retrasos como un predictor central y refuerzan que la elección del modelo ideal debe equilibrar el poder predictivo con la interpretabilidad y la aplicabilidad práctica en el contexto de la gestión del riesgo de crédito.

4. Conclusión

El presente estudio buscó comparar el rendimiento de la regresión logística y del algoritmo XGBoost en la estimación de la Probabilidad de Default (PD), un parámetro fundamental en la gestión del riesgo de crédito. Se observó que el modelo XGBoost demostró una capacidad predictiva superior en relación con la regresión logística, evidenciada por métricas como el Área bajo la Curva ROC (AUC) de 0,865, el coeficiente de Gini de 0,73 y la estadística de Kolmogorov-Smirnov (KS) de 0,576. En contraste, la regresión logística obtuvo valores de AUC de 0,702, Gini de 0,404 y KS de 0,330, indicando una capacidad discriminatoria moderada. Los hallazgos revelaron que el historial de retrasos en pagos constituye el principal predictor de incumplimiento en ambos modelos, con especial énfasis en retrasos superiores a 90 días, mientras que variables de perfil del cliente, como edad e ingresos mensuales, presentaron menor importancia relativa. La superioridad del XGBoost se atribuyó a su habilidad para capturar relaciones no lineales e interacciones complejas entre las variables explicativas.

La principal contribución de este trabajo reside en la demostración de las ganancias predictivas que técnicas de aprendizaje automático, como XGBoost, pueden ofrecer en la medición del riesgo de crédito, promoviendo una evaluación más precisa de la probabilidad de incumplimiento. Sin embargo, se destaca que la elección del modelo más adecuado en un entorno corporativo debe ponderar no solo el rendimiento predictivo, sino también la interpretabilidad, la transparencia y la aplicabilidad práctica, atributos en los que la Regresión Logística aún se destaca. Las limitaciones del estudio incluyen el desbalanceo de la base de datos y la utilización de un conjunto de datos específico, lo que puede restringir la generalización de los resultados. Para estudios futuros, se sugiere la exploración de otros algoritmos de machine learning y la inclusión de variables explicativas adicionales, con el objetivo de mejorar aún más la capacidad predictiva y la aplicabilidad de los modelos en diversos contextos de riesgo de crédito.

Referencias 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.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy

Más recientes

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

También te puede interesar

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

La gestión financiera personal representa un desafío creciente, influenciada por sesgos cognitivos que afectan la toma de decisiones, incluso en individuos con alto conocimiento. El presente estudio analizó la relación entre el nivel de educación financiera y la ocurrencia de sesgos conductuales en la toma de decisiones financieras de adultos residentes en Brasil. Se realizó un levantamiento de campo de naturaleza aplicada, cuantitativa y descriptivo-correlacional, mediante la aplicación de un cuestionario estructurado a 163 encuestados. El instrumento contempló variables sociodemográficas, conocimiento y hábitos financieros, y situaciones hipotéticas para identificar sesgos cognitivos. Los resultados indicaron que niveles más elevados de educación financiera se asociaron con mejores prácticas de control financiero, ahorro e inversión, con correlaciones significativas con ingresos y escolaridad. Sin embargo, la presencia de sesgos conductuales (anclaje, aversión a la pérdida, escasez, optimismo/pesimismo, sesgo del presente, status quo, exceso de confianza y contabilidad mental) persistió incluso entre individuos con mayor escolaridad e ingresos, sin asociación estadísticamente significativa con las variables sociodemográficas analizadas. Se concluyó que la educación financiera, aunque esencial para la organización y el control financiero, no fue suficiente para neutralizar la influencia de sesgos cognitivos. Se sugiere la incorporación de enfoques conductuales a los programas de educación financiera.

Palabras clave: Comportamiento financiero; Economía conductual; Finanzas personales; Heurísticas cognitivas; Sesgos cognitivos.

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

La inserción de niños con Trastorno del Espectro Autista (TEA) en la Educación Infantil presenta desafíos significativos, dada la dificultad de adaptación a nuevos entornos y la intensidad de estímulos. El objetivo fue analizar la actuación docente en la Educación Infantil en el proceso de escolarización inicial de niños con TEA. Se realizó un estudio de caso, utilizando la entrevista narrativa como técnica de producción de datos. Los resultados revelaron que la actuación docente se caracterizó por prácticas de mediación y afecto, con la flexibilización de la rutina y el uso de recursos lúdicos como estrategias esenciales para el desarrollo y la organización sensorial del niño. También se destacó la importancia del profesional de apoyo escolar para el éxito del trabajo pedagógico. El desarrollo integral del niño fue promovido por medio de acciones docentes intencionales que priorizaron la adaptación ambiental, el fortalecimiento de vínculos y la atención a las necesidades específicas del TEA. Como contribución, se elaboró una guía de estrategias pedagógicas orientada a la acogida de niños con TEA en guarderías públicas.

Palabras clave: Educación Infantil; Inclusión Escolar; Narrativas Docentes; Prácticas Pedagógicas Inclusivas; Trastorno del Espectro Autista.

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

La expansión del comercio electrónico y la transformación tecnológica impulsaron la necesidad de comprender el comportamiento del consumidor de infoproductos, cuya experiencia percibida se ha vuelto crucial para el desarrollo profesional. El estudio tuvo como objetivo analizar los factores que influyeron en la decisión de compra de infoproductos en el entorno digital, considerando las etapas del viaje del consumidor. Se realizó una investigación aplicada, cuantitativa y descriptiva, a través de un estudio de campo con 100 consumidores de la Serra Gaúcha. La recopilación de datos se realizó mediante un cuestionario estructurado, utilizando muestreo no probabilístico. Los resultados revelaron un público cualificado y con un fuerte comportamiento “mobile-first”. Se constató que la disponibilidad de información detallada y la aprobación social fueron los principales desencadenantes de atracción en la fase de precompra. En las etapas transaccionales y posteriores, la minimización de fricciones operativas, la agilidad del acceso inmediato y la seguridad sistémica demostraron ser cruciales para la conversión y la satisfacción, aunque se identificaron lagunas en la eficiencia del soporte humano. La retención se fundamentó en la confianza generada por experiencias anteriores positivas, superando el factor precio. Se concluyó que el viaje del consumidor de infoproductos opera como un sistema integrado, exigiendo alineación entre infraestructura tecnológica, curaduría de contenido y humanización del soporte para asegurar el compromiso.

Palabras clave: Comercio electrónico; Comportamiento del consumidor; Experiencia del consumidor; Fidelización; Negocios virtuales.

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

La salud mental en el entorno laboral es un tema de creciente relevancia, que impacta el desarrollo profesional y el bienestar de los colaboradores. Se realizó un estudio para identificar aspectos y situaciones que pueden influir en los niveles de absentismo en una institución bancaria. La investigación involucró a 108 participantes y utilizó un cuestionario estructurado, basado en la versión corta del COPSOQ II de Gonçalves (2021), que contenía 45 preguntas cerradas en escala Likert y dos preguntas abiertas. Los datos se recopilaron a través de una plataforma en línea y se analizaron con un enfoque descriptivo y cuantitativo. Los resultados revelaron un escenario que indicó la necesidad de ajustes en la distribución de las actividades y en la percepción de los gerentes sobre comportamientos y señales de trastornos. Se identificaron evidencias importantes en las respuestas abiertas de los participantes. Se concluyó que el estudio contribuyó a la promoción de la percepción de un ambiente seguro para la salud mental en la organización.

Palabras clave: Ausencias por trastornos; Desarrollo profesional; Liderazgo operativo; Licencia médica; Salud mental.

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

El estado de Amazonas ha enfrentado desafíos históricos en la consolidación del Sistema Único de Salud (SUS), derivados de barreras geográficas, desigualdades socioeconómicas y limitaciones estructurales. En este estudio se describió el desarrollo e implementación de un geoportal de información en salud, concebido para apoyar el monitoreo, la evaluación y la planificación en el contexto amazónico. Se adoptó un enfoque de estudio de caso descriptivo, basado en análisis documental y datos secundarios, abarcando el mapeo de funcionalidades, la infraestructura técnica y las etapas de validación de la herramienta. El Portal fue desarrollado con tecnologías abiertas e integró múltiples bases de datos nacionales, ofreciendo dashboards interactivos, mapas temáticos y repositorio digital de documentos. Entre los resultados, destacaron la visualización georreferenciada de indicadores clave, la posibilidad de análisis comparativos temporales y la utilización de la plataforma en la revisión de planes de salud y en el redireccionamiento de acciones estratégicas. El portal puede representar un avance en la gobernanza digital y en la gestión basada en evidencia, con potencial de replicabilidad para otros territorios de alta complejidad, siempre que vaya acompañado de inversiones en infraestructura tecnológica, capacitación profesional y articulación interinstitucional.

Palabras clave: Amazonía; Evaluación en Salud; Salud Digital; Sistemas de Información en Salud.

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

El impacto del aprendizaje continuo y la gestión del conocimiento en el crecimiento de las organizaciones fue estudiado en un escenario de globalización y constantes cambios. El objetivo del estudio fue analizar la percepción de los colaboradores sobre la cultura de aprendizaje y su importancia para el desarrollo personal y profesional. Los datos se obtuvieron a través de una encuesta anónima, de enfoque cuantitativo, utilizando un formulario con preguntas tipo “survey” aplicado a 87 profesionales de los sectores de tecnología, salud, educación, comercio y servicios. Los resultados indicaron que los colaboradores tenían una percepción positiva sobre la contribución del aprendizaje continuo al crecimiento personal y organizacional, reconociendo sus beneficios para el desarrollo de nuevas habilidades, la innovación y la competitividad. Sin embargo, se observó que el incentivo al intercambio de conocimiento interno y la oferta de capacitaciones prácticas aún presentaban medias moderadas de acuerdo. Se concluyó que el aprendizaje continuo contribuye significativamente al desarrollo individual y organizacional, sugiriendo que las empresas deben desarrollar políticas estratégicas de aprendizaje dirigido a nuevas habilidades, buscando una mayor ventaja competitiva y la innovación.

Palabras clave: Aprendizaje continuo; Autodesarrollo; Crecimiento organizacional; Gestión del Conocimiento; Innovación.

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

Se propuso un modelo de regresión estadística múltiple para estimar el rendimiento operativo de la microrred CampusGrid de la UNICAMP, basándose en magnitudes eléctricas internas. La microrred integra generación fotovoltaica, baterías y un generador de gas. Se recopilaron datos del sistema de gestión de energía en intervalos de cinco minutos durante un mes. El Índice de Confiabilidad Operacional, definido como la razón entre energía atendida y demandada, se estableció como variable dependiente. El modelo se ajustó al modo de operación aislado, evaluando el impacto de la demanda, el estado de carga, la generación solar y la energía suministrada. Los resultados revelaron un elevado poder explicativo, indicando que la confiabilidad operativa depende de la interacción entre el suministro y la demanda. Se observó que el período nocturno concentró la mayor tasa de atención parcial, atribuida a la reducción de la generación solar. Se concluyó que la regresión múltiple ofrece una estructura interpretable y útil para el monitoreo de microrredes y el apoyo a estrategias de control.

Palabras clave: Almacenamiento en baterías; Generación fotovoltaica; Índice de Confiabilidad; Operación aislada; Sistema de Gestión de Energía.

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

La morosidad agregada en el sistema financiero brasileño es un indicador crucial de riesgo crediticio, cuya previsión está regulada por las Resoluciones CMN n.° 4.557/2017 y 4.966/2021 para la medición prospectiva de pérdidas esperadas. Se modeló y predijo la morosidad agregada mediante el modelo SARIMAX, proyectando su trayectoria hasta diciembre de 2026 bajo escenarios optimista, base y pesimista. Se utilizaron 164 observaciones mensuales (julio/2012 a febrero/2026) y variables macroeconómicas como desempleo, Selic, IPCA, IBC-Br y endeudamiento de las familias. La especificación con variables contemporáneas fue seleccionada con base en criterios de información y estabilidad de los coeficientes, y el diagnóstico de los residuos confirmó adecuación estadística, con MAPE de 3,12%. La morosidad histórica varió entre 4,33% y 7,64%. La estimación identificó el desempleo (β = 0,2534; p < 0,001) y la Selic (β = 0,2128; p < 0,001) como principales determinantes positivos, con fuerte persistencia temporal (AR(1) = 0,8965). La Selic exhibió correlación creciente con la morosidad (r = 0,62 en el rezago 12), mientras que el desempleo demostró efecto contemporáneo (r = 0,33). Las proyecciones indicaron morosidad entre 6,30% y 7,98% en diciembre de 2026, con una amplitud de 1,68 punto porcentual, evidenciando implicaciones directas para el dimensionamiento de provisiones en las instituciones financieras.

Palabras clave: Desempleo; Modelado predictivo; Política monetaria; Provisión de pérdidas; Series temporales.

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

Este estudio describió los factores críticos percibidos para la participación de las partes interesadas en la transferencia internacional de tecnología en un hospital público, con foco en la planificación. El objetivo fue describir estos factores condicionantes, según la percepción de los profesionales. Se realizó un estudio de caso único, aplicando un cuestionario a 25 profesionales y utilizando análisis de contenido, complementado por tabulaciones descriptivas. Los principales obstáculos identificados fueron resistencia al cambio (72%), financiación (64%), falta de comunicación (60%) y burocracia (40%). Solo el 28% de los encuestados reconoció la existencia de herramientas adecuadas para la gestión de stakeholders, mientras que el 48% negó y el 24% no supo informar. Cruzamientos exploratorios indicaron variaciones en la evaluación de influencia según el tiempo de actuación, pero no establecieron relaciones causales. La falta de participación se asoció con retrasos, baja adhesión, desperdicio de recursos, fallas de comunicación, compromiso de la absorción de conocimiento y riesgos para la seguridad del paciente. Las conclusiones se restringieron a las percepciones del grupo investigado y fundamentaron recomendaciones preliminares para la comunicación y coordinación intersectorial.

Palabras clave: Estudio de caso; Gestión de proyectos; Innovación en salud; Partes interesadas; Sector público.

Economia

19 de octubre de 2026

¿Fin de la escala 6×1: qué permiten concluir los números?

Tras la promulgación del fin de la escala 6×1, el debate sobre la jornada menor pasa a la implementación y exige distinguir beneficios sociales de costos económicos El fin de la escala 6×1 pasó de la discusión legislativa a un cambio constitucional en Brasil. El 16 de octubre de 2026, el Congreso Nacional promulgó la enmienda constitucional nº 141/2026, originada de la Propuesta […]

Inteligencia Artificial

16 de octubre de 2026

¿Por qué estudiar si existe la IA?

Cuando las respuestas se vuelven fáciles, aprender pasa a significar más que alcanzarlas. ¿Por qué necesito aprender esto si puedo preguntarle a una inteligencia artificial? Este tipo de pregunta ha acompañado a la educación durante décadas. ¿Por qué aprender una operación si existe una calculadora? ¿Por qué memorizar una información si se puede encontrar […]

Gestión Tributaria

15 de octubre de 2026

Impuesto rosa y el género del precio

Cómo los diferentes tratamientos de marketing para hombres y mujeres son incorporados por la tributación del consumo Imagine un estante en el que dos maquinillas de afeitar de la misma marca y destinadas al mismo propósito están expuestas una al lado de la otra: una tiene un empaque oscuro y promete fuerza, precisión y eficiencia; la otra viene en tonos de rosa o […]

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

¿Por qué la innovación no es suficiente para generar cambios en las organizaciones y en los sistemas de salud La transformación digital se ha consolidado como una prioridad estratégica para los sistemas de salud en todo el mundo. Historias clínicas electrónicas, inteligencia artificial, telemedicina, monitorización remota y análisis de datos han pasado a formar parte de la agenda estratégica de gobiernos y organizaciones sanitarias. Paradójicamente, […]

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

Un caso real de consumer intelligence muestra lo que queda fuera del briefing Hace algunos años, una aseguradora estadounidense contrató a una empresa especializada en consumer intelligence para responder a tres preguntas: La aseguradora también evaluaba lanzar seguros pagados en bitcoin. En ese momento, el proceso de trabajo de la consultoría funcionaba así: el analista creaba una query […]

Gestión Escolar

06 de octubre de 2026

La escuela no es un casino: cuando las figuritas se convierten en moneda en el patio

¿Por qué, para determinados estudiantes, la escuela logra ofrecer tan pocas experiencias de éxito? La Copa del Mundo ha terminado. Brasil ha quedado fuera de la competición, llegaron las vacaciones escolares, se disputó la final y el calendario del fútbol siguió adelante. Sería razonable imaginar que, con el fin del torneo y el regreso a clases, también comenzara […]

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

Brasil necesita invertir en la capacidad de transformar recursos naturales en innovación, productividad y desarrollo Hablar de energía es hablar de desarrollo. Detrás de la industria, el transporte, los servicios, las ciudades y, cada vez más, la inteligencia artificial, existe una infraestructura energética que sustenta la economía. Comprender la matriz energética de un país es comprender […]

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

Análisis de casi 20 millones de vínculos-año docentes entre 2020 y 2025 muestra cómo cambios en la composición de la población y en la producción de los registros pueden alterar la interpretación de series históricas Entre 2020 y 2025, el número de vínculos formales de trabajo docente identificados en la RAIS (Relación Anual de Información Social), del Ministerio de Trabajo, […]

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

¿Por qué tanta gente se une a los juegos con ChatGPT? Nunca fui una persona de tendencias. Sigo sin serlo. Algunas pasan por mi línea de tiempo, las veo, me parecen interesantes pero no al punto de experimentar. Fue así, inclusive, con algunas ondas recientes de imágenes hechas por inteligencia artificial, como la tendencia de los años 80, aquella que nos […]

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

La eficiencia para gestionar los impuestos facilita la gobernanza y permite organizar la sucesión familiar. La organización patrimonial rural se ha convertido en una medida estratégica ante la reforma tributaria en Brasil, que entró en vigor este año. La planificación de las actividades y de la gestión del patrimonio rural, a través de herramientas como la transición de la Persona Física a […]

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

Dentro de la empresa y fuera del radar: los riesgos de la IA Sombra

Según Microsoft, el 75% de los profesionales ya utilizan inteligencia artificial en el trabajo sin la aprobación de la empresa El uso de la inteligencia artificial generativa ya forma parte de la rutina corporativa. Herramientas como ChatGPT, Copilot y otras plataformas ayudan a los profesionales a producir textos, analizar datos, crear presentaciones y acelerar tareas en prácticamente todos los sectores. Pero este avance […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

El interés académico refuerza la proyección de escenarios como herramienta esencial para la toma de decisiones. Mientras algunas empresas aún intentan acertar el próximo paso, otras ya trabajan con múltiples futuros posibles — y se preparan para todos ellos. Pero, ¿qué significa “pensar el futuro”? ¿Es tendencia, es estrategia o una nueva competencia que […]

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

Pecege comanda a 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 […]

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

Nueva gestión del Parque Tecnológico de Piracicaba ofrece consultoría a egresados de MBAs El nuevo director de proyectos del Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, suele decir que una de las mayores recompensas que ha tenido en la vida ha sido ver a sus orientandos del MBA USP/Esalq estructurar empresas a partir de sus trabajos de conclusión de […]

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

El pensamiento crítico y la creatividad son insustituibles en el trabajo del profesional de marketing La Inteligencia Artificial (IA) es capaz de hazañas increíbles, pero aún no posee la capacidad de juicio, empatía, intuición y creatividad estratégica necesarias para hacer el trabajo de un buen profesional de marketing. En esta área, es importante saber usar la herramienta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

Santa Clara equilibra responsabilidad social y ambiental con innovación Fundada en 1911 por inmigrantes italianos en Carlos Barbosa, en la sierra gaúcha, la Cooperativa Santa Clara es un ejemplo de que es posible equilibrar el crecimiento económico con la responsabilidad social y ambiental. De una pequeña empresa de producción de quesos, la organización evolucionó a un […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

¿Brasil libre de fiebre aftosa: qué cambia para la carne brasileña?

Con un rebaño de más de 200 millones de cabezas de ganado, el país es actualmente el líder en exportaciones Brasil recibió recientemente, por primera vez, la certificación de país libre de fiebre aftosa sin vacunación, otorgada por la Organización Mundial de Sanidad Animal (OMSA). El sello fortalece la posición del país como proveedor de carne confiable para el […]

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

El Instituto Pecege asume la gestión apostando en la creación de nuevos negocios A partir de 2026, el Instituto Pecege asumirá la gestión del Parque Tecnológico de Piracicaba (PTP). Entre sus responsabilidades estarán la administración, operación, mantenimiento y expansión del parque, además del fomento de actividades de innovación, emprendimiento y ciencia y tecnología. La elección fue realizada […]

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La arquitectura y el urbanismo se configuran como bases imprescindibles en un espacio urbano cada vez más complejo y desafiante, donde la intrínseca conexión entre cuestiones sociales, ambientales y tecnológicas […]