Modelagem Preditiva de Propensão à Contratação de Empréstimos

Empréstimos, Modelagem Preditiva de Propensão à Contratação de

doi:10.22167/2675-6528-202602667

Artigo

30 de setembro de 2026

Modelagem Preditiva de Propensão à Contratação de Empréstimos

Modelagem Preditiva de Propensão à Contratação de Empréstimos

Andressa de Souza; Ana Julia Righetto

DOI: 10.22167/2675-6528-202602667

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

Diante do desafio do setor financeiro em aprimorar a eficiência na oferta de crédito, desenvolveu-se e comparou-se modelos preditivos de machine learning para estimar a propensão de clientes à contratação de empréstimo pessoal. A metodologia adotada foi quantitativa e aplicada, baseada em um conjunto de dados público com 5.000 registros, obtido na plataforma Kaggle. Treinaram-se e avaliaram-se quatro algoritmos de classificação: Regressão Logística, Random Forest, XGBoost e LightGBM, com divisão em conjuntos de treino e teste. A avaliação de desempenho fundamentou-se nas métricas de AUC, Precisão, Sensibilidade (Recall) e F1-Score, o que permitiu uma análise técnica robusta. Os resultados indicaram que os modelos de ensemble apresentaram desempenho superior ao modelo de referência, com maior capacidade discriminatória na identificação de clientes com maior propensão à contratação de empréstimo pessoal. A análise de importância das variáveis evidenciou que fatores como renda do cliente, gasto médio com cartão de crédito e nível de escolaridade estiveram entre os principais associados à decisão de contratação de empréstimo. A aplicação de modelos de machine learning demonstrou potencial para aprimorar estratégias em instituições financeiras, promovendo maior eficiência na alocação de recursos e competitividade no mercado.

Palavras-chave: instituições financeiras; machine learning; modelos de classificação.

1. Introdução

O setor financeiro enfrenta o desafio constante de aprimorar a eficiência na oferta de crédito e na aquisição de clientes. Apesar dos avanços tecnológicos, as instituições financeiras ainda encontram limitações práticas na condução de estratégias eficazes, especialmente no que tange à predição da probabilidade de contratação de produtos, como empréstimos pessoais (Špicas et al., 2023).

A ausência de mecanismos de predição robustos e uma segmentação de clientes pouco refinada resultam em estratégias de precificação menos diferenciadas e na dificuldade em identificar clientes com maior propensão à contratação de produtos financeiros. Isso limita o direcionamento de ofertas personalizadas e impacta diretamente a rentabilidade, pois a identificação prévia da propensão à contratação é crucial para uma conversão eficiente.

Nesse cenário, a adoção de modelos de machine learning emerge como uma solução promissora para mitigar tais problemas. Esses modelos permitem uma análise preditiva do comportamento do cliente, subsidiando decisões estratégicas mais eficazes (Khodabandehlou e Rahman, 2017). A aplicação de técnicas de Data Science no ambiente corporativo é fundamental para mitigar riscos e extrair informações relevantes de grandes bases de dados, fornecendo análises robustas para decisões estratégicas (Fávero e Belfiore, 2019).

A evolução do uso de modelos de machine learning no setor financeiro tem sido notável. Inicialmente, modelos mais simples como Regressão Logística e Decision Tree eram predominantes. Com o amadurecimento da área, métodos mais sofisticados, como Random Forest e Support Vector Machines, foram incorporados, oferecendo ganhos em precisão e eficiência. Mais recentemente, técnicas de ensemble, como XGBoost e LightGBM, destacam-se pela capacidade de lidar com bases de dados complexas e com grande volume de registros (Khodabandehlou e Rahman, 2017).

A literatura também ressalta a influência de fatores pessoais, socioeconômicos e comportamentais na decisão de contratação de produtos de crédito (Contreras Pinochet et al., 2019). Fatores como idade, renda, escolaridade e tempo de relacionamento com a instituição financeira são frequentemente associados a essa decisão. Adicionalmente, aspectos de marketing, incluindo características do produto, políticas de preços e estratégias promocionais, são relevantes na percepção de valor e na diferenciação entre instituições financeiras em mercados competitivos (Baumann et al., 2007).

A capacidade de prever a propensão à contratação de produtos de crédito contribui significativamente para a eficiência na aquisição de clientes. Isso permite a priorização de leads com maior probabilidade de conversão, a redução de gastos com campanhas de marketing ineficazes e a otimização das estratégias de precificação. Dessa forma, a predição acurada do comportamento do cliente favorece uma alocação mais eficiente de recursos e fortalece a competitividade das instituições financeiras (Romanenko et al., 2024). Diante desse contexto, o presente trabalho teve como objetivo implementar e comparar o desempenho de diferentes algoritmos de classificação supervisionada aplicados à predição da propensão de clientes à contratação de empréstimos, utilizando uma base de dados pública que simula características observadas em dados reais do setor financeiro, e identificar as variáveis que possuem maior influência na decisão da contratação de empréstimo com a análise de importância de variáveis, fornecendo insights relevantes para otimização de estratégias de precificação e segmentação de clientes em instituições financeiras.

2. Material e Métodos

O presente estudo caracterizou-se por uma abordagem quantitativa e de natureza aplicada, visando implementar e comparar o desempenho de algoritmos de classificação supervisionada. O objetivo foi predizer a propensão de clientes à contratação de empréstimos e identificar as variáveis de maior influência nessa decisão, fornecendo subsídios para otimização de estratégias em instituições financeiras.

A base de dados utilizada, intitulada “Bank Personal Loan Modelling”, foi obtida publicamente na plataforma Kaggle (Kaggle, 2017). O conjunto de dados, disponibilizado em 2017, continha 5.000 registros. Estes registros incluíam informações demográficas, financeiras e comportamentais de clientes de uma instituição financeira, sendo a variável alvo, “Personal Loan”, um indicador binário da contratação (1) ou não contratação (0) de um empréstimo pessoal.

Inicialmente, realizou-se uma análise exploratória dos dados para compreender a estrutura da base, identificar padrões de comportamento e a distribuição das variáveis. Essa etapa também permitiu avaliar possíveis inconsistências antes da fase de modelagem preditiva, garantindo a qualidade e a adequação dos dados para as análises subsequentes.

As variáveis consideradas no estudo abrangiam dados demográficos como idade, experiência profissional, número de pessoas na família e nível de escolaridade. Informações financeiras incluíam renda, gasto médio com cartão de crédito, valor do financiamento imobiliário, e a posse de conta de investimentos, certificado de depósito ou cartão de crédito. A variável alvo, “Personal Loan”, indicava a contratação ou não de empréstimo pessoal.

Na etapa de pré-processamento, padronizaram-se os nomes das variáveis, removendo espaços e convertendo para letras minúsculas, a fim de evitar inconsistências. Verificou-se a existência de valores ausentes e a necessidade de exclusão de variáveis sem valor preditivo. As variáveis foram classificadas em numéricas e categóricas, mesmo que já estivessem codificadas numericamente na base de origem.

Em seguida, os dados foram separados em conjuntos de treino (70%) e teste (30%), utilizando a abordagem de validação por conjunto de teste (James et al., 2023). Essa proporção foi adotada para equilibrar o número de observações para o treino dos modelos e a manutenção de dados suficientes para a avaliação. A distribuição original e desbalanceada dos dados foi mantida durante o treinamento.

Para a modelagem preditiva, implementaram-se quatro algoritmos de classificação supervisionada. Foram utilizados a Regressão Logística, como modelo de referência (Hosmer et al., 2013), e técnicas de ensemble mais avançadas, como Random Forest (Breiman, 2001), XGBoost (Chen e Guestrin, 2016) e LightGBM (Ke et al., 2017). Para a definição dos hiperparâmetros, optou-se pelos parâmetros padrão das bibliotecas, visando garantir comparabilidade e evitar o ajuste excessivo aos dados (Fávero e Belfiore, 2019).

A estabilidade dos resultados foi avaliada utilizando diferentes sementes aleatórias, testando-se duas sementes distintas para verificar a consistência dos algoritmos. O processamento dos dados e a implementação dos algoritmos foram realizados na linguagem de programação Python, no ambiente Visual Studio Code (VS Code). As bibliotecas Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, XGBoost e LightGBM foram empregadas para manipulação de dados, visualização e modelagem preditiva.

Após a implementação dos modelos, realizou-se a análise comparativa de desempenho com base em métricas de Acurácia, Precisão, Sensibilidade (Recall) e F1-Score. Adicionalmente, foram utilizadas a Curva ROC e a Área sob a Curva (AUC), consideradas adequadas para problemas de classificação binária com classes desbalanceadas (Fawcett, 2006). Essas métricas foram derivadas da Matriz de Confusão, conforme descrito por Fávero e Belfiore (2019).

A Acurácia mensurou a proporção de predições corretas em relação ao total de observações. A Precisão quantificou a proporção de predições positivas que foram feitas corretamente, indicando a probabilidade de um cliente classificado como propenso realmente contratar o empréstimo. A Sensibilidade, ou Recall, mediu a proporção de casos positivos reais identificados corretamente, refletindo a capacidade do algoritmo de encontrar clientes que de fato contratariam o empréstimo. O F1-Score, por sua vez, representou a média harmônica entre Precisão e Sensibilidade, sendo uma métrica fundamental para avaliar o modelo em bases de dados desbalanceadas (Fávero e Belfiore, 2019).

Adicionalmente, analisou-se a importância das variáveis (“feature importance”) estimada a partir dos modelos baseados em árvore. O objetivo foi identificar os atributos que exerceram maior influência na estimativa da propensão à contratação de empréstimos, fornecendo subsídios para a tomada de decisão em instituições financeiras.

3. Resultados e Discussão

A análise exploratória dos dados revelou características importantes do conjunto utilizado para a modelagem preditiva. Inicialmente, identificou-se uma inconsistência na variável “experience”, que apresentava valores negativos em aproximadamente 1% dos registros. Esse achado foi interpretado como um erro de registro, e os valores foram ajustados para zero, representando clientes sem experiência profissional. Adicionalmente, a variável alvo, “personal_loan”, que indica a contratação de empréstimo pessoal, demonstrou uma distribuição desbalanceada, com 90,4% dos clientes não contratando o produto e 9,6% realizando a contratação. Essa assimetria sublinhou a necessidade de priorizar métricas de avaliação de desempenho adequadas para problemas de classificação com classes desbalanceadas, como Precisão, Sensibilidade e F1-Score, em vez de depender exclusivamente da Acurácia, conforme discutido por Fawcett (2006).

Os histogramas das variáveis numéricas, como “income” (renda do cliente) e “ccavg” (gasto médio no cartão de crédito), indicaram assimetria em suas distribuições, com concentração de observações em faixas específicas e a presença de valores extremos. Esse padrão é comum em bases de dados do setor financeiro e reforça a importância de modelos robustos capazes de lidar com essa estrutura. A análise das distribuições dessas variáveis em relação à contratação de empréstimo pessoal revelou diferenças significativas entre os grupos. Clientes que contrataram empréstimos apresentaram, em média, renda e gasto com cartão de crédito mais elevados, sugerindo que esses fatores possuem um potencial discriminatório relevante na identificação da propensão à contratação do produto.

A matriz de correlação entre as variáveis numéricas identificou uma forte correlação positiva entre “experience” (tempo de experiência profissional) e “age” (idade do cliente), um resultado esperado, pois o tempo de experiência profissional tende a aumentar com a idade. Observou-se também uma correlação positiva moderada entre “income” e “ccavg”, o que é consistente com o comportamento financeiro, onde a capacidade de gasto com cartão de crédito geralmente acompanha a renda. Embora a presença de multicolinearidade possa influenciar a interpretabilidade dos coeficientes em modelos lineares como a Regressão Logística, os algoritmos baseados em árvores de decisão, como Random Forest, XGBoost e LightGBM, demonstraram robustez a essa característica, minimizando seu impacto no desempenho preditivo.

A avaliação do desempenho dos modelos preditivos foi realizada com base em métricas como AUC, Precisão, Sensibilidade (Recall) e F1-Score, consideradas mais adequadas para cenários com classes desbalanceadas, como o observado neste estudo. A Acurácia, embora calculada, foi analisada com cautela, pois pode apresentar valores elevados mesmo com baixa capacidade de identificar a classe minoritária, levando a interpretações imprecisas. A Sensibilidade, que mede a proporção de verdadeiros positivos identificados, foi crucial para avaliar a capacidade do modelo de capturar clientes com real propensão à contratação, diretamente ligada à potencial geração de receita. Por outro lado, a Precisão, que indica a proporção de predições positivas corretas, foi fundamental para avaliar a eficiência operacional, minimizando contatos desnecessários.

A comparação entre os algoritmos de classificação revelou a superioridade dos modelos baseados em técnicas de “ensemble” na identificação de clientes com maior propensão à contratação de empréstimos. A Regressão Logística, utilizada como modelo de referência, apresentou a menor Sensibilidade, atingindo 64,6%. Isso significa que o modelo falhou em identificar 35,4% dos clientes que realmente contratariam o empréstimo, resultando em uma perda significativa de oportunidades comerciais. Em contraste, os modelos LightGBM, XGBoost e Random Forest demonstraram desempenho substancialmente superior em todas as métricas avaliadas, confirmando a eficácia das abordagens de ensemble para este tipo de problema de classificação, conforme observado na literatura por Khodabandehlou e Rahman (2017).

Entre os modelos de ensemble, LightGBM e XGBoost destacaram-se com os maiores valores de Precisão e F1-Score. Ambos os algoritmos alcançaram 95,6% de Precisão e 93,2% de F1-Score, indicando que suas predições positivas foram altamente confiáveis e que apresentaram um excelente equilíbrio entre Precisão e Sensibilidade. O Random Forest também exibiu um desempenho robusto, com 97,0% de Precisão e 93,1% de F1-Score, ligeiramente abaixo dos outros dois em Sensibilidade. Esses resultados demonstram que LightGBM e XGBoost são particularmente adequados para utilização em campanhas de marketing e estratégias de precificação, pois minimizam o desperdício de recursos operacionais ao mesmo tempo em que maximizam a identificação de clientes potenciais.

As curvas ROC e os valores de AUC corroboraram a superioridade dos modelos de ensemble. A Regressão Logística obteve um AUC de 95,1%, enquanto Random Forest e XGBoost alcançaram 99,7%, e LightGBM apresentou o valor mais elevado, com 99,8%. Esses valores próximos de 100% indicam uma alta capacidade discriminatória dos modelos de ensemble na distinção entre clientes que contratam e não contratam empréstimos. No entanto, é importante considerar que esse desempenho elevado pode ser parcialmente atribuído às características da base de dados utilizada, que possui uma natureza simplificada e uma estrutura relativamente bem definida, com variáveis fortemente relacionadas à variável alvo, o que pode não refletir a mesma performance em ambientes reais mais complexos, conforme apontado por Fawcett (2006).

A superioridade do LightGBM em Sensibilidade e Precisão tem um impacto gerencial significativo, especialmente em cenários de oferta ativa de empréstimos. Em um cenário hipotético de uma campanha de oferta de empréstimo pessoal para 100.000 clientes, com uma taxa de conversão real de 10% (10.000 clientes com propensão à contratação), o modelo LightGBM, com Sensibilidade de 91,0%, identificaria aproximadamente 9.100 desses clientes. Em contraste, a Regressão Logística, com Sensibilidade de 64,6%, identificaria apenas cerca de 6.460 clientes. Essa diferença representa a perda de aproximadamente 2.640 potenciais clientes que não seriam abordados, impactando diretamente a geração de receita. Financeiramente, assumindo um valor médio de empréstimo de R$ 4.000 por cliente, essa lacuna se traduz em um potencial adicional de aproximadamente R$ 10,56 milhões em volume de crédito concedido.

Em termos de eficiência operacional, a maior Precisão do LightGBM (95,6%) em comparação com a Regressão Logística (83,0%) garante uma alocação mais eficaz do orçamento da campanha. Considerando as predições positivas, o LightGBM geraria aproximadamente 4,4% de falsos positivos, resultando em cerca de 440 contatos ineficientes para cada 10.000 clientes abordados. A Regressão Logística, por sua vez, resultaria em aproximadamente 17,0% de falsos positivos, ou seja, cerca de 1.700 abordagens sem retorno. Essa diferença evidencia um desperdício significativamente maior de recursos operacionais e um potencial desgaste no relacionamento com clientes ao utilizar o modelo de referência. Assim, a maior complexidade computacional dos modelos baseados em árvore se traduz em maior eficiência econômica, melhor aproveitamento das oportunidades comerciais e vantagem competitiva para as instituições financeiras, conforme destacado por Fávero e Belfiore (2019).

A análise de importância das variáveis (“feature importance”), estimada pelos modelos Random Forest, XGBoost e LightGBM, revelou consistência nos principais fatores explicativos da propensão à contratação de empréstimos. As variáveis “income” (renda do cliente), “ccavg” (gasto médio com cartão de crédito) e “education” (nível de escolaridade) apareceram consistentemente entre as mais relevantes em todos os modelos de ensemble. Esses resultados reforçam a coerência dos modelos com o comportamento esperado no contexto de negócios, uma vez que características financeiras e socioeconômicas são amplamente reconhecidas na literatura como influenciadoras diretas da decisão de contratação de produtos de crédito (Contreras Pinochet et al., 2019). A identificação desses fatores permite às instituições financeiras refinar suas estratégias de segmentação e personalização de ofertas.

Apesar dos resultados promissores e do alto poder preditivo dos modelos selecionados, o estudo apresentou algumas limitações metodológicas que merecem consideração. A principal delas reside na utilização de uma base de dados pública com um número relativamente baixo de registros (5.000), o que pode ter contribuído para os valores de AUC elevados, que podem não ser replicáveis em ambientes reais mais complexos. Além disso, a base de dados era estática, não capturando a evolução do comportamento dos clientes ao longo do tempo nem o impacto de variáveis macroeconômicas dinâmicas, como flutuações na taxa de juros (Selic), inflação ou níveis de desemprego, que afetam diretamente a propensão à contratação de empréstimos. Essa característica limita a generalização dos resultados para cenários de mercado mais voláteis.

Outra limitação importante foi a não aplicação de técnicas de balanceamento de classes, como SMOTE, o que pode ter restringido o desempenho do modelo de referência, a Regressão Logística, e representa uma oportunidade de melhoria para estudos futuros. Para validar a robustez e estabilidade dos algoritmos de machine learning em diferentes cenários econômicos, trabalhos futuros poderiam se beneficiar da utilização de bases de dados mais abrangentes, incluindo uma gama maior de variáveis e indicadores econômicos temporais. Adicionalmente, a exploração de técnicas de otimização de hiperparâmetros, como GridSearchCV, poderia maximizar a capacidade preditiva dos algoritmos de “ensemble” em cenários reais, aprimorando ainda mais a aplicabilidade prática dos modelos em instituições financeiras.

Em síntese, os resultados obtidos demonstram que os modelos de machine learning baseados em técnicas de “ensemble”, especialmente LightGBM e XGBoost, superaram significativamente o modelo de Regressão Logística na predição da propensão de clientes à contratação de empréstimos. Essa superioridade foi evidenciada por métricas de desempenho robustas, como AUC, Precisão, Sensibilidade e F1-Score, que indicaram maior capacidade discriminatória e eficiência na identificação de clientes potenciais. A análise de importância das variáveis confirmou que fatores como renda, gasto com cartão de crédito e escolaridade são determinantes nessa decisão, fornecendo insights valiosos para a otimização de estratégias de precificação e segmentação de clientes. A aplicação desses modelos oferece um potencial considerável para aprimorar a eficiência na alocação de recursos e fortalecer a competitividade das instituições financeiras, contribuindo para uma tomada de decisão mais informada e estratégica.

4. Conclusão

O presente estudo buscou implementar e comparar algoritmos de classificação supervisionada para predizer a propensão de clientes à contratação de empréstimos, além de identificar as variáveis mais influentes nessa decisão, visando otimizar estratégias de precificação e segmentação em instituições financeiras. Verificou-se que os modelos baseados em técnicas de ensemble, notadamente LightGBM e XGBoost, apresentaram desempenho preditivo superior em comparação com a Regressão Logística, o modelo de referência. Essa superioridade foi evidenciada por métricas como AUC, Precisão, Sensibilidade e F1-Score, que indicaram maior capacidade discriminatória na identificação de clientes com alta propensão à contratação. A análise de importância das variáveis revelou que a renda do cliente, o gasto médio com cartão de crédito e o nível de escolaridade estiveram consistentemente entre os fatores mais relevantes. A aplicação desses modelos demonstra um potencial significativo para aprimorar a eficiência na aquisição de clientes, otimizar a alocação de recursos e fortalecer a competitividade no setor financeiro, ao permitir uma tomada de decisão mais informada e estratégica.

Contudo, os resultados devem ser interpretados com cautela, dadas as limitações metodológicas do estudo. A principal delas reside na utilização de uma base de dados pública, com um número relativamente baixo de registros e de natureza estática, o que pode ter contribuído para os valores elevados de AUC e não reflete a complexidade de ambientes reais, que incluem a evolução do comportamento do cliente e variáveis macroeconômicas dinâmicas. Além disso, a não aplicação de técnicas de balanceamento de classes representou uma restrição. Para estudos futuros, sugere-se a utilização de bases de dados mais abrangentes, que incorporem uma gama maior de variáveis e indicadores econômicos temporais, a fim de validar a robustez e estabilidade dos algoritmos em cenários mais realistas. A exploração de técnicas de otimização de hiperparâmetros também pode maximizar a capacidade preditiva dos modelos de ensemble, aprimorando sua aplicabilidade prática.

Referências Bibliográficas

Baumann, C.; Burton, S.; Elliott, G. 2007. Predicting consumer behavior in retail banking. Journal of Business and Management 2(3): 79-96.

Breiman, L. 2001. Random forests. Machine Learning 45(1): 5-32.

Chen, T.; Guestrin, C. 2016. XGBoost: a scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco, CA, USA. Anais… p. 765-794.

Contreras Pinochet, L. H.; Diogo, G. T.; Lopes, E. L.; Herrero, E.; Bueno, R. L. P. 2019. Propensity of contracting loans services from FinTech’s in Brazil. International Journal of Bank Marketing 37(5): 1056-1077.

Fawcett, T. 2006. An introduction to ROC analysis. Pattern Recognition Letters 27(8): 861-874.

Fávero, L. P.; Belfiore, P. 2019. Data Science for Business and Decision Making. Academic Press, London, UK.

Hosmer, D. W.; Lemeshow, S.; Sturdivant, R. X. 2013. Applied Logistic Regression. 3. ed. John Wiley & Sons, Hoboken, NJ, USA.

James, G.; Witten, D.; Hastie, T.; Tibshirani, R.; Taylor, J. 2023. An Introduction to Statistical Learning: with Applications in Python. Springer, New York, NY, USA.

Kaggle. 2017. Bank Personal Loan Modelling. Disponível em: https://www.kaggle.com/datasets/itsmesunil/bank-loan-modelling. Acesso em: 28 nov. 2025.

Ke, G.; Meng, Q.; Finley, T.; Wang, T.; Chen, W.; Ma, W.; Ye, Q.; Liu, T. Y. 2017. LightGBM: A highly efficient gradient boosting decision tree. In: Advances in Neural Information Processing Systems, 2017, Long Beach, CA, USA. Anais… p. 3146-3154.

Khodabandehlou, S.; Rahman, M. Z. 2017. Comparison of supervised machine learning techniques for customer churn prediction based on analysis of customer behavior. Journal of Systems and Information Technology 19(1/2): 65-93.

Romanenko, N.; Sharma, K.; Verma, S. 2024. Prediction of financial customer buying behavior based on machine learning. Journal of Artificial Intelligence General Science JAIGS 5(01): 125-131.

Špicas, R.; Neifaltas, A.; Kanapickienė, R.; Keliuotytė-Staniulėnienė, G.; Vasiliauskaitė, D. 2023. Estimating the acceptance probabilities of consumer loan offers in an online loan comparison and brokerage platform. Risks 11: 138.

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 […]