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

22 de outubro de 2026

Desafios e Possibilidades do Primeiro Ano Escolar de Crianças com Tea para o Trabalho Docente

22 de outubro de 2026

Jornada do Consumidor na Decisão de Compra de Infoprodutos no Ambiente Digital

22 de outubro de 2026

Riscos Psicossociais e Saúde Mental no Trabalho em uma Instituição Bancária

22 de outubro de 2026

Observatório Digital da Amazônia: Ciência de Dados Aplicada à Análise de Indicadores Sociais, Econômicos, Ambientais e de Saúde

22 de outubro de 2026

Aprendizado Contínuo como Fator de Crescimento Organizacional na Percepção dos Colaboradores

22 de outubro de 2026

Regressão Estatística em Microrredes para Estimativa de Desempenho Operacional: Caso Campusgrid

22 de outubro de 2026

Previsão da Inadimplência Agregada no Sistema Financeiro Brasileiro por Modelo Sarimax com Variáveis Macroeconômicas

22 de outubro de 2026

Fatores de Engajamento das Partes Interessadas na Transferência Internacional de Tecnologia para um Hospital Público

22 de outubro de 2026

Combate às Perdas Comerciais de Energia Elétrica Utilizando Modelo de Séries Temporais

Você também pode gostar

22 de outubro de 2026

Desafios e Possibilidades do Primeiro Ano Escolar de Crianças com Tea para o Trabalho Docente

A inserção de crianças com Transtorno do Espectro Autista (TEA) na Educação Infantil apresenta desafios significativos, dada a dificuldade de adaptação em novos ambientes e a intensidade de estímulos. O objetivo foi analisar a atuação docente na Educação Infantil no processo de escolarização inicial de crianças com TEA. Realizou-se um estudo de caso, utilizando a entrevista narrativa como técnica de produção de dados. Os resultados revelaram que a atuação docente caracterizou-se por práticas de mediação e afeto, com a flexibilização da rotina e o uso de recursos lúdicos como estratégias essenciais para o desenvolvimento e organização sensorial da criança. Destacou-se também a importância da profissional de apoio escolar para o êxito do trabalho pedagógico. O desenvolvimento integral da criança foi promovido por meio de ações docentes intencionais que priorizaram a adaptação ambiental, o fortalecimento de vínculos e o atendimento às necessidades específicas do TEA. Como contribuição, elaborou-se um guia de estratégias pedagógicas voltado ao acolhimento de crianças com TEA em creches públicas.

Palavras-chave: Educação Infantil; Inclusão Escolar; Narrativas Docentes; Práticas Pedagógicas Inclusivas; Transtorno do Espectro Autista.

22 de outubro de 2026

Jornada do Consumidor na Decisão de Compra de Infoprodutos no Ambiente Digital

A expansão do comércio eletrônico e a transformação tecnológica impulsionaram a necessidade de compreender o comportamento do consumidor de infoprodutos, cuja experiência percebida tornou-se crucial para o desenvolvimento profissional. O estudo objetivou analisar os fatores que influenciaram a decisão de compra de infoprodutos no ambiente digital, considerando as etapas da jornada do consumidor. Realizou-se uma pesquisa aplicada, quantitativa e descritiva, por meio de um levantamento de campo com 100 consumidores da Serra Gaúcha. A coleta de dados ocorreu via questionário estruturado, utilizando amostragem não probabilística. Os resultados revelaram um público qualificado e com forte comportamento “mobile-first”. Constatou-se que a disponibilidade de informações detalhadas e a aprovação social foram os principais gatilhos de atração na fase de pré-compra. Nas etapas transacionais e posteriores, a minimização de atritos operacionais, a agilidade do acesso imediato e a segurança sistêmica mostraram-se cruciais para a conversão e satisfação, embora lacunas na eficiência do suporte humano tenham sido identificadas. A retenção fundamentou-se na confiança gerada por experiências anteriores positivas, superando o fator preço. Concluiu-se que a jornada do consumidor de infoprodutos opera como um sistema integrado, exigindo alinhamento entre infraestrutura tecnológica, curadoria de conteúdo e humanização do suporte para assegurar o engajamento.

Palavras-chave: Comércio eletrônico; Comportamento do consumidor; Experiência do consumidor; Fidelização; Negócios virtuais.

22 de outubro de 2026

Riscos Psicossociais e Saúde Mental no Trabalho em uma Instituição Bancária

A saúde mental no ambiente de trabalho é um tema de crescente relevância, impactando o desenvolvimento profissional e o bem-estar dos colaboradores. Um estudo foi realizado para identificar aspectos e situações que podem influenciar os níveis de absenteísmo em uma instituição bancária. A pesquisa envolveu 108 participantes e utilizou um questionário estruturado, baseado na versão curta do COPSOQ II de Gonçalves (2021), que continha 45 questões fechadas em escala Likert e duas perguntas abertas. Os dados foram coletados por meio de plataforma online e analisados com abordagem descritiva e quantitativa. Os resultados revelaram um cenário que indicou a necessidade de ajustes na distribuição das atividades e na percepção dos gestores sobre comportamentos e sinais de transtornos. Foram identificadas evidências importantes nas respostas abertas dos participantes. Concluiu-se que o estudo contribuiu para a promoção da percepção de um ambiente seguro para a saúde mental na organização.

Palavras-chave: Afastamentos por transtornos; Desenvolvimento profissional; Liderança operacional; Licença médica; Saúde mental.

22 de outubro de 2026

Observatório Digital da Amazônia: Ciência de Dados Aplicada à Análise de Indicadores Sociais, Econômicos, Ambientais e de Saúde

O estado do Amazonas enfrentou desafios históricos na consolidação do Sistema Único de Saúde (SUS), decorrentes de barreiras geográficas, desigualdades socioeconômicas e limitações estruturais. Descreveu-se, neste estudo, o desenvolvimento e a implementação de um geoportal de informações em saúde, concebido para apoiar o monitoramento, a avaliação e o planejamento no contexto amazônico. Adotou-se uma abordagem de estudo de caso descritivo, baseada em análise documental e dados secundários, abrangendo o mapeamento de funcionalidades, a infraestrutura técnica e as etapas de validação da ferramenta. O Portal foi desenvolvido com tecnologias abertas e integrou múltiplas bases de dados nacionais, oferecendo dashboards interativos, mapas temáticos e repositório digital de documentos. Entre os resultados, destacaram-se a visualização georreferenciada de indicadores-chave, a possibilidade de análises comparativas temporais e a utilização da plataforma na revisão de planos de saúde e no redirecionamento de ações estratégicas. O portal pode representar um avanço na governança digital e na gestão baseada em evidências, com potencial de replicabilidade para outros territórios de alta complexidade, desde que acompanhada de investimentos em infraestrutura tecnológica, capacitação profissional e articulação interinstitucional.

Palavras-chave: Amazônia; Avaliação em Saúde; Saúde Digital; Sistemas de Informação em Saúde.

22 de outubro de 2026

Aprendizado Contínuo como Fator de Crescimento Organizacional na Percepção dos Colaboradores

O impacto do aprendizado contínuo e da gestão do conhecimento no crescimento das organizações foi estudado em um cenário de globalização e constantes mudanças. O objetivo do estudo foi analisar a percepção dos colaboradores sobre a cultura de aprendizagem e sua importância para o desenvolvimento pessoal e profissional. Os dados foram obtidos por meio de uma pesquisa anônima, de abordagem quantitativa, utilizando um formulário com questões do tipo “survey” aplicado a 87 profissionais dos setores de tecnologia, saúde, educação, comércio e serviços. Os resultados indicaram que os colaboradores possuíam uma percepção positiva sobre a contribuição do aprendizado contínuo para o crescimento pessoal e organizacional, reconhecendo seus benefícios para o desenvolvimento de novas habilidades, inovação e competitividade. Contudo, observou-se que o incentivo à troca de conhecimento interno e a oferta de treinamentos práticos ainda apresentavam médias moderadas de concordância. Concluiu-se que o aprendizado contínuo contribui significativamente para o desenvolvimento individual e organizacional, sugerindo que as empresas devem desenvolver políticas estratégicas de aprendizado direcionado para novas habilidades, visando maior vantagem competitiva e inovação.

Palavras-chave: Aprendizagem contínua; Autodesenvolvimento; Crescimento organizacional; Gestão do conhecimento; Inovação.

22 de outubro de 2026

Regressão Estatística em Microrredes para Estimativa de Desempenho Operacional: Caso Campusgrid

Um modelo de regressão estatística múltipla foi proposto para estimar o desempenho operacional da microrrede CampusGrid da UNICAMP, com base em grandezas elétricas internas. A microrrede integra geração fotovoltaica, baterias e um gerador a gás. Dados do sistema de gerenciamento de energia foram coletados em intervalos de cinco minutos durante um mês. O Índice de Confiabilidade Operacional, definido como a razão entre energia atendida e demandada, foi estabelecido como variável dependente. O modelo foi ajustado para o modo de operação ilhado, avaliando o impacto da demanda, estado de carga, geração solar e energia suprida. Os resultados revelaram elevado poder explicativo, indicando que a confiabilidade operacional depende da interação entre suprimento e demanda. Observou-se que o período noturno concentrou a maior taxa de atendimento parcial, atribuída à redução da geração solar. Concluiu-se que a regressão múltipla oferece uma estrutura interpretável e útil para o monitoramento de microrredes e o apoio a estratégias de controle.

Palavras-chave: Armazenamento em baterias; Geração fotovoltaica; Índice de Confiabilidade; Operação ilhada; Sistema de Gerenciamento de Energia.

22 de outubro de 2026

Previsão da Inadimplência Agregada no Sistema Financeiro Brasileiro por Modelo Sarimax com Variáveis Macroeconômicas

A inadimplência agregada no sistema financeiro brasileiro é um indicador crucial de risco de crédito, cuja previsão é regulamentada pelas Resoluções CMN n.° 4.557/2017 e 4.966/2021 para a mensuração prospectiva de perdas esperadas. Modelou-se e previu-se a inadimplência agregada por meio do modelo SARIMAX, projetando sua trajetória até dezembro de 2026 sob cenários otimista, base e pessimista. Utilizaram-se 164 observações mensais (julho/2012 a fevereiro/2026) e variáveis macroeconômicas como desemprego, Selic, IPCA, IBC-Br e endividamento das famílias. A especificação com variáveis contemporâneas foi selecionada com base em critérios de informação e estabilidade dos coeficientes, e o diagnóstico dos resíduos confirmou adequação estatística, com MAPE de 3,12%. A inadimplência histórica variou entre 4,33% e 7,64%. A estimação identificou o desemprego (β = 0,2534; p < 0,001) e a Selic (β = 0,2128; p < 0,001) como principais determinantes positivos, com forte persistência temporal (AR(1) = 0,8965). A Selic exibiu correlação crescente com a inadimplência (r = 0,62 no lag 12), enquanto o desemprego demonstrou efeito contemporâneo (r = 0,33). As projeções indicaram inadimplência entre 6,30% e 7,98% em dezembro de 2026, com uma amplitude de 1,68 ponto percentual, evidenciando implicações diretas para o dimensionamento de provisões nas instituições financeiras. Palavras-chave: Desemprego; Modelagem preditiva; Política monetária; Provisão de perdas; Séries temporais.

22 de outubro de 2026

Fatores de Engajamento das Partes Interessadas na Transferência Internacional de Tecnologia para um Hospital Público

Este estudo descreveu os fatores críticos percebidos para o engajamento das partes interessadas na transferência internacional de tecnologia em um hospital público, com foco no planejamento. O objetivo foi descrever esses fatores condicionantes, conforme a percepção de profissionais. Realizou-se um estudo de caso único, aplicando um questionário a 25 profissionais e utilizando análise de conteúdo, complementada por tabulações descritivas. Os principais obstáculos identificados foram resistência à mudança (72%), financiamento (64%), falta de comunicação (60%) e burocracia (40%). Apenas 28% dos respondentes reconheceram a existência de ferramentas adequadas para gestão de stakeholders, enquanto 48% negaram e 24% não souberam informar. Cruzamentos exploratórios indicaram variações na avaliação de influência conforme o tempo de atuação, mas não estabeleceram relações causais. A falta de engajamento foi associada a atrasos, baixa adesão, desperdício de recursos, falhas de comunicação, comprometimento da absorção de conhecimento e riscos à segurança do paciente. As conclusões restringiram-se às percepções do grupo pesquisado e fundamentaram recomendações preliminares para comunicação e coordenação intersetorial.

Palavras-chave: Estudo de caso; Gestão de projetos; Inovação em saúde; Partes interessadas; Setor público.

22 de outubro de 2026

Combate às Perdas Comerciais de Energia Elétrica Utilizando Modelo de Séries Temporais

As perdas comerciais de energia elétrica representaram um dos principais desafios para as distribuidoras, impactando diretamente a sustentabilidade econômica e a qualidade do fornecimento. Avaliou-se a eficiência de modelos de séries temporais, com foco em técnicas de suavização exponencial, na previsão do consumo faturado de unidades consumidoras, para apoiar a identificação de desvios associados a perdas não técnicas. Utilizaram-se dados históricos de consumo mensal de uma distribuidora de energia elétrica no Brasil, segmentados por perfis de comportamento (estacionariedade, tendência e sazonalidade). Aplicaram-se modelos de suavização exponencial simples, Holt e Holt-Winters (aditivo e multiplicativo), comparados a uma média móvel tradicional. O erro percentual absoluto médio (MAPE) foi o critério de avaliação. Adicionalmente, empregou-se a abordagem ETS para seleção automática do modelo e testes de diagnóstico dos resíduos, como Ljung-Box e análise da função de autocorrelação. Os resultados demonstraram que modelos mais robustos apresentaram maior capacidade de adaptação às características das séries e menor erro, com destaque para o desempenho superior em cenários com tendência. Para séries sazonais, o modelo ETS mostrou maior capacidade de adaptação a transições. Concluiu-se que a utilização de modelos de séries temporais mais estruturados contribuiu significativamente para a melhoria da acurácia das previsões e ofereceu suporte analítico relevante para a identificação de perdas comerciais e otimização de processos operacionais e comerciais no setor elétrico.

Palavras-chave: Distribuição de energia; MAPE; Otimização; Previsão de consumo; Suavização exponencial.

Economia

19 de outubro de 2026

Fim da escala 6×1: o que os números permitem concluir?

Após promulgação do fim da escala 6×1, debate sobre a jornada menor passa à implementação e exige distinguir benefícios sociais de custos econômicos O fim da escala 6×1 passou da discussão legislativa para uma mudança constitucional no Brasil. Em 16 de outubro de 2026, o Congresso Nacional promulgou a emenda constitucional nº 141/2026, originada da Proposta […]

Inteligência Artificial

16 de outubro de 2026

Por que estudar se existe IA?

Quando respostas se tornam fáceis, aprender passa a significar mais do que chegar até elas Por que eu preciso aprender isso se posso perguntar para uma inteligência artificial? Esse tipo de pergunta acompanha a educação há décadas. Por que aprender uma operação se existe calculadora? Por que memorizar uma informação se ela pode ser encontrada […]

Gestão Tributária

15 de outubro de 2026

Pink tax e o gênero do preço

Como os diferentes tratamentos mercadológicos a homens e mulheres são incorporados pela tributação do consumo Imagine uma prateleira na qual duas lâminas de barbear da mesma marca e destinadas à mesma finalidade estão expostas lado a lado: uma tem embalagem escura e promete força, precisão e eficiência; a outra vem em tons de rosa ou […]

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 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 […]