Modelado predictivo de series temporales para el mantenimiento de filtros en plantas de tratamiento de agua

doi:10.22167/2675-6528-202602860

Artículo

02 de octubre de 2026

Modelado predictivo de series temporales para el mantenimiento de filtros en plantas de tratamiento de agua

Modelado Predictivo por Series temporales para Mantenimiento de Filtros en Estaciones de Tratamiento de Agua

Eduardo Antonio Ribeiro Heinisch; Gustavo Nazato Furlan

DOI: 10.22167/2675-6528-202602860

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

Resumen

El mantenimiento de filtros en plantas de tratamiento de agua (PTAs) es crucial para la calidad del agua, y la anticipación de picos de turbidez es fundamental para optimizar los lavados. La investigación propuso la aplicación de algoritmos predictivos para anticipar estos picos en el agua filtrada, proporcionando soporte a la toma de decisiones para el mantenimiento de los filtros. Se utilizó una base histórica robusta (2009 a 2025) de datos operacionales del sistema corporativo de gestión industrial de la PTA y datos pluviométricos del INMET. El estudio comparó modelos basados en árboles (Random Forest y XGBoost) y redes neuronales recurrentes (LSTM). Tras preprocesamiento e ingeniería de atributos, que consistió en la creación de defasajes temporales y medias móviles, los resultados demostraron que el modelo LSTM presentó mayor capacidad para la generalización de la serie temporal. Desde el punto de vista práctico de operación de los filtros, al convertir las predicciones de regresión en alertas de clasificación binaria, obedeciendo al límite de 0,30 NTU, el modelo demostró una capacidad de anticipación preventiva del 55% de los eventos críticos. Se concluyó que el enfoque predictivo basado en datos demostró ser viable y actuó como una herramienta proactiva, capaz de garantizar la calidad del tratamiento del agua y de auxiliar a los operadores a minimizar desperdicios con lavados innecesarios.

Palabras clave: Deep Learning; LSTM; Machine Learning; Tratamiento de Agua; Turbidez.

1. Introducción

Con el avance de la tecnología y la creciente disponibilidad de datos, el área de Data Science / Ciencia de datos ha tenido una evolución a pasos agigantados, consolidándose como una solución prometedora para organizaciones que buscan hacer predicciones sobre el futuro basándose en datos del pasado (Gujarati y Porter, 2011; Montgomery y Runger, 2016). En este escenario, la alta capacidad de almacenamiento, generación y disponibilidad de datos, caracterizada por las dimensiones de volumen, velocidad, variedad, variabilidad y complejidad, ha impulsado el Machine Learning como una herramienta capaz de aprender mediante la asociación de diferentes datos y el reconocimiento de patrones (Géron, 2021; Hastie et al., 2009).

La aplicación de este contexto predictivo en el sector del saneamiento, con enfoque en la predicción del mantenimiento de filtros en plantas de tratamiento de agua (PTAs), es de suma importancia. La calidad, eficiencia y frecuencia en el lavado de los filtros de una PTA son factores cruciales que impactan directamente la calidad del agua suministrada a la población y los costos operativos (Libânio, 2010; Sarmento, 2023; Abraão, 2025). Optimizar esta etapa significa reducir significativamente el desperdicio de agua tratada, garantizando la seguridad y la eficiencia del tratamiento (Libânio, 2010; Batista, 2024; Maciel et al., 2024).

Sin embargo, el lavado de filtros puede consumir un volumen expresivo de la producción total de una ETAP. Un lavado ineficiente, ya sea por exceso de tiempo, frecuencia inadecuada o técnica impropia, representa un gran desperdicio de agua potable y, consecuentemente, un perjuicio financiero y ambiental (Libânio, 2010; Freires, 2023; Nominato, 2024). La imprevisibilidad del momento ideal de lavado se agrava por las variaciones estacionales en la calidad del agua bruta, especialmente en Brasil, donde el régimen pluviométrico ejerce una influencia directa e inmediata sobre las fuentes superficiales. Durante el período de lluvias intensas, el arrastre de partículas sólidas eleva drásticamente la turbidez, mientras que en los meses de sequía los valores tienden a estabilizarse en niveles bajos (Libânio, 2010).

Este comportamiento cíclico y de alta varianza impone desafíos continuos a la operación de las ETAs (Libânio, 2010; AESBE, 2023; Instituto Trata Brasil, 2024; Mesquita, 2025). Además, la gestión de estaciones de tratamiento de agua frecuentemente tropieza con limitaciones de gobernanza de datos, con el registro de mediciones de turbidez y el control del tiempo de carrera de los filtros aún dependiendo de anotaciones manuales e imputaciones humanas. Esta dependencia operacional hace que el proceso sea vulnerable a errores de escritura, fallas de lectura y, principalmente, al sesgo humano, donde la decisión de lavar un filtro puede basarse más en la interpretación subjetiva del operador que en la real condición del agua. En este contexto, la automatización basada en datos surge como un mecanismo fundamental para mitigar fallas humanas y estandarizar la toma de decisiones.

Para mitigar la complejidad impuesta por estas variaciones climáticas, operacionales y de gobernanza de datos, la transición de métodos empíricos y puramente reactivos a enfoques predictivos se ha consolidado como una necesidad crítica en el sector del saneamiento. La literatura reciente evidencia que la integración de modelos analíticos basados en datos (data-driven) en ETAs no solo amplía la seguridad hídrica, sino que también proporciona resiliencia operacional contra picos súbitos de turbidez (Kamyab et al., 2023; Dalibard et al., 2024; He et al., 2024; Kwarko-Kyei et al., 2025). Ante esta dificultad latente de predecir el tiempo de carrera de los filtros y la necesidad de definir el tiempo óptimo de lavado para evitar desperdicios (Libânio, 2010; BRK Ambiental, 2022), el presente trabajo se justifica por la aplicación de conocimientos y herramientas adquiridas en Data Science para resolver un problema real. El objetivo principal de este estudio fue desarrollar y comparar el desempeño empírico de diferentes modelos predictivos de Machine Learning — Random Forest, XGBoost y Long Short-Term Memory (LSTM) — para predecir la turbidez del agua y, consecuentemente, la ventana ideal de mantenimiento de los filtros.

2. Material y Métodos

El presente estudio se caracterizó como una investigación de naturaleza cuantitativa, con un enfoque metodológico centrado en la modelización predictiva mediante series temporales. El objetivo principal fue desarrollar y comparar el rendimiento de diferentes algoritmos de Machine Learning para predecir la turbidez del agua filtrada en estaciones de tratamiento de agua (ETAs) y, en consecuencia, identificar la ventana ideal para el mantenimiento de los filtros. La investigación se basó en la proposición de que existe una relación de dependencia entre variables operacionales y climáticas y la necesidad de mantenimiento de los filtros (Fávero y Belfiore, 2017).

La unidad de análisis consistió en datos operativos históricos de una ETA y datos pluviométricos. La recolección de datos abarcó el período de 2009 a 2025, totalizando aproximadamente 500.000 registros horarios. La información fue extraída de dos fuentes principales: el sistema corporativo de gestión industrial de la ETA, que proporcionó mediciones de turbidez, horarios, tiempo de lavado y volumen de agua gastada, y estaciones del Instituto Nacional de Meteorología (INMET, 2026), ubicadas en la misma cuenca hidrográfica de captación, que disponibilizaron datos de precipitación diaria.

El desarrollo del estudio se implementó en el lenguaje Python, utilizando bibliotecas consolidadas para análisis de datos y Machine Learning. Entre las herramientas empleadas, destacan Pandas y NumPy para manipulación de datos, Scikit-Learn para preprocesamiento y modelado, y TensorFlow/Keras para la construcción de redes neuronales (Fávero y Belfiore, 2017; McKinney, 2018; Géron, 2021).

La etapa de preprocesamiento de los datos pluviométricos implicó la identificación y corrección de anomalías, como fallos de registro o valores corruptos, mediante la técnica de interpolación lineal. Posteriormente, las dos bases de datos, operativa y meteorológica, se unificaron utilizando la fecha y hora como índice temporal, garantizando la sincronización de la información.

En la fase de ingeniería de atributos, se crearon variables temporales para capturar la inercia del sistema hidrológico. Se incluyeron variables de defasaje (“lag”) para la precipitación, midiendo lluvias ocurridas en intervalos de 1 hora, 2 horas y hasta 48 horas anteriores. También se generaron ventanas deslizantes (“rolling windows”) para la suma de precipitación acumulada en múltiples períodos, como 12, 24, 48 y 72 horas (Libânio, 2010; Kuhn y Johnson, 2019).

Adicionalmente, para permitir que los algoritmos identificaran patrones cíclicos, se realizó la extracción de estacionalidad. El índice temporal se desmembró en columnas independientes para ‘Hora’ y ‘Mes’. La variable objetivo predictiva, la turbidez del agua, se desplazó temporalmente 6 horas (“lead time”) para que el modelo pudiera realizar estimaciones con suficiente antelación para la toma de decisiones operativas.

El tratamiento de valores atípicos se realizó para corregir distorsiones en los datos, que podrían surgir de errores de escritura o fallos de lectura. Las lecturas negativas de turbidez se ajustaron al mínimo físico admisible. Para valores anómalos que excedían el límite superior, se aplicó la técnica de limitación (capping/winsorizing) basada en el método del Rango Intercuartílico (IQR), preservando la continuidad de la serie temporal (Fávero y Belfiore, 2017; McKinney, 2018).

Para la validación de los modelos, el conjunto de datos se dividió cronológicamente, destinando el 80% inicial al entrenamiento y el 20% final a la prueba, evitando la fuga de datos. Las variables predictoras se normalizaron utilizando StandardScaler para los modelos basados en árboles y MinMaxScaler para la red LSTM, aplicándose la estandarización exclusivamente a los datos de entrenamiento (Baouab y Cherif, 2017).

Cuatro algoritmos fueron seleccionados para comparación: Random Forest, XGBoost y Long Short-Term Memory (LSTM) como modelos predictivos, y SHAP (SHapley Additive exPlanations) para interpretabilidad. El Random Forest se configuró con 100 árboles de decisión y una semilla aleatoria (random_state=42). El XGBoost utilizó 100 árboles secuenciales, tasa de aprendizaje de 0,1 y semilla aleatoria (random_state=42). La red LSTM se construyó con una capa de 50 neuronas, activación ReLU, Dropout del 20%, lookback de 24 horas, optimizador Adam y Early Stopping con 5 épocas (Géron, 2021; Goodfellow et al., 2016; Chollet, 2017).

El protocolo de validación se estructuró en dos fases. En la Fase 1, se realizó una evaluación predictiva continua (regresión), donde los modelos se compararon utilizando métricas estadísticas como la Raíz del Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE) y el Coeficiente de Determinación (R²). En la Fase 2, se procedió a la evaluación de decisión operativa (clasificación binaria), convirtiendo las predicciones de regresión en alertas de clasificación binaria, con un umbral de corte de 0,30 NTU para eventos críticos. La evaluación de esta fase utilizó la matriz de confusión, con enfoque en la métrica de Recall, para minimizar falsos negativos (Libânio, 2010; Kuhn y Johnson, 2019; Géron, 2021).

3. Resultados y Discusión

El análisis exploratorio de datos (AED) reveló patrones cruciales e interrelaciones entre las variables antes de la aplicación de los algoritmos predictivos. La estacionalidad de la turbidez en las fuentes de agua brasileñas, por ejemplo, demostró una fuerte correlación con el régimen pluviométrico. Se observó que, durante los meses de lluvias intensas, típicamente de noviembre a marzo, la turbidez se eleva drásticamente debido al arrastre de partículas sólidas. En contraste, en los meses de sequía, de mayo a septiembre, los valores de turbidez tienden a estabilizarse en niveles más bajos, como se identificó previamente por Libânio (2010).

La evaluación de la correlación lineal de Pearson entre las variables, incluyendo retardos temporales y variables acumuladas de precipitación, indicó que, aunque la correlación lineal directa con la turbidez final fue baja, la inercia del sistema hidrológico y la turbidez de entrada son predictores inmediatos importantes. El análisis de correlación cruzada fue fundamental para validar cuantitativamente el tiempo de respuesta de la cuenca hidrográfica a las precipitaciones. Se identificó un “lag” ideal, donde la lluvia acumulada alcanza su correlación máxima con la turbidez en la ETА, reforzando la necesidad de incorporar ventanas temporales en el modelado para capturar este efecto retardado (Libânio, 2010; Kuhn y Johnson, 2019).

La importancia de las variables (Feature Importance) se extrajo utilizando el algoritmo Random Forest, confirmando la relevancia de los datos recopilados en el preprocesamiento. Las variables relacionadas con la duración y el volumen del último lavado, la turbidez del resultado y la turbidez del filtro, junto con la precipitación acumulada en diferentes ventanas de tiempo, presentaron los mayores índices de importancia. Este hallazgo corrobora estudios anteriores, como el de Kwarko-Kyei et al. (2025), que destacan la calidad del agua en la etapa inmediatamente anterior al filtrado como el atributo de mayor peso en la reducción del error predictivo.

La etapa de modelado predictivo comparó el rendimiento de tres algoritmos: Random Forest, XGBoost y Long Short-Term Memory (LSTM). Los modelos basados en árboles, Random Forest y XGBoost, presentaron dificultades para manejar la predecibilidad de la turbidez continua, resultando en coeficientes de determinación R² negativos de -0,313333 y -0,252568, respectivamente. Estos valores indican que estos modelos no lograron explicar la variabilidad de la serie temporal de forma satisfactoria, tratando los picos de turbidez como ruidos aislados y no como patrones continuos (Hewamalage et al., 2021; Géron, 2021).

En contraste, el modelo LSTM demostró un rendimiento superior y más estable, con un Error Absoluto Medio (MAE) de 0,062854, una Raíz del Error Cuadrático Medio (RMSE) de 0,080221 y un R² positivo de 0,152867. Aunque el R² sigue siendo modesto, reflejando la complejidad y estocasticidad de la serie hidrológica, el LSTM fue el único modelo capaz de capturar patrones temporales y la dinámica direccional de la turbidez, anticipando con éxito los movimientos de subida y bajada. Esta capacidad de generalización es crucial para series temporales dinámicas, como señalan He et al. (2024).

La arquitectura del modelo LSTM se configuró con una capa de 50 neuronas y activación ReLU, seguida por una capa de Dropout del 20% para prevenir el overfitting, un problema común en la modelización de series temporales (Goodfellow et al., 2016). El entrenamiento utilizó el optimizador Adam para minimizar el Error Cuadrático Medio (MSE), y el Early Stopping se implementó para interrumpir el proceso si la pérdida de validación no mejoraba durante cinco épocas consecutivas, garantizando la restauración de los mejores pesos del modelo (Chollet, 2017).

La convergencia del error cuadrático medio (MSE) durante el entrenamiento del modelo LSTM demostró la estabilidad de la red neuronal. Se observó que tanto el error de entrenamiento como el de validación se estabilizaron conjuntamente, lo que comprueba la eficacia de las técnicas de Dropout y Early Stopping para evitar el overfitting. Este comportamiento es un indicativo de que el modelo aprendió los patrones de los datos de forma robusta, sin memorizar ruidos específicos del conjunto de entrenamiento.

Para fines de aplicación práctica en la operación de la ETA, la principal contribución del estudio se dirigió a la identificación de “eventos críticos”, en lugar de la predicción exacta de la turbidez continua. La predicción del valor exacto de la turbidez en cada instante resultó menos relevante que la capacidad del sistema de detectar, con antelación, los momentos de riesgo. Así, el modelo de regresión continua se adaptó a un problema de clasificación binaria, con el objetivo de generar alertas operacionales para el mantenimiento de los filtros.

La regla de negocio establecida para la clasificación binaria fue la siguiente: si la turbidez prevista superaba el umbral de 0,30 NTU, se debía emitir una alerta de intervención (lavado del filtro). Las predicciones con una probabilidad superior al 50% generaron una “Alerta” de mantenimiento/lavado. Este enfoque tiene como objetivo actuar preventivamente, minimizando los falsos negativos, es decir, la falla en predecir una turbidez alta, que es más crítica para la seguridad del tratamiento de agua que los falsos positivos (Libânio, 2010; Kuhn y Johnson, 2019; Géron, 2021).

La evaluación del clasificador binario, utilizando la matriz de confusión, reveló una Precisión Global del 77%, indicando la tasa total de aciertos del modelo. La métrica de Sensibilidad (Recall), que mide la capacidad de detectar los picos reales de turbidez (eventos críticos), alcanzó el 55%. Este valor demuestra que el modelo actúa como una barrera conservadora, capaz de anticipar el evento y alertar al operador en la mayoría de las veces en que el filtro presenta riesgo real, priorizando la seguridad del agua tratada (Hastie et al., 2009; Fávero y Belfiore, 2017).

La Precisión del modelo fue del 60%, lo que indica que, de las veces que el modelo emitió una “Alerta” de lavado, la turbidez realmente aumentó en el 60% de los casos. Aunque la precisión no es tan alta como la exactitud, la prioridad operativa en la seguridad del tratamiento del agua justifica la preferencia por un Recall más elevado, incluso si esto implica un número ligeramente mayor de falsos positivos, es decir, lavados preventivos que podrían considerarse innecesarios en un escenario de menor riesgo.

La Curva ROC (Receiver Operating Characteristic) del clasificador LSTM presentó un Área Bajo la Curva (AUC) de 0,797. Este valor atestigua la robustez general del modelo para discriminar correctamente entre los estados de “operación normal” y “riesgo de alta turbidez”, independientemente del umbral probabilístico elegido por el operador. La obtención de una puntuación AUC distante de la línea de aleatoriedad (AUC = 0,5) en un conjunto de prueba con más de 12.000 muestras independientes aleja significativamente la hipótesis nula, confiriendo significancia estadística robusta (valor p < 0,001) a los hallazgos (Hastie et al., 2009; Fávero y Belfiore, 2017; Géron, 2021).

La interpretabilidad del modelo LSTM se abordó mediante el análisis SHAP (SHapley Additive exPlanations), una técnica que permite cuantificar la influencia de cada variable en la predicción de la turbidez futura. A diferencia de la importancia estática del Random Forest, SHAP proporcionó un ranking global de importancia para la red LSTM, destacando `tuf_resultado`, `Hour`, `Month`, `precipitacao` y `ultima_lavagem_volume` como las variables más cruciales para acertar las oscilaciones dinámicas del agua (Kuhn y Johnson, 2019; Maußner et al., 2025).

El análisis SHAP también permitió visualizar el impacto direccional de las variables en la predicción de turbidez. Los puntos rojos en el gráfico de enjambre indicaron que valores altos de una variable empujaron la predicción de turbidez hacia arriba (aumentando el riesgo), mientras que los puntos azules indicaron que valores bajos empujaron la predicción hacia abajo. Esta transparencia, característica de la Inteligencia Artificial Explicable (Explainable AI), aumenta la confianza en la herramienta, ya que demuestra que las predicciones del algoritmo LSTM se basan en la física real del proceso de filtración, y no en “adivinanzas” (Dalibard et al., 2024; Kamyab et al., 2023; Maußner et al., 2025).

Para consolidar la utilidad práctica del modelo predictivo, se desarrolló una función en Python que simula una herramienta de apoyo a la decisión para el operador. Esta función permite la inserción manual de una lectura puntual de turbidez, que luego se integra al contexto histórico reciente de la ET (lluvias, lavados anteriores e inercia del sistema) para calcular y mostrar la probabilidad inmediata de un evento crítico, recomendando la acción adecuada. Esta herramienta tiene como objetivo mitigar fallos humanos y estandarizar la toma de decisiones, elevando la madurez tecnológica de la planta.

En resumen, los resultados demostraron que la aplicación de algoritmos predictivos, especialmente el modelo LSTM, es viable para anticipar picos de turbidez en el agua filtrada en estaciones de tratamiento. Aunque la regresión continua tiene limitaciones para explicar la totalidad de la variabilidad, la conversión a un clasificador binario de alerta operativa permitió que el modelo actuara como una herramienta proactiva, con capacidad de anticipación preventiva del 55% de los eventos críticos. Esto garantiza la calidad del tratamiento del agua y auxilia a los operadores a optimizar el mantenimiento de los filtros, minimizando desperdicios con lavados innecesarios, respondiendo así al objetivo principal del estudio.

4. Conclusión

El presente estudio buscó desarrollar y comparar el rendimiento de modelos predictivos de Machine Learning para anticipar la turbidez del agua y optimizar el mantenimiento de filtros en estaciones de tratamiento. Se verificó que la naturaleza no estacionaria de las series temporales hidrológicas impuso desafíos significativos a los algoritmos. Los modelos basados en árboles, como Random Forest y XGBoost, presentaron limitaciones notables, con coeficientes de determinación R² negativos, indicando dificultad en capturar la variabilidad y los patrones continuos de la turbidez. En contraste, el modelo Long Short-Term Memory (LSTM) demostró una capacidad superior de generalización, con un R² positivo y métricas de error más estables, logrando capturar la dinámica direccional de la turbidez. La aplicación práctica del modelo se consolidó al convertir sus predicciones de regresión en alertas de clasificación binaria, estableciendo un umbral de 0,30 NTU para eventos críticos. Este enfoque resultó en una sensibilidad (Recall) del 55% en la anticipación de estos eventos, priorizando la seguridad operacional. El análisis SHAP complementó los hallazgos, otorgando transparencia al modelo LSTM y confirmando que sus predicciones se basan en atributos operacionales y ambientales relevantes, como la turbidez anterior, hora, mes y precipitación acumulada.

La principal contribución del estudio reside en la demostración de la viabilidad de un enfoque predictivo basado en datos como herramienta proactiva para la gestión de estaciones de tratamiento de agua. Al proporcionar soporte a la toma de decisiones para el mantenimiento de los filtros, el modelo ayuda a los operadores a estandarizar procedimientos, mitigar el sesgo humano y minimizar el desperdicio de agua potable asociado a lavados innecesarios, elevando la madurez tecnológica de la planta. Sin embargo, se reconoce que el modesto R² en la regresión continua refleja la complejidad y estocasticidad inherentes a las series hidrológicas. Para estudios futuros, se sugiere la optimización de los hiperparámetros de la arquitectura LSTM, la inclusión de variables adicionales en tiempo real, como pH y temperatura, y la estratificación de la base de datos para el desarrollo de modelos específicos para diferentes categorías y tipologías de filtros, con el fin de refinar aún más la precisión y reducir las tasas de falsas alarmas.

Referencias Bibliográficas

Abraão, R.P. 2025. Análise de viabilidade do uso de coagulantes naturais no tratamento de águas de abastecimento público. Dissertação de

Gujarati, D.N.; Porter, D.C. 2011. Econometria Básica. 5ed. AMGH Editora, Porto Alegre, RS, Brasil.

Géron, A. 2021. Mão à Obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow. 2ed. Alta Books, Rio de Janeiro, RJ, Brasil.

Hastie, T.; Tibshirani, R.; Friedman, J. 2009. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2ed. Springer, New York, NY, EUA.

Libânio, M. 2010. Fundamentos de Qualidade e Tratamento de Água. 3ed. Editora Átomo, Campinas, SP, Brasil.

Montgomery, D.C.; Runger, G.C. 2016. Estatística Aplicada e Probabilidade para Engenheiros. 6ed. LTC, Rio de Janeiro, RJ, Brasil.

Sarmento, P.V.F. 2023. Avaliação do sistema de lavagem dos filtros de uma ETA de filtração direta descendente. Trabalho de Conclusão de Curso em Engenharia Civil. Universidade Federal do Rio Grande do Norte, Natal, RN, Brasil.

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

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

Más recientes

Economía, Inversiones Y Banca

23 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

22 de octubre de 2026

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

También te puede interesar

Economía, Inversiones Y Banca

23 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

22 de octubre de 2026

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

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

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

Economia

19 de octubre de 2026

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

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

Inteligencia Artificial

16 de octubre de 2026

¿Por qué estudiar si existe la IA?

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

Gestión Tributaria

15 de octubre de 2026

Impuesto rosa y el género del precio

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

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

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

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

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

Gestión Escolar

06 de octubre de 2026

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

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

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

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

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

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

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

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

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

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

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

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

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

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

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

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

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

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

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

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

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

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

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

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

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

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

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

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

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

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