Predicción de los jugadores del “ALL NBA Team” en una temporada de la National Basketball Association utilizando modelos probabilísticos

doi:10.22167/2675-6528-202602672

Artículo

30 de septiembre de 2026

Predicción de los jugadores del “ALL NBA Team” en una temporada de la National Basketball Association utilizando modelos probabilísticos

Predicción del equipo “All Nba Team” de Jugadores en una Temporada de la National Basketball Association Usando Modelos Probabilísticos

Ângelo Ghigiarelli Majeau; Ítalo João Bolqui Dutra

DOI: 10.22167/2675-6528-202602672

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

Resumen

La selección para el All-NBA Team de la National Basketball Association (NBA) es un reconocimiento individual de prestigio, tradicionalmente subjetivo. Este trabajo tuvo como objetivo desarrollar un modelo predictivo para identificar a los jugadores seleccionados para el All-NBA Team, utilizando datos estadísticos y métodos probabilísticos. Para ello, se analizaron datos reales de jugadores de las temporadas 2014/15 a 2022/23, excluyendo los períodos afectados por la pandemia. El modelo principal se construyó con el algoritmo XGBoost, ajustando los hiperparámetros mediante validación cruzada K-Fold (k=5) y Randomized Search, con el RMSE como métrica de optimización. El modelo desarrollado presentó un rendimiento similar al mejor modelo de referencia en la identificación de los jugadores seleccionados, acertando 13 de los 15 jugadores en 2022 y 2023. Sin embargo, demostró superioridad en la correcta asignación de los jugadores entre los equipos (9 aciertos en ambas temporadas) y en la calidad de los errores, sin registrar predicciones de jugadores que no recibieron votos oficiales. Se concluyó que los modelos probabilísticos son capaces de capturar patrones relevantes en el proceso de selección, ofreciendo perspectivas importantes para la comprensión de los factores que influyen en las votaciones deportivas, incluso sin reproducir integralmente la subjetividad humana.

Palabras clave: ALL-NBA Team; Baloncesto; Modelado predictivo; XGBoost.

1. Introducción

La National Basketball Association (NBA) es reconocida mundialmente como la principal liga de baloncesto profesional norteamericana. Fundada en 1946, la liga está compuesta por 30 equipos y reúne aproximadamente a 450 jugadores que compiten en una temporada regular de 82 partidos, seguida por los playoffs que culminan en la definición del campeón.

Entre los diversos honores otorgados a los atletas, la inclusión en el “All-NBA Team” representa uno de los reconocimientos individuales más prestigiosos, reflejando el desempeño técnico y el impacto de cada jugador en su equipo (Kubatko et al., 2007; Oliver, 2012). Este premio se divide en tres equipos – First Team, Second Team y Third Team – cada uno compuesto por cinco jugadores, sumando un total de 15 atletas seleccionados al final de cada temporada. La elección es realizada por un panel de periodistas y expertos deportivos tras el cierre de la temporada regular, antes de que finalicen los playoffs.

La distinción de ser nombrado para el All-NBA Team trasciende el reconocimiento individual, teniendo una relevancia contractual significativa. Sirve como criterio de elegibilidad para la concesión de bonos financieros y para la celebración de contratos de mayor valor y duración, como los contratos tipo supermax. En consecuencia, esta es una distinción muy codiciada por los atletas, siendo incluso uno de los factores que definen a un jugador como “estrella” por la propia liga (NBA Board of Governors, 2023).

Tradicionalmente, la selección de los jugadores para el All-NBA Team se basa en votaciones de expertos, incorporando elementos subjetivos. Sin embargo, con la creciente disponibilidad de datos deportivos y el avance de los métodos analíticos y estadísticos, se ha vuelto viable aplicar modelos probabilísticos para predecir esta selección. Tales modelos pueden considerar una variedad de variables, incluyendo estadísticas individuales de los jugadores (como puntos, rebotes, asistencias y eficiencia) y factores contextuales, como el rendimiento colectivo del equipo y su posición en la tabla (Cervone et al., 2016; Sampaio & Janeira, 2003).

La relevancia de esta investigación radica en la posibilidad de anticipar resultados que son, por naturaleza, tradicionalmente subjetivos. Al identificar qué métricas de rendimiento influyen en la elección de los atletas y al evaluar la capacidad predictiva de modelos probabilísticos, el estudio busca contribuir a análisis estratégicos de rendimiento deportivo y al uso creciente de la ciencia de datos en deportes colectivos.

De esta forma, este trabajo investiga la predicción de los jugadores que integran el “All-NBA Team” en una temporada de la NBA, utilizando modelos probabilísticos fundamentados en datos históricos y literatura especializada en estadísticas deportivas y análisis predictivo.

2. Material y Métodos

El presente estudio, de naturaleza cuantitativa y enfoque de modelado predictivo, tuvo como objetivo identificar a los jugadores seleccionados para el “All-NBA Team”. Se analizaron 4.694 participaciones de jugadores en temporadas de la National Basketball Association (NBA), de 2014/15 a 2022/23. Se excluyeron las temporadas 2019/20 y 2020/21, debido a los impactos de la pandemia de COVID-19, y los períodos anteriores a 2014/15, en razón de transformaciones estructurales observadas en el baloncesto de la liga.

Los datos fueron recolectados del portal Basketball Reference (BASKETBALL REFERENCE, 2026). La base de datos inicial, con 84 variables y 4.694 observaciones, se estructuró en cuatro conjuntos: estadísticas básicas, estadísticas avanzadas, clasificación final de los equipos y resultados de las votaciones para el All-NBA Team. El tratamiento y análisis de los datos se realizaron en el entorno Jupyter Notebook, utilizando el lenguaje Python y las bibliotecas pandas, numpy y scikit-learn.

El preprocesamiento excluyó a los jugadores que actuaron para más de un equipo en la misma temporada, para evitar inconsistencias en las variables de rendimiento colectivo (GLOBO ESPORTE, 2025). Se crearon métricas normalizadas, como promedios por partido y por minuto, a partir de las estadísticas básicas, complementando las variables explicativas. La variable de respuesta adoptada fue el “Share”, un indicador continuo entre 0 y 1, que representa la proporción de votos recibidos por un jugador en relación con el total máximo posible.

Para definir la elegibilidad y restringir la muestra a atletas con un perfil de votación plausible, se aplicó un filtrado adicional. Los criterios fueron: i) participación en más de 45 partidos en la temporada; ii) promedio superior a 25 minutos por partido; y iii) inicio como titular en más del 95% de los partidos disputados. La base final, tras el filtrado, se compuso de 624 observaciones, de las cuales 225 correspondían a jugadores que recibieron al menos un voto en sus respectivas temporadas.

Previamente a la construcción del modelo, los datos se segmentaron en dos muestras: “DES” (desarrollo) y “OOT” (out-of-time). La muestra “OOT”, con las dos temporadas más recientes, se reservó para la evaluación del desempeño del modelo en un escenario futuro (HASTIE; TIBSHIRANI; FRIEDMAN, 2009; KUHN; JOHNSON, 2013). La muestra “DES” se utilizó para ajuste y calibración. El algoritmo XGBoost (Extreme Gradient Boosting) se empleó para el desarrollo del modelo predictivo, reconocido por su eficiencia en problemas de clasificación y regresión (Chen & Guestrin, 2016).

Para optimizar el aprovechamiento de las observaciones y obtener una estimación robusta del error de generalización, se utilizó validación cruzada K-Fold, con K = 5 (Kohavi, 1995). La búsqueda de hiperparámetros se realizó mediante Randomized Search, con el RMSE (raíz del error cuadrático medio) como métrica de optimización, con el objetivo de mitigar el sobreajuste. Los hiperparámetros calibrados incluyeron n_estimators (25 a 150), max_depth (3 a 5) y learning_rate (0,005 a 0,1). El modelo final se compuso de 52 variables predictoras, y la importancia de estas fue evaluada por el método de ganancia de información (Friedman, 2001).

Después del desarrollo con la muestra “DES”, el modelo se aplicó a las observaciones de la muestra “OOT”, generando el valor predicho de la variable “Share” para cada jugador. Para la evaluación, la predicción de “Share” ordenó a los jugadores de forma decreciente. Los 15 jugadores con los valores predichos más altos fueron seleccionados para componer el All-NBA Team: los cinco primeros para el First Team, los de la sexta a la décima posición para el Second Team, y los de la undécima a la decimoquinta para el Third Team.

La evaluación del rendimiento del modelo también incluyó el análisis de tres tipos de errores de predicción. El Error Tipo 1 ocurrió en la asignación a un tiempo adyacente incorrecto, incluso con la identificación correcta como All-NBA. El Error Tipo 2 implicó la asignación con una diferencia de dos niveles o la predicción como All-NBA para un jugador con votos, pero no seleccionado. El Error Tipo 3 se caracterizó por la predicción de un jugador como All-NBA que no recibió ningún voto oficial. La calidad del modelo se comparó con dos modelos de referencia, denominados “modelos de conjetura” (Provost; Fawcett, 2013).

El “modelo de predicción 1” seleccionó a los 15 jugadores con mayor puntuación total en la temporada, requiriendo un mínimo de 41 partidos, sin los filtros de elegibilidad del modelo principal. El “modelo de predicción 2” clasificó a los jugadores por puntos por partido, aplicando los mismos criterios de elegibilidad del modelo desarrollado, y un filtro adicional para incluir solo a los jugadores seleccionados para el All-Star Game en la respectiva temporada.

3. Resultados y Discusión

La investigación culminó en el desarrollo y aplicación de un modelo predictivo para identificar a los jugadores seleccionados para el All-NBA Team. Este trabajo tuvo como objetivo anticipar decisiones tradicionalmente subjetivas, empleando un enfoque cuantitativo basado en datos estadísticos y métodos probabilísticos. El análisis abarcó un conjunto de 4.694 participaciones de jugadores, recopiladas entre las temporadas 2014/15 y 2022/23, con la exclusión estratégica de los períodos 2019/20 y 2020/21, que se vieron significativamente afectados por la pandemia de COVID-19. Los resultados obtenidos demuestran la capacidad del modelo para capturar patrones relevantes en el proceso de selección, ofreciendo valiosos conocimientos sobre los factores que influyen en las votaciones deportivas y mejorando la comprensión del rendimiento de élite en la NBA.

La etapa de análisis exploratorio fue fundamental para comprender el perfil de los jugadores que componen la base de datos final y para identificar las características distintivas de los atletas elegidos para el All-NBA Team. Este análisis se centró en estadísticas ampliamente reconocidas en el baloncesto, como puntos por partido, Player Efficiency Rating (PER) y la tasa de victorias del equipo. Se observó un patrón consistente: los jugadores seleccionados para el All-NBA Team presentaron, en general, niveles de rendimiento superiores en todas estas métricas, lo que indica una correlación positiva entre el alto rendimiento estadístico y el reconocimiento individual. Este comportamiento reforzó la premisa de que el rendimiento cuantificable es un factor preponderante en la decisión de los votantes, incluso en un proceso con elementos subjetivos.

Específicamente, los jugadores elegidos para el All-NBA Team exhibieron una mediana de aproximadamente 25 puntos por partido, con una distribución relativamente consistente entre los cuartiles, sugiriendo una estabilidad notable en su rendimiento ofensivo. La presencia de valores atípicos inferiores, con promedios por debajo de 15 puntos por partido, indicó que la selección no se basa exclusivamente en el volumen de anotación, sino también en otros factores, como impacto defensivo y eficiencia. En contraste, los jugadores que solo recibieron votos o no los recibieron presentaron medianas inferiores y mayor variabilidad. Similarmente, en el Player Efficiency Rating (PER), los atletas elegidos presentaron los mayores valores, con una mediana cercana a 25, reflejando un nivel de eficiencia individual alto y consistente. Los grupos de jugadores no elegidos mostraron medianas inferiores y mayor dispersión, evidenciando niveles más bajos de eficiencia general.

El análisis de la tasa de victorias del equipo reveló que los jugadores elegidos para el All-NBA Team estaban asociados con la mediana más alta, alrededor de 0,62, y una distribución concentrada entre los cuartiles. Esto sugiere una fuerte conexión entre el rendimiento individual de élite y el éxito colectivo del equipo, lo que indica que el contexto competitivo y el rendimiento del equipo son factores importantes para la elegibilidad y la votación. Los jugadores que recibieron votos pero no fueron elegidos, y aquellos sin votos, presentaron medianas de tasa de victorias progresivamente menores y mayor variabilidad. Este patrón consistente en todas las variables analizadas corrobora la idea de que los jugadores “estrellas” se destacan no solo individualmente, sino que también contribuyen significativamente al éxito de sus equipos, lo cual es un criterio implícito en las votaciones del All-NBA Team.

El desarrollo del modelo predictivo se inició con la estructuración de una base de datos exhaustiva, que contiene 84 variables y 4.694 observaciones de jugadores a lo largo de las temporadas analizadas. La recopilación de datos se realizó a partir del portal Basketball Reference, garantizando la utilización de información estadística detallada. Una etapa crucial de preprocesamiento implicó la exclusión de jugadores que actuaron para múltiples equipos en la misma temporada, ya que tales situaciones podrían introducir inconsistencias en las variables predictoras relacionadas con el rendimiento del equipo y son históricamente desconsideradas en las votaciones. Adicionalmente, se crearon métricas normalizadas, como promedios por partido y por minuto, para complementar las estadísticas totales, enriqueciendo el conjunto de variables explicativas del modelo.

La variable de respuesta central del estudio fue el “Share”, un indicador continuo que representa la proporción de votos recibidos por un jugador en relación con el total máximo posible de votos en una temporada. Este sistema de votación asigna pesos distintos a cada selección (cinco puntos para el First Team, tres para el Second y uno para el Third Team), justificando la naturaleza continua del “Share”. Se observó un fuerte desbalanceo en la variable de respuesta, con solo el 6,65% de los jugadores recibiendo al menos un voto en una temporada, lo que exigió una etapa adicional de filtrado. Para definir un criterio mínimo de elegibilidad, la muestra se restringió a atletas que participaron en más de 45 juegos, tuvieron un promedio superior a 25 minutos por juego e iniciaron como titulares en más del 95% de los juegos disputados, resultando en 624 observaciones elegibles.

El modelo principal se construyó con el algoritmo XGBoost (Extreme Gradient Boosting), una implementación optimizada de Gradient Boosting que destaca por su capacidad de construir modelos predictivos robustos mediante la combinación secuencial de múltiples árboles de decisión (Chen & Guestrin, 2016). El XGBoost incorpora técnicas de regularización L1 y L2, control de la complejidad de los árboles y paralelización del entrenamiento, mitigando el riesgo de overfitting y mejorando la capacidad de generalización del modelo. La búsqueda de hiperparámetros se realizó mediante el método Randomized Search y validación cruzada K-Fold (k=5), utilizando el RMSE como métrica de optimización para identificar la configuración que presentara el mejor rendimiento medio. Los hiperparámetros finales del modelo incluyeron n_estimators = 100, max_depth = 4, learning_rate = 0,05, subsample = 0,7, colsample_bytree = 0,8 y random_state = 42.

La evaluación de la importancia de las variables en el modelo final se realizó utilizando el método de ganancia de información (information gain), que cuantifica la contribución de cada variable a la mejora del rendimiento predictivo (J. H. Friedman, 2001). De las diez variables más relevantes, cinco pertenecían al conjunto de estadísticas avanzadas, representando el 62,2% de la importancia total del modelo. Las estadísticas tradicionales de la NBA, como puntos, rebotes y asistencias, representaron el 33,2% de la importancia, mientras que las variables relacionadas con la campaña del equipo contribuyeron con el 4,6%. Tras el desarrollo y calibración del modelo en la muestra “DES”, se aplicó a la muestra “OOT” (out-of-time), compuesta por las dos temporadas más recientes, para una evaluación prospectiva y realista de su rendimiento en datos no utilizados en el entrenamiento.

Resultados de Comparación

El análisis comparativo de los resultados obtenidos por el modelo desarrollado se realizó con base en métricas específicas y en relación con dos modelos de referencia, los “modelos de conjetura”. El primero, “modelo de conjetura 1”, seleccionó a los 15 jugadores con mayor puntuación total, con un mínimo de 41 partidos disputados, sin aplicar los filtros de elegibilidad del modelo principal. El segundo, “modelo de conjetura 2”, consideró a los jugadores con mayor puntuación por partido, aplicando los mismos criterios de elegibilidad del modelo principal y un filtro adicional para jugadores seleccionados para el All-Star Game. La evaluación se centró en la identificación correcta de los 15 jugadores elegidos para el All-NBA Team y en la precisión de la asignación de estos jugadores a los equipos específicos (First, Second y Third Team), además de un análisis detallado de los tipos de error de predicción.

En la temporada 2022, el modelo desarrollado demostró un rendimiento notable en la identificación de los jugadores elegidos para el All-NBA Team. Acertó 13 de los 15 jugadores, lo que corresponde a una tasa de acierto del 87%, igualando el rendimiento del modelo de predicción 2 y superando al modelo de predicción 1, que obtuvo 12 aciertos. Sin embargo, la superioridad del modelo desarrollado se hizo más evidente en la métrica de asignación exacta de los jugadores a sus respectivos equipos. El modelo desarrollado asignó correctamente a 9 jugadores (60%), mientras que el modelo de predicción 1 acertó solo a 3 jugadores (20%) y el modelo de predicción 2 obtuvo 5 aciertos (33%). Esta diferencia resalta la capacidad del modelo no solo para identificar a los jugadores de élite, sino también para clasificarlos con mayor precisión dentro de los tres equipos del All-NBA.

El análisis de los tipos de error para la temporada 2022 reveló un patrón favorable para el modelo desarrollado. Registró 4 errores de Tipo 1, en los que el jugador fue identificado correctamente como All-NBA, pero asignado a un equipo adyacente incorrecto, y 2 errores de Tipo 2, que implican una diferencia de dos niveles en la asignación o la predicción de un jugador que no fue All-NBA, pero recibió votos. Crucialmente, el modelo desarrollado no presentó ningún error de Tipo 3, es decir, no predijo jugadores que no recibieron ningún voto oficial. En contraste, el modelo de conjetura 1 presentó 8 errores de Tipo 1 y 2 errores de Tipo 3, mientras que el modelo de conjetura 2 tuvo 6 errores de Tipo 1 y 1 error de Tipo 3. La ausencia de errores de Tipo 3 en el modelo desarrollado indica una mayor confiabilidad en sus predicciones, evitando la inclusión de jugadores sin ningún reconocimiento oficial.

Para la temporada 2023, el modelo desarrollado mantuvo su consistencia, identificando correctamente 13 de los 15 jugadores elegidos para el All-NBA Team, con una tasa de acierto del 87%. Este año, el modelo desarrollado superó al modelo de predicción 2, que acertó 12 jugadores, y al modelo de predicción 1, que obtuvo 10 aciertos. En la métrica de asignación exacta de los jugadores en los equipos, el modelo desarrollado nuevamente demostró un desempeño robusto, con 9 aciertos (60%), igualando al modelo de predicción 2, que también obtuvo 9 aciertos. El modelo de predicción 1, por su parte, acertó 8 jugadores (53%). La temporada 2023 presentó una asociación más directa entre la puntuación total y la selección para el First Team, lo que favoreció ligeramente la asignación de los modelos de predicción, pero el modelo desarrollado mantuvo su rendimiento superior en la identificación general.

El análisis de los errores en la temporada 2023 reforzó la calidad del modelo desarrollado. Registró 4 errores de Tipo 1 y 2 errores de Tipo 2, y, al igual que en 2022, no presentó ningún error de Tipo 3. Esto significa que todas sus predicciones de jugadores All-NBA fueron de atletas que, de hecho, recibieron votos oficiales, aunque no hayan sido seleccionados o asignados correctamente. Los modelos de pronóstico, por otro lado, concentraron sus errores predominantemente en el Tipo 2, con el modelo de pronóstico 1 registrando 5 errores de Tipo 2 y 2 de Tipo 1, y el modelo de pronóstico 2 con 4 errores de Tipo 2 y 2 de Tipo 1. La persistencia de la ausencia de errores de Tipo 3 en el modelo desarrollado, en ambas temporadas, es un indicador crucial de su robustez y de la calidad de sus predicciones en comparación con los enfoques de referencia.

La sumarización de los resultados de las temporadas 2022 y 2023 ofrece una visión consolidada del desempeño de los modelos. El modelo desarrollado acertó un total de 26 de los 30 jugadores elegidos para el All-NBA Team (87%), superando al modelo de predicción 1 (22 aciertos, 73%) y al modelo de predicción 2 (25 aciertos, 83%). Esta consistencia en ambas temporadas subraya la eficacia del modelo en identificar a los atletas de élite. Más significativamente, en la asignación exacta de los jugadores a los equipos, el modelo desarrollado obtuvo 18 aciertos de 30 (60%), demostrando una ventaja clara sobre el modelo de predicción 1 (11 aciertos, 37%) y el modelo de predicción 2 (14 aciertos, 47%). Esta precisión en la clasificación por equipo es un diferencial importante, ya que refleja una comprensión más granular de los criterios de selección.

El análisis de la representatividad de los tipos de error consolidados para las dos temporadas destaca la superioridad cualitativa del modelo desarrollado. Presentó 8 errores de Tipo 1 y 4 errores de Tipo 2, pero, notablemente, cero errores de Tipo 3. Esto significa que el 66,67% de los errores del modelo fueron de Tipo 1, lo que indica que las clasificaciones incorrectas ocurrieron en equipos adyacentes, con una pequeña magnitud, como las posiciones 17ª y 23ª en 2022, y 16ª y 21ª en 2023. En contraste, el modelo de predicción 1 registró 10 errores de Tipo 1, 7 de Tipo 2 y 2 de Tipo 3, mientras que el modelo de predicción 2 tuvo 8 errores de Tipo 1, 7 de Tipo 2 y 1 de Tipo 3. La ausencia de errores de Tipo 3 en el modelo desarrollado es un indicador crítico de su fiabilidad, ya que garantiza que todas sus predicciones de All-NBA corresponden a jugadores que, de hecho, recibieron algún reconocimiento oficial, aunque no hayan sido seleccionados.

En resumen, los resultados demuestran que el modelo predictivo basado en XGBoost es eficaz en la identificación de los jugadores del All-NBA Team, presentando un rendimiento comparable o superior a los modelos de referencia en términos de acierto total. Su principal contribución reside en la mayor precisión de la asignación de los jugadores a los equipos específicos y, crucialmente, en la calidad de los errores, que fueron predominantemente de menor gravedad y nunca involucraron la predicción de jugadores sin votos oficiales. Esto sugiere que, aunque la subjetividad humana en la votación es compleja, los modelos probabilísticos pueden capturar patrones estadísticos robustos que influyen en las decisiones de selección, ofreciendo una herramienta valiosa para el análisis y la comprensión del rendimiento deportivo de élite en la NBA.

4. Conclusión

Este trabajo buscó desarrollar un modelo predictivo para identificar a los jugadores seleccionados para el All-NBA Team, empleando datos estadísticos y métodos probabilísticos. Se verificó que el modelo principal, construido con el algoritmo XGBoost y calibrado con datos de las temporadas de 2014/15 a 2022/23, demostró alta capacidad de acierto en la identificación de los atletas elegidos. En las temporadas de 2022 y 2023, el modelo acertó 13 de los 15 jugadores en cada año, superando o igualando los modelos de referencia. Adicionalmente, se observó una superioridad en la asignación exacta de los jugadores en los respectivos equipos, con nueve aciertos en ambas temporadas, y en la calidad de los errores, sin registrar predicciones de jugadores que no recibieron votos oficiales. El análisis de importancia de las variables reveló que las estadísticas avanzadas fueron las más relevantes para el desempeño predictivo. La principal contribución del estudio reside en ofrecer perspectivas sobre los patrones que influyen en las votaciones deportivas y en proporcionar una herramienta valiosa para el análisis del desempeño de élite en la NBA.

Sin embargo, se reconoce que la predicción de votaciones deportivas, como la del All-NBA Team, involucra un componente subjetivo inherente al juicio humano, el cual no fue explícitamente modelado en este trabajo. Factores como la reputación, la narrativa y el sesgo personal de los votantes pueden influir en las decisiones, incluso en presencia de criterios objetivos. Para estudios futuros, se sugiere la aplicación de otras metodologías estadísticas, como enfoques basados en rankings y ordenaciones multicriterio. Tales métodos podrían complementar los resultados obtenidos, ofreciendo una visión alternativa sobre la evaluación y selección de jugadores, al combinar múltiples indicadores de desempeño de forma más directa entre los atletas.

Referencias Bibliográficas

BASKETBALL REFERENCE. Basketball Reference: basketball statistics and history. Disponível em: https://www.basketball-reference.com/. Acesso em: 10 jan. 2026.

CERVONE, D.; DENG, X.; FOX, J.; PRADHAN, R.; KULESZ, D.; GOLDMAN, S. A multiresolution stochastic process model for predicting basketball possession outcomes. Journal of the American Statistical Association, v. 111, n. 514, p. 585–599, 2016.

CHEN, T.; GUESTRIN, C. XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, p. 785–794, 2016.

FRIEDMAN, J. H. Greedy function approximation: A gradient boosting machine. Annals of Statistics, v. 29, n. 5, p. 1189-1232, 2001.

GLOBO ESPORTE. Doncic e Davis não sabiam, LeBron descobriu em casa: veja bastidores da troca bombástica na NBA. Globo.com, 2 fev. 2025. Disponível em: https://ge.globo.com/basquete/nba/noticia/2025/02/02/doncic-e-davis-nao-sabiam-lebron-descobriu-em-casa-veja-bastidores-da-troca-bombastica-na-nba.ghtml. Acesso em: 2 fev. 2026.

HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The elements of statistical learning: Data mining, inference, and prediction. 2. ed. New York: Springer, 2009.

KOHAVI, R. A study of cross-validation and bootstrap for accuracy estimation and model selection. Proceedings of the 14th International Joint Conference on Artificial Intelligence (IJCAI), p. 1137-1143, 1995.

KUBATKO, J.; OLIVER, D.; PELTON, K.; ROSENBAUM, D. T. A starting point for analyzing basketball statistics. Journal of Quantitative Analysis in Sports, v. 3, n. 3, p. 1–24, 2007.

KUHN, M.; JOHNSON, K. Applied Predictive Modeling. New York: Springer, 2013.

NBA Board of Governors. Player Participation Policy. New York: NBA, 2023. Policy defining star player status as selection to All-NBA or All-Star in the previous three seasons.

Oliver, 2012 [Referência completa não encontrada no documento original]

PROVOST, F.; FAWCETT, T. Data Science for Business: What You Need to Know About Data Mining and Data-Analytic Thinking. Sebastopol: O’Reilly Media, 2013.

Sampaio & Janeira, 2003 [Referencia completa no encontrada en el documento original]

Artículo originario 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

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

22 de octubre de 2026

Combate a las Pérdidas Comerciales de Energía Eléctrica Utilizando Modelo de Series Temporales

También te puede interesar

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.

22 de octubre de 2026

Combate a las Pérdidas Comerciales de Energía Eléctrica Utilizando Modelo de Series Temporales

Las pérdidas comerciales de energía eléctrica representaron uno de los principales desafíos para las distribuidoras, impactando directamente la sostenibilidad económica y la calidad del suministro. Se evaluó la eficiencia de modelos de series temporales, con foco en técnicas de suavización exponencial, en la predicción del consumo facturado de unidades consumidoras, para apoyar la identificación de desvíos asociados a pérdidas no técnicas. Se utilizaron datos históricos de consumo mensual de una distribuidora de energía eléctrica en Brasil, segmentados por perfiles de comportamiento (estacionariedad, tendencia y estacionalidad). Se aplicaron modelos de suavización exponencial simple, Holt y Holt-Winters (aditivo y multiplicativo), comparados a una media móvil tradicional. El error porcentual absoluto medio (MAPE) fue el criterio de evaluación. Adicionalmente, se empleó el enfoque predictivo para la selección automática del modelo y pruebas de diagnóstico de los residuos, como Ljung-Box y análisis de la función de autocorrelación. Los resultados demostraron que modelos más robustos presentaron mayor capacidad de adaptación a las características de las series y menor error, con destaque para el desempeño superior en escenarios con tendencia. Para series estacionales, el modelo ETS mostró mayor capacidad de adaptación a transiciones. Se concluyó que la utilización de modelos de series temporales más estructurados contribuyó significativamente a la mejora de la exactitud de las predicciones y ofreció soporte analítico relevante para la identificación de pérdidas comerciales y optimización de procesos operacionales y comerciales en el sector eléctrico.

Palabras clave: Distribución de energía; MAPE; Optimización; Predicción de consumo; Suavización exponencial.

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 […]