Previsão da geração de energia fotovoltaica por meio de aprendizado de máquina: um estudo aplicado a uma usina no Nordeste do Brasil

Stagnitta, Vincenzo; Felício, Adâmara Santos Gonçalves

doi:10.22167/2675-6528-202603963

Artículo

06 de noviembre de 2026

Previsão da geração de energia fotovoltaica por meio de aprendizado de máquina: um estudo aplicado a uma usina no Nordeste do Brasil

Vincenzo Stagnitta; Adâmara Santos Gonçalves Felício

DOI: 10.22167/2675-6528-202603963

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

O incremento das energias renováveis no Brasil, em especial da energia fotovoltaica, evidenciou a necessidade de aprimorar a previsão da produção das usinas, em função da elevada dependência de fatores climáticos e da consequente variabilidade da geração elétrica. Desenvolveu-se e avaliou-se modelos de aprendizado de máquina para a previsão da geração de energia elétrica de uma usina fotovoltaica no Nordeste do Brasil, analisando o impacto da inclusão progressiva de variáveis meteorológicas, temporais, derivadas e defasadas. Utilizaram-se dados horários de geração de energia e variáveis meteorológicas provenientes de bases oficiais e públicas. Implementaram-se três algoritmos de regressão baseados em árvores (Árvore de Decisão, Random Forest e XGBoost) em uma modelagem estruturada em três fases: variáveis meteorológicas, temporais e cíclicas e de defasagens. Os resultados indicaram forte correlação entre a radiação solar e a geração de energia. Observou-se desempenho preditivo moderado nas fases iniciais da modelagem, com melhora expressiva na terceira fase, onde o XGBoost se destacou com um R² de 0,898. Concluiu-se que a inclusão de variáveis temporais e técnicas de engenharia de atributos foi determinante para o aprimoramento da capacidade preditiva dos três modelos, configurando-se como uma estratégia para aplicações práticas no setor fotovoltaico.

Palavras-chave: Algoritmo baseado em árvores; Dados meteorológicos; Dependência temporal; Engenharia de atributos; Parque solar.

1. Introdução

O setor fotovoltaico tem apresentado um crescimento exponencial global na última década, consolidando-se como uma das fontes energéticas de maior expansão no mundo (IEA, 2024). No Brasil, essa expansão é igualmente notável, com a capacidade instalada saltando de dez MW em 2015 para aproximadamente 16.000 MW em 2025 (ONS, 2025a). Tal crescimento posiciona a energia fotovoltaica como um componente essencial da matriz energética diversificada do país, que já integra outras fontes renováveis como eólica, biomassa e hidrelétrica (Bondarik, 2018). As projeções indicam que a geração de fontes fotovoltaica e eólica deverá dobrar até 2035, respondendo por cerca de 40% de toda a eletricidade gerada nacionalmente (BP Energy, 2025).

A geração de energia elétrica a partir de fontes renováveis, em particular a solar fotovoltaica, é intrinsecamente dependente das condições climáticas e geográficas locais (Pereira et al., 2017). Essa característica confere a essas fontes um caráter intermitente e as sujeita a uma variabilidade temporal significativa. Fatores como o ciclo sazonal, o ciclo diário, a presença de nuvens e aerossóis na atmosfera influenciam diretamente a radiação solar recebida, que é crucial para a conversão energética nos sistemas fotovoltaicos (Pereira et al., 2017). Consequentemente, a variabilidade das condições atmosféricas ao longo do tempo aumenta a incerteza na previsão da geração de energia fotovoltaica, afetando sua previsibilidade.

Nesse contexto, a variabilidade das condições meteorológicas representa um desafio considerável para a previsão da geração de energia fotovoltaica, com implicações diretas para o planejamento e a operação do sistema elétrico nacional (EPE, 2025). A capacidade de prever com precisão as flutuações na geração de energia, com base em dados históricos de produção e variáveis meteorológicas, é um desafio relevante para o setor fotovoltaico brasileiro. A lacuna reside na necessidade de modelos preditivos mais robustos que possam capturar a complexidade dessas interações e a dependência temporal da geração.

A superação desse desafio é fundamental para otimizar a integração da energia solar na rede elétrica, garantindo maior segurança e eficiência operacional. A aplicação de algoritmos de aprendizado de máquina surge como uma abordagem promissora para desenvolver modelos preditivos capazes de lidar com a não linearidade e a alta dimensionalidade dos dados envolvidos na previsão da geração fotovoltaica. A hipótese que norteia este trabalho é que a combinação de variáveis meteorológicas, atributos temporais e transformações derivadas pode aprimorar significativamente a precisão da previsão da geração de energia elétrica de usinas fotovoltaicas, permitindo uma melhor exploração dos padrões sazonais e cíclicos.

Assim, o presente estudo justifica-se pela necessidade de aprimorar as ferramentas de previsão para o setor fotovoltaico, contribuindo para o avanço da pesquisa em aprendizado de máquina aplicada à energia. O escopo principal deste estudo consiste em desenvolver e avaliar modelos de aprendizado de máquina para previsão da geração de energia elétrica de uma usina fotovoltaica, analisando o impacto da inclusão progressiva de variáveis meteorológicas, temporais e derivadas no desempenho preditivo.

2. Material e Métodos

O presente trabalho caracterizou-se como uma pesquisa de natureza quantitativa, fundamentada na análise de dados e na aplicação de métodos estatísticos e algoritmos de aprendizado de máquina. Adotou-se uma abordagem exploratória, visando identificar padrões e relações entre variáveis meteorológicas e a produção de energia fotovoltaica. Configurou-se, ainda, como um estudo de caso, concentrando a investigação em uma unidade específica de análise, com foco na previsão da geração de energia de uma usina fotovoltaica no Nordeste do Brasil.

O objeto empírico do estudo foi o Complexo Solar Alex, uma usina fotovoltaica localizada no estado do Ceará, entre os municípios de Limoeiro do Norte e Tabuleiro do Norte, a aproximadamente 230 km da cidade de Fortaleza (Portal do Governo do Ceará, 2026). O complexo, pertencente à empresa Elera Renováveis, iniciou operação comercial em 2021, com capacidade instalada de 360 MWp, distribuídos em nove subcampos (Canal Solar, 2022). A análise dos dados abrangeu o período de 2022 a 2024.

Os dados utilizados foram obtidos de bases de dados públicas. As informações sobre a geração horária de energia elétrica foram extraídas dos portais do Operador Nacional do Sistema Elétrico (ONS, 2025b) e da Câmara de Comercialização de Energia Elétrica (CCEE, 2025). Os dados meteorológicos foram coletados da estação do Instituto Nacional de Meteorologia (INMET, 2025) mais próxima da usina, denominada Morada Nova, e complementados com dados da base NASA POWER (NASA, 2025).

As variáveis explicativas incluíram temperatura do ar (°C), velocidade do vento (m/s), precipitação total (mm), umidade relativa do ar (%) e radiação solar global (W/m²). A variável dependente foi a geração horária de energia elétrica (MWh). Os dados extraídos compreendem todas as horas dos dias dos anos analisados. Após a coleta, os dados foram submetidos a etapas de limpeza e pré-processamento para remover ruídos e inconsistências, garantindo a qualidade do conjunto de dados.

Realizou-se uma inspeção da estrutura do banco de dados para identificar as características das variáveis, verificando que a maioria era numérica, exceto a variável de instante de observação, que era temporal. Para avaliar a associação linear entre as variáveis meteorológicas e a geração de energia, utilizou-se a correlação linear de Pearson (Fávero; Belfiore, 2017). O banco de dados foi dividido cronologicamente em conjuntos de treino (janeiro de 2022 a dezembro de 2023, com 17.336 observações) e teste (ano de 2024, com 8.774 observações).

Foram implementados e comparados três algoritmos de regressão baseados em árvores: Árvore de Decisão (James et al., 2021), Random Forest (Breiman, 2001) e XGBoost (Chen; Guestrin, 2016). A modelagem foi estruturada em três fases para avaliar o impacto da inclusão progressiva de variáveis. Na Fase 1, os algoritmos foram treinados exclusivamente com as variáveis meteorológicas originais, estabelecendo um modelo de referência.

Na Fase 2, foram adicionadas variáveis temporais simples, extraídas do instante de observação, como hora do dia, dia da semana, mês, ano e dia do ano. Na Fase 3, incluíram-se variáveis cíclicas e de defasagem da geração de energia. As variáveis cíclicas, como seno e cosseno da hora do dia, do mês e do ano, foram criadas a partir de transformações trigonométricas. Adicionalmente, foram geradas três variáveis defasadas da geração de energia (t-1, t-2 e t-3) para capturar a dependência temporal da série.

O desempenho preditivo dos modelos foi avaliado no conjunto de teste utilizando métricas como Erro Quadrático Médio (MSE), Raiz do Erro Quadrático Médio (RMSE), Erro Absoluto Médio (MAE) e Coeficiente de Determinação (R²) (James et al., 2021). Para otimizar o desempenho e mitigar o sobreajuste, realizou-se a busca sistemática pelos melhores hiperparâmetros de cada algoritmo por meio da técnica GridSearchCV, que combina validação cruzada com busca exaustiva (Kohavi, 1995). A modelagem foi desenvolvida na linguagem Python, utilizando bibliotecas como pandas, NumPy, matplotlib, seaborn e scikit-learn, garantindo a robustez da análise e a coerência com os objetivos propostos.

3. Resultados e Discussão

Os resultados obtidos neste estudo revelaram insights importantes sobre a previsão da geração de energia fotovoltaica em uma usina no Nordeste do Brasil, utilizando modelos de aprendizado de máquina. Inicialmente, a análise exploratória dos dados permitiu caracterizar as variáveis meteorológicas e a geração de energia elétrica. Observou-se que a radiação solar global (ghi_wm2) e a geração horária de energia elétrica (geracao_mwh) apresentaram uma forte associação positiva, com uma elevada frequência de valores nulos correspondendo aos períodos noturnos, quando a radiação solar é inexistente. As estatísticas descritivas indicaram uma média de geração horária de 72,98 MWh e uma radiação solar média de 249,14 W/m², ao longo do período analisado.

A análise de correlação linear de Pearson confirmou uma forte associação entre a radiação solar e a geração de energia fotovoltaica, com um coeficiente de correlação de 0,845. Variáveis como a temperatura do ar (r = 0,591) e a umidade relativa do ar (r = -0,513) também demonstraram correlações lineares moderadas com a geração de energia. Em contraste, a precipitação total e a velocidade do vento exibiram associações lineares reduzidas. Esses achados são consistentes com a literatura, que frequentemente aponta a radiação solar como o principal fator explicativo da geração fotovoltaica, com coeficientes de correlação superiores a 0,80, refletindo o papel direto da irradiância na conversão energética (Atiea et al., 2024).

Desempenho dos modelos de aprendizado de máquina

Fase 1: base original

Na primeira fase da modelagem, onde os algoritmos Árvore de Decisão, Random Forest e XGBoost foram treinados exclusivamente com as variáveis meteorológicas originais, o desempenho preditivo foi moderado. Os coeficientes de determinação (R²) variaram de 0,5240 para a Árvore de Decisão, 0,5448 para o Random Forest e 0,5475 para o XGBoost. Os valores de Raiz do Erro Quadrático Médio (RMSE) e Erro Absoluto Médio (MAE) foram elevados, indicando que, embora os modelos explicassem aproximadamente metade da variabilidade da geração de energia, ainda havia uma margem significativa de erro. O XGBoost destacou-se ligeiramente como o modelo com melhor desempenho nesta fase inicial.

A importância relativa das variáveis explicativas na Fase 1 revelou que a radiação solar global (ghi_wm2) foi, de longe, a variável de maior relevância para os três modelos, especialmente para a Árvore de Decisão, que atribuiu toda a importância a ela. As demais variáveis meteorológicas, como temperatura do ar, umidade relativa, velocidade do vento e precipitação, apresentaram menor importância relativa, com poucas diferenças entre Random Forest e XGBoost. A dispersão observada entre os valores reais e previstos, conforme ilustrado nas análises de dispersão, sugeriu limitações na capacidade preditiva dos modelos, indicando a necessidade de refinamento ou a inclusão de variáveis explicativas mais representativas.

Fase 2: variáveis temporais

A inclusão de variáveis temporais simples, como hora do dia, dia da semana, mês, ano e dia do ano, na Fase 2 da modelagem, resultou em uma melhora moderada no desempenho preditivo dos modelos Random Forest e XGBoost. O R² para o Random Forest aumentou para 0,5636 e para o XGBoost para 0,5792, acompanhado por uma redução nos valores de MSE, RMSE e MAE. Contudo, o desempenho da Árvore de Decisão permaneceu inalterado, sugerindo menor sensibilidade desse modelo à incorporação de informações temporais adicionais.

A matriz de correlação linear da Fase 2 confirmou a persistência da forte correlação entre a radiação solar e a geração de energia (r = 0,84). Entre as variáveis temporais adicionadas, a hora do dia apresentou uma correlação moderada com a geração de energia (r = 0,27), o que reflete o ciclo diurno da produção fotovoltaica. As demais variáveis temporais demonstraram correlações lineares fracas. A radiação solar global (ghi_wm2) manteve-se como a variável mais importante em todos os modelos, enquanto a hora do dia ganhou relevância nos modelos Random Forest e XGBoost, indicando a contribuição das informações temporais para a explicação da variabilidade da geração.

Fase 3: variáveis cíclicas e defasadas

A terceira fase da modelagem, que incorporou variáveis cíclicas (transformações seno e cosseno da hora do dia, dia do ano e mês) e variáveis de defasagem temporal da própria geração de energia (geracao_mwh_lag1, geracao_mwh_lag2 e geracao_mwh_lag3), demonstrou uma melhora significativa e expressiva no desempenho preditivo dos três modelos. O coeficiente de determinação (R²) da Árvore de Decisão aumentou para 0,8873, do Random Forest para 0,8923 e do XGBoost para 0,8985. Essa melhoria foi acompanhada por uma redução substancial nos erros, com o RMSE da Árvore de Decisão caindo de aproximadamente 60,6 MWh para 29,5 MWh.

O XGBoost apresentou o melhor desempenho global nesta fase, com o maior R² (0,8985) e os menores valores de MSE, RMSE e MAE, seguido pelo Random Forest e pela Árvore de Decisão. Esses resultados corroboram a importância das informações temporais cíclicas e de defasagem para aprimorar a capacidade dos modelos em prever a geração de energia fotovoltaica, permitindo a captura de padrões sazonais e a dependência temporal da série. A radiação solar global (ghi_wm2) permaneceu como a variável de maior importância, embora sua relevância relativa tenha diminuído em comparação com as fases anteriores devido à ascensão das variáveis de defasagem, especialmente geracao_mwh_lag1, que se tornou altamente relevante.

A matriz de correlação linear da Fase 3 evidenciou que as variáveis de defasagem da geração de energia apresentaram correlações elevadas com a geração, com r = 0,90 para geracao_mwh_lag1, r = 0,73 para geracao_mwh_lag2 e r = 0,54 para geracao_mwh_lag3. Isso reforça a forte dependência temporal da série de geração fotovoltaica. As variáveis cíclicas, particularmente as transformações trigonométricas do dia do ano e da hora do dia, também mostraram correlações moderadas com a geração, com r = -0,70 para o cosseno da hora do dia, indicando que a periodicidade diária contribui para a capacidade dos modelos de capturar os padrões de geração.

A otimização dos hiperparâmetros dos modelos por meio da técnica GridSearchCV foi crucial para maximizar o desempenho preditivo e mitigar o risco de sobreajuste. Os melhores conjuntos de hiperparâmetros foram identificados para cada algoritmo em cada fase, contribuindo para os resultados robustos alcançados na Fase 3. As análises gráficas da Fase 3 mostraram uma maior concentração dos pontos ao longo da linha de referência, indicando um ajuste preditivo significativamente melhor em comparação com as fases anteriores. Houve maior aderência entre os valores reais e estimados ao longo do período de teste, com redução das discrepâncias observadas previamente.

Apesar do bom desempenho geral, notou-se a ocorrência de discrepâncias pontuais, especialmente em períodos de maior variabilidade ou quedas abruptas na geração, sugerindo que os modelos ainda possuem limitações na capacidade de capturar todas as nuances da variabilidade. Esses resultados estão alinhados com estudos prévios que avaliaram modelos integrando dados meteorológicos e históricos, nos quais o coeficiente de determinação variou entre 0,85 e 0,95 (Amiri et al., 2024). O desempenho superior do XGBoost, seguido pelo Random Forest, também está em consonância com a literatura que destaca a maior capacidade de generalização desses algoritmos em cenários de alta variabilidade e não linearidade (Amiri et al., 2024; Atiea et al., 2024; Didavi et al., 2021).

Embora alguns estudos reportem valores de R² superiores a 0,90, próximos de 0,97 (Hassan et al., 2025), esses resultados são frequentemente associados a conjuntos de dados altamente controlados, séries temporais mais estáveis ou processos de otimização mais intensivos. Neste contexto, o desempenho obtido neste estudo, com R² próximo de 0,90 em dados de teste, pode ser considerado satisfatório para aplicações reais de previsão fotovoltaica, especialmente em ambientes operacionais onde há incertezas associadas à variabilidade climática e limitações na disponibilidade de dados meteorológicos mais detalhados.

As limitações metodológicas do estudo incluem a forte dependência de variáveis defasadas da própria geração (geracao_mwh_lag1), o que pode superestimar o desempenho preditivo e reduzir a aplicabilidade do modelo para horizontes de previsão mais longos ou em contextos sem medições recentes. Além disso, a disponibilidade limitada de dados meteorológicos de maior qualidade impediu a inclusão de variáveis atmosféricas diretamente relacionadas à atenuação da radiação solar, como nebulosidade e concentração de aerossóis, e fatores operacionais, como estado de limpeza dos painéis ou registros de indisponibilidade da usina.

A ausência dessas variáveis é uma limitação relevante, conforme apontado na literatura, e pode impactar negativamente a capacidade dos modelos de capturar variações mais complexas, especialmente em situações de maior variabilidade climática. Por fim, o estudo concentrou-se em uma única usina e em um período específico de observação, o que restringe a generalização dos resultados. A extrapolação para outros contextos geográficos, operacionais e climáticos deve ser realizada com cautela, exigindo validação prévia dos modelos em diferentes cenários para confirmar sua robustez e aplicabilidade.

Em síntese, os modelos de aprendizado de máquina baseados em árvores, especialmente o XGBoost, demonstraram capacidade preditiva aprimorada para a geração de energia fotovoltaica quando variáveis temporais, cíclicas e de defasagem são incorporadas. A radiação solar permanece como o principal preditor, mas a engenharia de atributos temporais e a dependência da série temporal da própria geração são cruciais para capturar a complexidade e a periodicidade da produção de energia, respondendo ao objetivo de aprimorar a previsão da geração de energia elétrica de usinas fotovoltaicas.

4. Conclusão

O presente estudo buscou desenvolver e avaliar modelos de aprendizado de máquina para a previsão da geração de energia elétrica de uma usina fotovoltaica, analisando o impacto da inclusão progressiva de variáveis meteorológicas, temporais e derivadas no desempenho preditivo. Verificou-se uma forte correlação entre a radiação solar e a geração de energia, com um coeficiente de Pearson de 0,845, confirmando a radiação solar como o principal fator explicativo. Na fase inicial da modelagem, que utilizou apenas variáveis meteorológicas, os modelos apresentaram desempenho preditivo moderado, com coeficientes de determinação (R²) variando entre 0,524 e 0,547. A inclusão de variáveis temporais simples na segunda fase resultou em uma melhora discreta. Contudo, a terceira fase, que incorporou variáveis cíclicas e de defasagem da própria geração, demonstrou uma melhoria significativa e expressiva no desempenho, com o modelo XGBoost alcançando um R² de 0,898. Esse resultado evidenciou que a engenharia de atributos temporais e a dependência da série temporal da própria geração foram determinantes para aprimorar a capacidade preditiva dos modelos, configurando-se como uma estratégia robusta para aplicações práticas no setor fotovoltaico.

Apesar do ajuste preditivo alcançado, o estudo apresentou limitações metodológicas. A forte dependência de variáveis defasadas da própria geração pode superestimar o desempenho e restringir a aplicabilidade do modelo para horizontes de previsão mais longos ou em contextos sem medições recentes. Adicionalmente, a disponibilidade limitada de dados meteorológicos de maior qualidade impediu a inclusão de variáveis atmosféricas como nebulosidade e concentração de aerossóis, e fatores operacionais, que poderiam impactar a capacidade dos modelos de capturar variações mais complexas. Por fim, a restrição a uma única usina e a um período específico de observação limita a generalização dos resultados. Para estudos futuros, recomenda-se a incorporação de variáveis meteorológicas mais abrangentes, a avaliação em diferentes horizontes de previsão e a inclusão de dados operacionais da usina. Sugere-se também a exploração de modelos híbridos e arquiteturas mais complexas, capazes de modelar explicitamente a evolução temporal dos dados, visando aprimorar a robustez e a generalização preditiva em diversos cenários.

Referências Bibliográficas

BONDARIK, R. Uma visão geral sobre o potencial de geração de energias renováveis no Brasil. v. 43, 2018.

BP Energy Outlook 2025 – Brazil insights., 2025.

Canal Solar., 2022. Disponível em: <https://canalsolar.com.br>

EPE. Empresa De Pesquisa Energética [EPE]. Geração solar e mudanças climáticas: fact sheet. Brasília: EPE, 2025., 2025. Disponível em: <https://www.epe.gov.br>

IEA. International Energy Agency [IEA]. Renewables 2024: Analysis and forecast to 2028. Paris: IEA, 2024., 2024. Disponível em: <https://www.iea.org>

ONS. Operador Nacional do

ONS. Operador Nacional do Sistema Elétrico [ONS] – Evolução da Capacidade Instalada de Geração Eólica e Fotovoltaica. 2025a. Disponível em: <https://www.ons.org.br >

PEREIRA, E. et al. Atlas brasileiro de energia solar. 2. ed. [S.I.]: Universidade Federal de São Paulo, 2017.

Portal do Governo do Ceará., 2026. Disponível em: <https://www.ceara.gov.br>

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

Más recientes

06 de noviembre de 2026

Influência do marketing digital no consumo de suplementos proteicos e alimentos enriquecidos com proteína

06 de noviembre de 2026

Inovação na Gestão Operacional do Setor Elétrico com Apoio da Ciência de Dados

06 de noviembre de 2026

Comportamento de clientes em cursos preparatórios: segmentação RFM, Cadeias de Markov e aprendizado supervisionado

06 de noviembre de 2026

Otimização da Inteligência de Negócios no E-commerce Brasileiro: Fine-Tuning de LLMs para Aspect-Based Sentiment Analysis em Avaliações de Clientes

06 de noviembre de 2026

Classificação de retornos de ações no Brasil com machine learning e técnicas de meta-labeling

06 de noviembre de 2026

Influenciadores digitais, confiança e intenção de compra em marcas próprias de cosméticos

06 de noviembre de 2026

Método AHP-Gaussiano na seleção de fornecedores: conformidade em contratações públicas

06 de noviembre de 2026

Posicionamento de marcas globais de alimentação e a percepção do consumidor no mercado digital contemporâneo

06 de noviembre de 2026

Entre a Crise e o Sucesso: impacto das finanças no desempenho esportivo de clubes brasileiros

También te puede interesar

06 de noviembre de 2026

Influência do marketing digital no consumo de suplementos proteicos e alimentos enriquecidos com proteína

O consumo de suplementos proteicos e alimentos com adição de proteína tem crescido significativamente nos últimos anos, com conteúdos digitais relacionados à saúde, estética e desempenho físico tornando-se parte relevante da rotina de brasileiros que buscam um estilo de vida disciplinado. O presente estudo teve como objetivo analisar o comportamento de consumo de suplementos e alimentos proteicos, bem como a influência das redes sociais e dos influenciadores digitais nas decisões de compra dos consumidores. Realizou-se uma pesquisa exploratória, que utilizou um questionário online aplicado a 62 participantes via Google Forms, disseminado no Instagram, e uma entrevista semiestruturada com o CEO de uma marca de suplementos. A análise dos dados foi quali-quantitativa. Os resultados indicaram que as redes sociais, especialmente o Instagram, desempenharam papel central no contato inicial dos consumidores com as marcas. A maioria dos entrevistados associou o consumo de produtos proteicos a um estilo de vida saudável e fitness, e considerou a influência de criadores de conteúdo digital no estímulo à experimentação e à compra. Identificou-se o impacto significativo do marketing digital e das narrativas aspiracionais no comportamento de consumo, reforçando a relação entre alimentação funcional, identidade social e pertencimento no ambiente digital no contexto da suplementação e alimentação proteica.

Palavras-chave: Alimentos com adição de proteína; Comportamento do consumidor; Consumo de suplementos proteicos; Influenciadores digitais; Marketing digital.

06 de noviembre de 2026

Inovação na Gestão Operacional do Setor Elétrico com Apoio da Ciência de Dados

A aplicação da ciência de dados na gestão operacional da distribuição de energia elétrica foi investigada com o objetivo de otimizar processos e a tomada de decisão estratégica. O estudo analisou como algoritmos preditivos e painéis de Business Intelligence podem potencializar a gestão operacional, visando otimizar o despacho de equipes, prever demandas e monitorar indicadores em tempo real para decisões mais ágeis e sustentáveis. A pesquisa teve caráter aplicado e considerou dados históricos, geográficos e operacionais da EDP São Paulo em São José dos Campos, abrangendo o período de janeiro de 2018 a dezembro de 2024. Os dados foram tratados em ambiente de Business Intelligence e submetidos a algoritmos de machine learning, como regressão linear múltipla e redes neurais recorrentes, para previsão de demanda e identificação de padrões de falhas. Adicionalmente, utilizou-se clustering para identificar áreas críticas. Os resultados indicaram que a integração de modelos de previsão com indicadores operacionais em tempo real reduziu o tempo de resposta a ocorrências, aumentou a eficiência na alocação de recursos e promoveu a melhoria contínua da operação. As redes neurais recorrentes demonstraram maior precisão na previsão de demanda, e a análise de correlação apontou a precipitação como fator relevante para o aumento de interrupções. A identificação de áreas críticas por clustering permitiu priorizar ações de manutenção. Concluiu-se que a adoção de métodos de ciência de dados moderniza o setor, reduz custos, aumenta a confiabilidade e promove maior sustentabilidade, oferecendo subsídios para decisões mais ágeis e sustentáveis na gestão energética.

Palavras-chave: Algoritmos preditivos; Business Intelligence; Ciência de dados; Distribuição de energia; Gestão operacional.

06 de noviembre de 2026

Comportamento de clientes em cursos preparatórios: segmentação RFM, Cadeias de Markov e aprendizado supervisionado

Construiu-se uma arquitetura analítica para compreender e predizer o comportamento de compra de clientes de um provedor de cursos livres preparatórios. O objetivo foi integrar segmentação RFM, modelagem de transições por Cadeias de Markov e predição de propensão por Regressão Logística, Random Forest e Gradient Boosting, sob a estrutura do CRISP-DM. Utilizaram-se dados transacionais de 7.123 clientes de um provedor de cursos livres, abrangendo novembro de 2022 a janeiro de 2026. A metodologia CRISP-DM guiou a segmentação RFM, a modelagem de transições por Cadeias de Markov e a predição de propensão à compra por modelos supervisionados (Regressão Logística, Random Forest e Gradient Boosting), com validação temporal ‘out-of-time’. A segmentação RFM revelou quatro perfis, com o segmento Muito Recorrente (25% da base) concentrando 60,5% da receita. A Cadeia de Markov indicou uma tendência de degradação da base no longo prazo, com o segmento Baixa Aquisição projetado para crescer de 25% para 31,3% no equilíbrio. Os modelos supervisionados alcançaram AUC entre 0,811 e 0,826, demonstrando que o poder preditivo reside nas variáveis RFM, com a recência emergindo como preditor dominante. Concluiu-se que a integração dessas abordagens fornece subsídios concretos para decisões estratégicas de retenção, segmentação e priorização de clientes em contextos educacionais, destacando a necessidade de ações estruturadas para reverter a degradação da base e a importância da recência na predição de recompra.

Palavras-chave: Cadeias de Markov; CRISP-DM; Predição de propensão; Random Forest; Segmentação RFM.

06 de noviembre de 2026

Otimização da Inteligência de Negócios no E-commerce Brasileiro: Fine-Tuning de LLMs para Aspect-Based Sentiment Analysis em Avaliações de Clientes

O crescimento do e-commerce brasileiro consolidou as avaliações de clientes como rica fonte de dados não estruturados para a inteligência de negócios. Contudo, métricas tradicionais agregadas, como notas de estrelas, falham em capturar a complexidade de sentimentos mistos em um único comentário. O estudo objetivou desenvolver um modelo multi-label de Análise de Sentimento Baseada em Aspectos (ABSA) por meio do Fine-Tuning do modelo de linguagem BERTimbau, visando classificar sentimentos em quatro aspectos de negócio e comparar seu desempenho com baselines convencionais. Para isso, utilizou-se o Brazilian E-Commerce Public Dataset by Olist. Os resultados demonstraram desempenho superior do modelo ajustado, que alcançou um F1-Macro de 0,8149, representando uma melhoria de 23,7% em relação aos baselines de satisfação convencionais. Concluiu-se que o uso de LLMs especializados permite transformar feedbacks subjetivos em indicadores de diagnóstico acionáveis, fornecendo subsídios estratégicos para a gestão da cadeia de suprimentos e a otimização da experiência do cliente no ambiente digital.

Palavras-chave: Aprendizado de Máquina; Experiência do Cliente; Gestão da Cadeia de Suprimentos; Marketplace; Processamento de Linguagem Natural.

06 de noviembre de 2026

Classificação de retornos de ações no Brasil com machine learning e técnicas de meta-labeling

A demanda por estratégias quantitativas em mercados de capitais impulsionou o desenvolvimento de modelos de machine learning. O presente estudo implementou um pipeline de aprendizado de máquina para a classificação ternária de retornos de ações brasileiras, visando diagnosticar sobreajuste, avaliar o uso de meta-rotulagem e Hierarchical Risk Parity (HRP) para gerar alpha positivo, e documentar modos de falha. Reuniu-se 276 ativos da B3 entre 2000 e 2026, totalizando 257.970 amostras rotuladas pelo esquema triple-barrier sobre eventos CUSUM. Um classificador primário XGBoost agrupado foi treinado com pesos de amostra corrigidos por concorrência e unicidade. A validação empregou PurgedKFold e validação cruzada combinatória purgada (CPCV), com diagnóstico de sobreajuste via PBO e DSR. A decisão de lado seguiu a softmax bruta do modelo primário, e a magnitude da aposta foi delegada a um meta-rotulador binário. A construção de carteira adotou Hierarchical Risk Parity e foi avaliada por comparação honesta A/B/C. Os resultados out-of-sample indicaram acurácia de 0,52 e aprovação nos três gates estatísticos. Contudo, no nível de carteira, o Sharpe da estratégia com timing foi de +0,23 contra +0,87 do buy-and-hold HRP, resultando em alpha de -0,63. Concluiu-se que a seleção do universo explicou substancialmente o desempenho observado, e não o timing do classificador, apesar da aprovação nos testes estatísticos de nível de operação. A contribuição metodológica foi um pipeline reprodutível, auditável e leakage-safe, com modos de falha documentados de forma transparente, e o diagnóstico do colapso do argmax sob calibração isotônica em rótulos ternários desbalanceados.

Palavras-chave: Deflated Sharpe Ratio; Diferenciação fracional; Finanças quantitativas; Meta-rotulagem; Sobreajuste em backtests.

06 de noviembre de 2026

Influenciadores digitais, confiança e intenção de compra em marcas próprias de cosméticos

A influência de influenciadores digitais na confiança e intenção de compra de marcas próprias de cosméticos foi analisada, contextualizada pelo crescimento expressivo das redes sociais e do setor de beleza no Brasil. O estudo objetivou analisar a relação entre a identificação do consumidor com influenciadores digitais, a confiança e a intenção de compra de cosméticos de marcas próprias. Adotou-se uma abordagem quantitativa, descritiva e correlacional, com levantamento tipo survey aplicado a 108 respondentes válidos. Os dados foram processados no software R, utilizando análise fatorial exploratória e regressão linear múltipla. Os resultados indicaram que a confiança se consolidou como o principal preditor da intenção de compra, evidenciando sua relevância para o comportamento do consumidor. Em contrapartida, a identificação obteve a menor média e não demonstrou significância estatística no modelo de regressão, sugerindo um impacto limitado na decisão de compra. Concluiu-se que a fidedignidade e a segurança transmitidas pela marca são determinantes para a conversão em vendas, superando a necessidade de similaridade pessoal entre seguidor e influenciador no segmento de cosméticos.

Palavras-chave: Confiança; Cosméticos; Identificação; Intenção de compra; Marketing de influência.

06 de noviembre de 2026

Método AHP-Gaussiano na seleção de fornecedores: conformidade em contratações públicas

A seleção de fornecedores em contratações públicas demandou instrumentos para ampliar a transparência e fortalecer a conformidade diante de riscos legais e reputacionais. O objetivo foi aplicar o método AHP-Gaussiano na seleção de fornecedores, com base em critérios quantitativos de integridade e capacidade operacional. A investigação, de natureza aplicada, documental e quantitativa, utilizou dados secundários do Cadastro Nacional de Empresas Inidôneas e Suspensas (CEIS), disponíveis no Portal da Transparência. Avaliaram-se dez fornecedores do segmento de limpeza e conservação, segundo seis critérios: recursos recebidos, sanções vigentes, contratos firmados, emendas parlamentares, serviços e participação em licitações. O método AHP-Gaussiano processou os dados, calculou os pesos dos critérios, agregou os desempenhos e gerou o ranking final das alternativas. Os resultados indicaram que o critério emendas parlamentares apresentou o maior peso relativo no modelo, seguido por participação em licitações e contratos firmados. A alternativa A4 foi a mais bem posicionada no ranking final, seguida por A5 e A6. Um teste de sensibilidade confirmou a coerência e robustez do modelo. Concluiu-se que o AHP-Gaussiano constituiu uma ferramenta adequada para apoiar a seleção de fornecedores no setor público, contribuindo para decisões mais consistentes, rastreáveis e alinhadas aos princípios de integridade e governança.

Palavras-chave: AHP-Gaussiano; Apoio multicritério à decisão; Conformidade; Contratações públicas; Fornecedores.

06 de noviembre de 2026

Posicionamento de marcas globais de alimentação e a percepção do consumidor no mercado digital contemporâneo

A expansão de mercados globais impôs às marcas o desafio de superar a padronização digital e evitar a desconexão com consumidores de diferentes contextos culturais. O estudo analisou o posicionamento estratégico e a percepção das marcas McDonald’s, Starbucks e KFC no Brasil, França e Japão, buscando compreender como o tom de voz, a estética visual e os canais de comunicação foram moldados às preferências locais. A metodologia empregou um estudo de caso múltiplo com abordagem mista, que integrou a análise de conteúdo em perfis de Instagram e TikTok à aplicação de um formulário estruturado com 63 respondentes. Os resultados demonstraram contrastes significativos no posicionamento digital: no Brasil, a comunicação priorizou a expressividade e a proximidade emocional por meio de influenciadores; na França, o individualismo estético e o humor irônico predominaram como vetores de engajamento; e no Japão, a estratégia revelou uma comunicação de alto contexto, guiada pelo requinte visual, sazonalidade e uso de canais regionais como o aplicativo LINE. A pesquisa ratificou que 88,9% dos consumidores exigiram campanhas adaptadas, evidenciando a ressonância cultural como variável determinante para a sustentação do capital de marca. Concluiu-se que a eficácia do posicionamento digital dependeu do equilíbrio entre a identidade global e a localização profunda, tornando o consumo culturalmente relevante e autêntico.

Palavras-chave: Branding; Comportamento do Consumidor; Localização da Marca; Marketing Intercultural; Redes Sociais.

06 de noviembre de 2026

Entre a Crise e o Sucesso: impacto das finanças no desempenho esportivo de clubes brasileiros

O futebol profissional brasileiro consolidou-se como uma indústria de elevada relevância econômica, marcada por crescente geração de receitas e, simultaneamente, por desafios relacionados à sustentabilidade financeira e à gestão dos clubes. Nesse contexto, o presente estudo teve como objetivo analisar em que medida o desempenho econômico-financeiro influenciou a competitividade esportiva dos clubes Corinthians, Flamengo, Palmeiras e Vasco da Gama no período de 2020 a 2024. Para tanto, realizou-se uma pesquisa de natureza aplicada, com abordagem quantitativa e qualitativa, baseada na análise das demonstrações financeiras divulgadas pelos clubes, a partir da apuração de indicadores de liquidez corrente, liquidez geral, endividamento e receita operacional líquida, posteriormente relacionados às conquistas esportivas observadas no período. Os resultados evidenciaram que clubes com maior equilíbrio econômico-financeiro, caracterizado por crescimento consistente de receitas, controle do endividamento e manutenção de níveis adequados de liquidez, apresentaram maior regularidade competitiva e maior recorrência de títulos. Em contrapartida, estruturas financeiras fragilizadas estiveram associadas à instabilidade esportiva e à ausência de conquistas relevantes. Concluiu-se que a sustentabilidade econômico-financeira atuou como condição necessária, ainda que não suficiente, para o sucesso esportivo no longo prazo, reforçando a importância da profissionalização da gestão e da governança no futebol brasileiro.

Palavras-chave: Competitividade esportiva; Desempenho financeiro; Futebol profissional; Governança.

Innovación

05 de noviembre de 2026

Un parque tecnológico no termina en los límites de su terreno

Al aproximar competencias y acompañar resultados, su contribución alcanza también a organizaciones que no están físicamente instaladas en él. Un parque tecnológico es un lugar de encuentros. En él, una empresa puede encontrar el conocimiento necesario para desarrollar una solución, un investigador puede descubrir una aplicación para su trabajo y un emprendedor puede conocer al socio que faltaba […]

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, […]

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 […]