Previsão de alta precipitação no Rio Grande do Sul para prevenção de desastres hidrometeorológicos

doi:10.22167/2675-6528-202603366

Artículo

16 de octubre de 2026

Previsão de alta precipitação no Rio Grande do Sul para prevenção de desastres hidrometeorológicos

Previsão de Alta Precipitação no Rio Grande do Sul para Prevenção de Desastres Hidrometeorológicos

Priscila Resende Nascimento; Abdoulaye Mohamed

DOI: 10.22167/2675-6528-202603366

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

Em abril de 2024, o Rio Grande do Sul enfrentou a maior tragédia climática de sua história, evidenciando a necessidade de aprimorar estratégias de previsão e prevenção de desastres hidrometeorológicos. O estudo teve como objetivo desenvolver um modelo preditivo baseado em redes neurais do tipo Long Short-Term Memory (LSTM) para classificar eventos de alta precipitação no estado. Utilizaram-se dados históricos do Instituto Nacional de Meteorologia (INMET) entre 2013 e 2025, coletados de 44 estações meteorológicas automáticas. A metodologia compreendeu a seleção de variáveis pelo algoritmo Random Forest, que identificou a precipitação total horária e a temperatura do ponto de orvalho como as features de maior poder preditivo, e a modelagem com arquitetura LSTM de duas camadas, treinada com aplicação do SMOTE para tratamento do desbalanceamento entre classes. O modelo alcançou um AUC-ROC de 0,9373 e um recall de 82,4% para eventos extremos, definidos como precipitação acima do percentil 95 da distribuição histórica (8,60 mm/hora). Demonstrou-se a capacidade de identificar a grande maioria das ocorrências de alta precipitação com antecedência, confirmando a viabilidade do uso de redes neurais LSTM para a previsão de eventos hidrometeorológicos extremos. O trabalho oferece potencial contribuição para sistemas de monitoramento climático e políticas públicas de prevenção de desastres naturais no Brasil.

Palavras-chave: Desastres hidrometeorológicos; LSTM; Precipitação extrema; Redes Neurais Artificiais; Rio Grande do Sul.

1. Introdução

Os eventos climáticos extremos têm se tornado cada vez mais frequentes e intensos em escala global, evidenciando a necessidade de aprimorar os sistemas de previsão, prevenção e resposta a desastres naturais (IPCC, 2023). O Rio Grande do Sul, estado localizado em uma região de clima subtropical úmido segundo a classificação de Köppen-Geiger (Peel et al., 2007), historicamente apresenta um regime pluviométrico relativamente regular ao longo do ano. Contudo, a magnitude do desastre ocorrido em 2024 superou todos os registros anteriores, incluindo eventos significativos de 1941 e 2023, marcando a maior tragédia climática de sua história.

Fatores climáticos e estruturais contribuíram para a severidade desse evento, com o fenômeno El Niño intensificando as precipitações na região Sul do Brasil (INMET, 2024; INPE, 2024). No final de abril de 2024, a calamidade climática atingiu 478 dos 497 municípios gaúchos, correspondendo a 96,2% do total, com os maiores impactos concentrados nas regiões Central, dos Vales, Serra e Metropolitana de Porto Alegre (G1, 2025).

A tragédia resultou em 184 mortes confirmadas e 25 pessoas desaparecidas, além de afetar aproximadamente 2,4 milhões de pessoas, das quais quase 200 mil ficaram desalojadas ou desabrigadas (INMET, 2025). Os prejuízos financeiros alcançaram a soma de R$ 801 milhões, conforme levantamento da Prefeitura de Porto Alegre (2024). Em apenas três dias de chuva, o Instituto Nacional de Pesquisas Espaciais (INPE, 2024) registrou um acumulado de precipitação superior a 600 mm em algumas áreas, e acima de 400 mm em uma ampla extensão do estado, configurando um dos episódios hidrometeorológicos mais intensos da história recente do país.

Diante da complexidade desse cenário e da dificuldade de prever eventos de tal magnitude com os métodos tradicionais, as Redes Neurais Artificiais (RNAs) emergem como uma abordagem promissora para a modelagem de fenômenos climáticos. Segundo Cruz et al. (2010), modelos de redes neurais oferecem uma alternativa vantajosa aos métodos convencionais na previsão de séries temporais hidrometeorológicas. Isso ocorre porque dispensam o conhecimento físico-matemático prévio das complexas relações não lineares que descrevem o fenômeno, permitindo que o próprio modelo aprenda esses padrões diretamente a partir dos dados históricos disponíveis.

Em particular, as redes do tipo Long Short-Term Memory (LSTM) são especialmente adequadas para a análise de séries temporais, pois possuem a capacidade de capturar dependências de longo prazo entre variáveis ao longo do tempo (Hochreiter e Schmidhuber, 1997). Essa característica é fundamental para a modelagem de padrões climáticos, onde a evolução de variáveis atmosféricas ao longo de períodos estendidos influencia a ocorrência de eventos extremos. A aplicação de modelos preditivos baseados em LSTM pode, portanto, fornecer suporte antecipado a ações preventivas e decisões estratégicas em políticas públicas, mitigando os impactos de futuros desastres hidrometeorológicos.

Considerando a intensificação dos eventos hidrometeorológicos extremos e os graves impactos observados no Rio Grande do Sul em 2024, este trabalho busca desenvolver um modelo preditivo baseado em redes neurais do tipo LSTM para classificar eventos de precipitação extrema, definidos como ocorrências acima do percentil 95 da distribuição histórica de precipitação horária, utilizando dados entre 2013 e 2025, com vistas a fornecer suporte antecipado a ações preventivas e decisões estratégicas em políticas públicas.

2. Material e Métodos

O presente estudo caracterizou-se como uma pesquisa aplicada, visando gerar conhecimento com potencial de utilização prática na previsão de eventos de alta precipitação e no apoio a ações de prevenção de desastres hidrometeorológicos (Vergara, 2016). Adotou-se uma abordagem quantitativa, empregando dados numéricos de séries temporais meteorológicas, tratados por técnicas estatísticas e computacionais para a construção e avaliação de um modelo preditivo (Vergara, 2016).

Quanto aos objetivos, a pesquisa foi classificada como exploratória, buscando aprofundar a compreensão sobre os padrões associados à ocorrência de eventos de alta precipitação (Gil, 2019). Em termos de procedimentos técnicos, o estudo assumiu caráter documental, utilizando dados secundários de bases públicas oficiais do Instituto Nacional de Meteorologia (INMET), complementado por uma natureza preditiva e analítica para desenvolver um modelo computacional de classificação de eventos extremos.

A área de estudo compreendeu o estado do Rio Grande do Sul, que possui clima temperado do tipo subtropical, classificado como Mesotérmico Úmido segundo Köppen (Atlas Socioeconômico do RS, 2024). A precipitação na região é bem distribuída ao longo do ano, variando entre 1.299 e 1.800 mm anuais.

Os dados foram coletados a partir de 44 estações meteorológicas automáticas do Instituto Nacional de Meteorologia (INMET), disponíveis publicamente em https://portal.inmet.gov.br/dadoshistoricos, abrangendo o período de 2013 a 2025. As variáveis incluíram precipitação total horária, temperaturas do ar e do ponto de orvalho, umidade relativa, velocidade e direção do vento, pressão atmosférica e radiação global, conforme padrões da Organização Meteorológica Mundial (OMM).

Após a coleta, os dados passaram por um processo de tratamento e organização, denominado “Data Wrangling”, para garantir consistência e integridade. Valores nulos ou faltantes foram identificados e tratados conforme a natureza de cada variável, aplicando-se interpolação temporal com preenchimento bidirecional para séries temporais.

A precipitação foi tratada de forma diferenciada: valores ausentes foram substituídos por zero, considerando sua natureza esparsa e para evitar que valores sintéticos cruzassem o limiar de evento extremo de 8,60 mm/hora. Realizou-se análise exploratória com decomposição da série temporal diária de precipitação nos modelos aditivo e multiplicativo, com período sazonal de 365 dias.

Para identificar as variáveis com maior poder preditivo, utilizou-se o algoritmo Random Forest (biblioteca scikit-learn) como etapa de pré-processamento. O Random Forest foi configurado com 400 árvores de decisão e treinado como classificador binário, tendo como variável-alvo a ocorrência de evento de alta precipitação.

Criaram-se features defasadas (lags) nos intervalos de 1, 3, 6, 12 e 24 horas para cada uma das oito variáveis meteorológicas de base. O desbalanceamento entre as classes foi tratado pela técnica SMOTE (Synthetic Minority Oversampling Technique), aplicada exclusivamente nos dados de treino. As seis variáveis com maior importância agregada foram selecionadas para compor a entrada do modelo LSTM, sendo o limiar de evento de alta precipitação definido como 8,60 mm/hora, correspondente ao percentil 95 da distribuição histórica de precipitação positiva.

Para a modelagem preditiva, utilizou-se uma rede neural recorrente do tipo Long Short-Term Memory (LSTM), implementada por meio da biblioteca TensorFlow com interface Keras, em ambiente Python 3.10, com aceleração via GPU. As seis variáveis selecionadas foram normalizadas pelo método MinMaxScaler para o intervalo entre 0 e 1. Criaram-se janelas temporais de 24 horas, onde cada observação representou o histórico das variáveis nas 24 horas anteriores.

A divisão dos dados foi sequencial: 70% para treino, 15% para validação e 15% para teste. O SMOTE foi aplicado ao conjunto de treino para equilibrar as classes. A arquitetura do modelo consistiu em duas camadas LSTM empilhadas (64 e 32 neurônios), intercaladas por camadas de Dropout (20%), e uma camada de saída com ativação sigmoid. O treinamento utilizou otimizador Adam e função de perda binary crossentropy, com EarlyStopping para evitar overfitting. As métricas de avaliação incluíram precision, recall, F1-score, acurácia, matriz de confusão e AUC-ROC, priorizando o recall da classe positiva.

3. Resultados e Discussão

A análise dos resultados da pesquisa revelou insights importantes sobre a dinâmica da precipitação no Rio Grande do Sul e a capacidade de um modelo LSTM em prever eventos extremos, contribuindo para o objetivo de desenvolver um sistema preditivo para suporte a ações preventivas. Inicialmente, a investigação focou na caracterização dos padrões de precipitação, que se mostrou a variável central para a compreensão dos desastres hidrometeorológicos. A série histórica de precipitação mensal, abrangendo o período de 2013 a 2025, evidenciou uma notável variabilidade temporal e a ocorrência de picos significativos ao longo dos anos, com uma intensificação clara dos eventos extremos a partir de 2019. Este padrão culminou em 2023 e, de forma mais acentuada, em 2024, quando se registraram os maiores volumes mensais de precipitação em diversas estações.

Os três maiores picos de precipitação mensal foram observados em maio de 2024, com a estação de Soledade (A837) registrando 738 mm, Serafina Corrêa (A894) com 714 mm e Canela (A879) com 706 mm. Esses valores destacam a magnitude excepcional dos eventos ocorridos, que superaram registros anteriores e reforçam a urgência de sistemas de alerta eficazes. Em uma escala diária, os eventos mais intensos incluíram 238,6 mm em Rio Pardo (A813) em 11 de novembro de 2013, 229,2 mm em Uruguaiana (A809) em 09 de janeiro de 2019 e 207,0 mm em Santa Maria (A803) em 30 de abril de 2024. A concentração desses eventos extremos no tempo e no espaço sublinha a natureza não linear da precipitação e a necessidade de abordagens preditivas avançadas.

A decomposição da série temporal diária de precipitação, utilizando modelos aditivo e multiplicativo, permitiu uma compreensão aprofundada de seus componentes. A série observada exibiu o comportamento típico de variáveis pluviométricas, caracterizado por extensos períodos de baixa precipitação intercalados por picos extremos. A análise da tendência revelou uma relativa estabilidade entre 2013 e 2021, seguida por um aumento expressivo a partir de 2022, com os anos de 2023 e 2024 apresentando os maiores impactos. A redução na tendência em 2025 é atribuída ao fato de a série não contemplar o ano completo, não indicando uma reversão do padrão de intensificação.

A componente sazonal, por sua vez, indicou a presença de um ciclo anual, mas com intensidade fraca. A força de sazonalidade calculada foi de 0,087 para o modelo aditivo e 0,096 para o multiplicativo, ambos abaixo do limiar de 0,4, que é considerado indicativo de sazonalidade moderada (Wang, Smith e Hyndman, 2006). Este achado é consistente com a caracterização climática do Rio Grande do Sul, onde a precipitação é historicamente bem distribuída ao longo do ano, sem uma estação seca definida (Atlas Socioeconômico do RS, 2024). A média sazonal mensal apontou outubro (+52,6 mm) e maio (+51,1 mm) como os meses de maior contribuição, e agosto (-42,6 mm) como o de menor, com uma amplitude sazonal de aproximadamente 95 mm e um padrão irregular.

O resíduo da decomposição concentrou valores abruptos que não puderam ser explicados pela tendência ou sazonalidade, representando os eventos de precipitação extrema. Essa constatação é crucial para a modelagem preditiva, pois demonstra que os fenômenos hidrometeorológicos críticos estão associados a flutuações não lineares e de difícil captura por métodos estatísticos convencionais. Consequentemente, a utilização de redes neurais recorrentes, como as LSTM, justifica-se como uma alternativa promissora para a identificação de padrões complexos e a antecipação desses eventos, alinhando-se com a proposta do estudo de empregar técnicas avançadas de aprendizado de máquina para a previsão de desastres.

Seleção de Variáveis

Para identificar as variáveis com maior poder preditivo, o algoritmo Random Forest foi empregado como classificador binário. A variável-alvo foi definida como a ocorrência de precipitação acima de 8,60 mm/hora, que corresponde ao percentil 95 da distribuição histórica positiva de precipitação. Este limiar se mostrou coerente com a magnitude dos eventos extremos observados em abril de 2024, que apresentaram médias horárias consistentemente acima desse valor durante o período crítico. O horizonte de previsão estabelecido foi de uma hora, visando a antecipação de eventos. Dada a raridade dos eventos extremos, que representam apenas 0,42% das observações, as métricas de avaliação priorizadas foram AUC-ROC e recall da classe extrema, consideradas mais adequadas para contextos de classes desbalanceadas do que a acurácia global.

Para enriquecer a capacidade discriminativa do modelo, foram criadas 40 features defasadas (lags) para cada uma das oito variáveis meteorológicas de base, em intervalos de 1, 3, 6, 12 e 24 horas. Este procedimento permitiu que o modelo incorporasse o comportamento temporal das variáveis nas horas anteriores a cada observação, capturando indiretamente o comportamento acumulado da precipitação sem a necessidade de criar variáveis de precipitação acumulada explicitamente. A abordagem inicial para o tratamento do desbalanceamento de classes, utilizando o parâmetro `class_weight=’balanced’` do RandomForestClassifier, não foi eficaz, resultando em um recall de zero para a classe minoritária, o que indicou a incapacidade do modelo de identificar eventos de alta precipitação.

Diante dessa limitação, a técnica SMOTE (Synthetic Minority Oversampling Technique) foi adotada e demonstrou superioridade ao gerar amostras sintéticas da classe minoritária nos dados de treino. Essa estratégia permitiu que o modelo aprendesse os padrões associados aos eventos extremos de forma mais eficaz, preservando a distribuição real dos dados no conjunto de teste para uma avaliação válida. A importância de cada variável foi calculada com base na redução média de impureza nas árvores de decisão do Random Forest, e as seis variáveis com maior importância agregada foram selecionadas para a entrada do modelo LSTM, otimizando a dimensionalidade do problema.

A precipitação total horária destacou-se como a variável de maior importância agregada, com um valor de 0,4939, representando quase o triplo da segunda colocada. Esse resultado é fisicamente esperado, pois o histórico recente de precipitação é o preditor mais direto para a ocorrência de novos eventos extremos. A temperatura do ponto de orvalho ocupou a segunda posição, com 0,1628 de importância, refletindo sua relação direta com o teor de vapor d’água na atmosfera, um fator crucial para chuvas intensas. As demais variáveis selecionadas foram umidade relativa do ar (0,0856), temperatura do ar bulbo seco (0,0608), radiação global (0,0571) e vento rajada máxima (0,0548), todas reconhecidas na literatura como precursores de eventos hidrometeorológicos extremos.

A análise da importância das variáveis por lag revelou a predominância da precipitação total horária nos lags mais recentes, indicando uma forte dependência temporal imediata para a ocorrência de eventos extremos. Variáveis como temperatura do ponto de orvalho, umidade relativa e radiação global também apresentaram relevância distribuída ao longo dos lags, sugerindo que o comportamento atmosférico acumulado nas horas anteriores influencia significativamente a capacidade preditiva do modelo. Embora o Random Forest tenha obtido um AUC-ROC de 0,9350 no conjunto de teste, seu recall de 13,8% para a classe extrema confirmou que sua principal função neste estudo foi a seleção de variáveis, e não a previsão final, que seria realizada pelo modelo LSTM.

Modelagem LSTM

O modelo preditivo foi construído utilizando uma rede neural recorrente do tipo Long Short-Term Memory (LSTM), implementada com a biblioteca TensorFlow e Keras. A entrada do modelo consistiu nas seis variáveis selecionadas pelo Random Forest: precipitação total horária, temperatura do ponto de orvalho, umidade relativa do ar, temperatura do ar bulbo seco, radiação global e velocidade de rajada máxima do vento. Os dados de entrada foram normalizados pelo método MinMaxScaler, que reescalou os valores para o intervalo entre zero e um, prevenindo que diferenças de magnitude entre as variáveis afetassem o aprendizado do modelo. Em seguida, foram criadas janelas temporais de 24 horas, onde cada observação representava o histórico das seis variáveis nas 24 horas anteriores.

A arquitetura do modelo LSTM foi composta por duas camadas LSTM empilhadas, com 64 e 32 neurônios, respectivamente, e intercaladas por camadas de Dropout com taxa de 20% para mitigar o overfitting. Uma camada densa intermediária com 16 neurônios e ativação ReLU foi adicionada antes da camada de saída, que utilizou um neurônio com função de ativação sigmoid para produzir a probabilidade de ocorrência de evento de alta precipitação. O modelo totalizou 31.137 parâmetros treináveis. O treinamento foi configurado para até 50 épocas, com um batch size de 256 e o otimizador Adam, utilizando a função de perda binary crossentropy. Para evitar o overfitting, foi implementado o callback EarlyStopping com paciência de cinco épocas, monitorando a perda de validação e restaurando automaticamente os melhores pesos.

O treinamento do modelo LSTM foi interrompido pelo EarlyStopping na sexta época, pois o melhor desempenho de validação foi alcançado já na primeira época, com uma perda de validação de 0,1491. As épocas subsequentes mostraram um aumento progressivo da perda de treino e oscilações crescentes na perda de validação, indicando que o modelo não manteve a capacidade de generalização. Este comportamento justificou a adoção do EarlyStopping, assegurando que o modelo final correspondesse à configuração com a menor perda de validação observada, garantindo a robustez do modelo na previsão de eventos extremos. A avaliação do modelo foi realizada utilizando métricas como precision, recall, F1-score, acurácia, matriz de confusão e AUC-ROC.

Os resultados obtidos no conjunto de teste demonstraram a eficácia do modelo LSTM. O AUC-ROC alcançou 0,9373, indicando uma capacidade discriminativa muito boa entre eventos de precipitação normal e extrema, com 93,73% de probabilidade de classificar corretamente um evento extremo em relação a um evento normal. Este desempenho é considerado excelente na literatura para problemas de classificação com classes desbalanceadas. O recall para a classe extrema foi de 0,824 (82,4%), o que significa que o modelo foi capaz de identificar a grande maioria das ocorrências de alta precipitação com antecedência, um resultado crucial para a prevenção de desastres hidrometeorológicos.

A matriz de confusão revelou que o modelo identificou corretamente 3.235 dos 3.925 eventos extremos presentes no conjunto de teste, confirmando o recall de 82,4%. No entanto, foram registrados 690 eventos extremos não detectados (falsos negativos) e 64.933 falsos alarmes (situações normais classificadas incorretamente como extremas). O valor de precision para a classe extrema foi de 0,047, refletindo o número de falsos alarmes gerados. Este comportamento é esperado em modelos calibrados para maximizar o recall em contextos de prevenção de desastres, onde a não detecção de um evento real representa um risco significativamente maior do que a emissão de um alerta desnecessário. A redução dos falsos alarmes, embora seja uma oportunidade de melhoria, pode ser explorada em trabalhos futuros através do ajuste do limiar de classificação ou da incorporação de variáveis adicionais.

Em síntese, os resultados da pesquisa confirmam a viabilidade e a eficácia do modelo preditivo baseado em redes neurais LSTM para a classificação de eventos de alta precipitação no Rio Grande do Sul. A capacidade de identificar 82,4% dos eventos extremos com antecedência, aliada a uma alta capacidade discriminativa (AUC-ROC de 0,9373), demonstra o potencial do modelo para fornecer um suporte antecipado valioso a ações preventivas e decisões estratégicas em políticas públicas de prevenção de desastres hidrometeorológicos. Embora o desafio dos falsos alarmes persista, a priorização do recall para eventos extremos é justificada pelo contexto de mitigação de riscos, consolidando a contribuição deste trabalho para o monitoramento climático e a segurança da população.

4. Conclusão

O presente estudo teve como objetivo desenvolver um modelo preditivo baseado em redes neurais do tipo Long Short-Term Memory (LSTM) para classificar eventos de alta precipitação no Rio Grande do Sul, visando fornecer suporte antecipado a ações preventivas e decisões estratégicas em políticas públicas. Verificou-se que a precipitação no estado apresentou notável variabilidade temporal e picos significativos, com uma intensificação clara dos eventos extremos a partir de 2019, culminando nos maiores volumes mensais e diários em 2023 e 2024. A análise de decomposição da série temporal revelou uma tendência de aumento expressivo a partir de 2022 e uma sazonalidade fraca, indicando que os fenômenos hidrometeorológicos críticos estão associados a flutuações não lineares. Por meio do algoritmo Random Forest, identificou-se a precipitação total horária e a temperatura do ponto de orvalho como as variáveis de maior poder preditivo. O tratamento do desbalanceamento de classes com SMOTE foi crucial para o aprendizado do modelo. O modelo LSTM desenvolvido alcançou um AUC-ROC de 0,9373, demonstrando excelente capacidade discriminativa, e um recall de 82,4% para a classe extrema, evidenciando sua eficácia em identificar a grande maioria das ocorrências de alta precipitação com antecedência.

A principal contribuição deste trabalho reside no potencial de oferecer um suporte antecipado valioso para sistemas de monitoramento climático e políticas públicas de prevenção de desastres hidrometeorológicos no Brasil, mitigando os impactos de futuros eventos extremos. Contudo, uma limitação identificada foi o número de falsos alarmes gerados pelo modelo, refletido em um valor de precision de 0,047 para a classe extrema. Embora este comportamento seja esperado em modelos calibrados para maximizar o recall em contextos de prevenção, o excesso de alertas desnecessários pode comprometer a confiança dos usuários. Como desdobramentos futuros, sugere-se a exploração do ajuste do limiar de classificação para otimizar o equilíbrio entre precision e recall, a incorporação de variáveis adicionais como dados de relevo e índices climáticos, e a avaliação de arquiteturas de redes neurais mais complexas ou modelos híbridos. Recomenda-se também a adoção de validação temporal por janela deslizante e a integração do modelo a sistemas operacionais existentes no INMET e na Defesa Civil para aplicação prática dos resultados.

Referências Bibliográficas

Instituto Nacional de Meteorologia [INMET]. 2024. El Niño: saiba como foi a atuação do fenômeno no Brasil. Disponível em: <https://portal.inmet.gov.br/noticias/el-niño-saiba-como-foi-a-atuação-do-fenômeno-no-brasil>. Acesso em: 15 de março 2025.

Instituto Nacional de Pesquisas Espaciais [INPE].

IPCC. 2023. Climate Change 2023: Synthesis Report. Contribution of Working Groups I, II and III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Geneva: IPCC. Disponível em: <https://www.ipcc.ch/report/ar6/syr/downloads/report/IPCC_AR6_SYR_FullVolume.pdf>. Acesso em: 15 de março 2025.

Peel, M. C.; Finlayson, B. L.; McMahon, T. A. 2007. Updated world map of the Köppen-Geiger climate classification. Hydrology and Earth System Sciences, v. 11, n. 5, p. 1633–1644. Disponível em: <https://hess.copernicus.org/articles/11/1633/2007/>. Acesso em: 15 de março 2025.

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

16 de octubre de 2026

Reforma tributária e empresas de tecnologia: adaptação da controladoria ao novo modelo de créditos tributários

16 de octubre de 2026

Análise Espacial da Idade dos Condomínios em São Paulo como Ferramenta Estratégica para Administradoras

16 de octubre de 2026

Critérios e usabilidade de documentos no processo de escolha de materiais didáticos

16 de octubre de 2026

Automação da Auditoria Fiscal e Contábil: Ferramenta de verificação da Qualidade para o Ranking SICONFI

16 de octubre de 2026

Modelo estruturado de gestão de alto risco na saúde suplementar: eficiência operacional e coordenação do cuidado

16 de octubre de 2026

Monitoramento ambiental utilizando IoT e “webserver”

16 de octubre de 2026

Cultura digital, automação e uso do CRM: um estudo de caso no mercado imobiliário.

16 de octubre de 2026

Aplicações de Inteligência Artificial e Simulação Computacional na Formação de Preços e Gestão de Liquidez

16 de octubre de 2026

Sistema de “Early Warning” para queda do Índice de Educação Básica em municípios brasileiros

También te puede interesar

16 de octubre de 2026

Reforma tributária e empresas de tecnologia: adaptação da controladoria ao novo modelo de créditos tributários

A Reforma Tributária brasileira, instituída pela Emenda Constitucional n° 132/2023 e regulamentada pela Lei Complementar n° 214/2025, alterou a tributação sobre o consumo, substituindo impostos por Imposto sobre Bens e Serviços (IBS) e Contribuição Social sobre Bens e Serviços (CBS), sob o princípio da não cumulatividade plena. O estudo objetivou descrever os principais desafios percebidos por profissionais de controladoria de empresas de tecnologia na adaptação ao novo modelo de não cumulatividade e apuração de créditos tributários. Realizou-se uma pesquisa aplicada, descritiva, com abordagem mista (qualitativa-quantitativa), por meio de levantamento de campo. Coletaram-se dados de 15 profissionais de controladoria ou gestão fiscal, utilizando questionário estruturado. As respostas foram analisadas por distribuição de frequência e análise de conteúdo temática. Os resultados revelaram que os profissionais percebem a Reforma como um evento de impacto multifuncional, demandando revisões em sistemas Enterprise Resource Planning (ERP), critérios de apuração de créditos, capacitação de equipes e integração interáreas. A limitação do aproveitamento de créditos sobre custos com mão de obra emergiu como desafio estrutural específico para o setor. Constatou-se o fortalecimento do papel estratégico da controladoria na transição tributária, especialmente em precificação, planejamento tributário e estrutura de contratação, contribuindo para o debate sobre as implicações gerenciais e operacionais da Reforma Tributária.

Palavras-chave: controladoria; créditos tributários; empresas de tecnologia; não cumulatividade; reforma tributária.

16 de octubre de 2026

Análise Espacial da Idade dos Condomínios em São Paulo como Ferramenta Estratégica para Administradoras

O adensamento habitacional em São Paulo, onde 29,4% da população reside em apartamentos, estabeleceu um mercado de gestão de condomínios altamente competitivo que demanda estratégias de prospecção baseadas em dados espaciais. O estudo objetivou mapear a evolução urbana da capital paulista por meio de algoritmos de análise espacial e indicadores de idade predial para o desenvolvimento de ferramentas de inteligência competitiva. A metodologia compreendeu a extração e integração de dados públicos do CNPJ via plataforma KNIME, resultando em uma base de 32.040 condomínios, dos quais 98% foram geocodificados com a API do Google Maps. A análise macroespacial identificou que as Zonas Leste e Sul lideraram o crescimento imobiliário recente, enquanto picos de registros em 1984 e 1985 foram associados a mudanças na legislação tributária e não a ciclos construtivos reais. Paralelamente, a análise microespacial utilizou o algoritmo BallTree para comparar cada condomínio aos seus 20 vizinhos mais próximos, revelando que 29% das unidades representaram pontos de renovação local em áreas consolidadas. Os resultados foram consolidados em um dashboard interativo que permite a visualização estratégica do mercado em diferentes níveis de granularidade. Concluiu-se que a integração da ciência de dados ao território permitiu que administradoras substituíssem abordagens genéricas por prospecções personalizadas ao ciclo de vida e à realidade competitiva de cada condomínio, otimizando a alocação de recursos de marketing e a efetividade das equipes comerciais.

Palavras-chave: Algoritmo BallTree; Análise Espacial; Ciência de Dados Urbanos; Gestão Condominial.

16 de octubre de 2026

Critérios e usabilidade de documentos no processo de escolha de materiais didáticos

Um estudo analisou documentos pedagógicos que orientam a escolha de materiais didáticos no Programa Nacional do Livro e do Material Didático (PNLD), considerando sua relevância para a prática docente e a gestão escolar. O objetivo foi analisar a clareza, a organização e a aplicabilidade do Guia Digital do PNLD 2023 – Anos Iniciais e do Roteiro de Apoio à Análise de Materiais Didáticos do Instituto Reúna, identificando seus limites, potencialidades e implicações para a prática pedagógica. Realizou-se uma pesquisa qualitativa, exploratória e descritiva, fundamentada na análise documental orientada pela técnica de análise de conteúdo. Examinaram-se aspectos como estrutura, navegabilidade, organização dos critérios, densidade textual e estimativa de tempo de leitura. A análise revelou tensões entre regulação estatal, mercado editorial e autonomia escolar, e os resultados apresentaram diferenças significativas entre os documentos. O Guia do PNLD mostrou-se extenso, tecnicamente denso e predominantemente normativo. Em contraste, o Roteiro do Instituto Reúna organizou-se de forma progressiva e didática, com recursos gráficos que favoreceram a compreensão e o uso coletivo pelas escolas. Concluiu-se que as características estruturais e discursivas dos documentos influenciam diretamente sua usabilidade e podem impactar o grau de autonomia e participação das equipes escolares no processo de escolha dos materiais didáticos.

Palavras-chave: formação docente; materiais didáticos; PNLD; políticas curriculares; processo decisório.

16 de octubre de 2026

Automação da Auditoria Fiscal e Contábil: Ferramenta de verificação da Qualidade para o Ranking SICONFI

A transparência e a integridade da informação contábil são requisitos fundamentais para a conformidade fiscal dos entes públicos, avaliadas pela Secretaria do Tesouro Nacional (STN) por meio do Ranking do Sistema de Informações Contábeis e Fiscais do Setor Público Brasileiro (SICONFI). O estudo teve como objetivo desenvolver uma ferramenta de auditoria proativa para um ente da federação, visando mitigar inconsistências fiscais na Dimensão 1 (Gestão da Informação) antes do resultado oficial. A metodologia baseou-se em Ciência de Dados, utilizando a linguagem Python para a extração automatizada da Matriz de Saldos Contábeis (MSC) via Interface de Programação de Aplicações (API) do Tesouro Transparente, e o software Power BI para a construção de um painel de conformidade. O projeto focou na integração de dados para garantir a simetria de prazos e entregas entre os registros contábeis e os demonstrativos fiscais. Os resultados demonstraram que a automatização do fluxo de dados permitiu a identificação antecipada de divergências, promovendo a confiabilidade da informação e a eficiência do controle interno governamental, com arquitetura estruturada para expansão às demais dimensões do ranking. A aplicação da ferramenta em dados do exercício de 2025 demonstrou seu pleno funcionamento, com 100% de conformidade nas 38 verificações de controle da Dimensão 1. Concluiu-se que a solução atuou como um modelo inovador e escalável para a modernização da gestão pública, entregando uma ferramenta capaz de mitigar inconsistências fiscais previamente à consolidação do Ranking SICONFI.

Palavras-chave: Ciência de dados; Conformidade governamental; Controle interno; Gestão pública; Inteligência de negócios.

16 de octubre de 2026

Modelo estruturado de gestão de alto risco na saúde suplementar: eficiência operacional e coordenação do cuidado

A crescente pressão pela sustentabilidade econômico-assistencial na saúde suplementar brasileira impulsionou a adoção de modelos de gestão para populações de maior risco. O estudo objetivou descrever e analisar a estruturação e operacionalização de um modelo de gestão de uma carteira de alto risco assistencial, bem como comparar, de forma descritiva, os indicadores agregados de internações hospitalares e passagens em pronto-socorro da mesma coorte de 100 beneficiários entre 2023 e 2025. Realizou-se um estudo de caso único, descritivo e retrospectivo, integrando análise documental qualitativa e análise quantitativa descritiva de dados administrativos. O modelo foi implementado em uma operadora verticalizada, com 100 beneficiários de alto risco identificados por marcador eletrônico. O processo envolveu captação diária de eventos assistenciais, categorização por especialidade, distribuição dos casos à equipe responsável e protocolo multiprofissional de acompanhamento por 28 dias após passagens pelo pronto-socorro ou altas hospitalares. A análise documental revelou maior padronização dos fluxos, definição das responsabilidades e rastreabilidade dos acompanhamentos no modelo reformulado. Na comparação entre os períodos, as internações hospitalares diminuíram de 166 em 2023 para 52 em 2025, uma redução de 68,67%, e as passagens em pronto-socorro caíram de 238 para 130, uma variação de 45,38%. As reduções ocorreram no período em que o modelo já se encontrava incorporado à rotina institucional, configurando uma associação temporal favorável. Contudo, devido ao delineamento descritivo, à ausência de grupo de comparação e à impossibilidade de ajuste de fatores clínicos e contextuais, as variações observadas não puderam ser atribuídas exclusivamente à implantação do modelo. O estudo contribuiu ao sistematizar uma experiência organizacional de gestão de uma carteira de alto risco na saúde suplementar, oferecendo elementos para análise e adaptação em contextos institucionais semelhantes.

Palavras-chave: Coordenação do cuidado; Gestão de alto risco; Gestão populacional; Monitoramento pós-evento; Saúde suplementar.

16 de octubre de 2026

Monitoramento ambiental utilizando IoT e “webserver”

O monitoramento e controle de variáveis ambientais é um fator crítico na indústria, comércio e agricultura. O objetivo foi construir um sistema baseado em Internet das Coisas (IoT) para automação e controle ambiental remoto, utilizando sensores e atuadores de forma eficaz e flexível. Para isso, a umidade do ar foi selecionada como variável a ser monitorada e controlada. Desenvolveram-se módulos para sensoreamento e modificação das variáveis ambientais, juntamente com um servidor central para processar as informações coletadas. A arquitetura incluiu um sensor DHT-11, microcontrolador ATMEGA328, módulo Wi-Fi ESP-8266 e um Raspberry Pi como servidor web. Os testes de funcionamento foram realizados em um protótipo físico com ambiente isolado, onde um micro ventilador atuou no controle da umidade. O sistema demonstrou capacidade de coletar dados, responder a variações ambientais e controlar a umidade do ar dentro da faixa especificada, reduzindo-a por exaustão. Contudo, a redução da umidade por exaustão mostrou-se limitada pela umidade externa. Concluiu-se que o sistema cumpriu seu objetivo de monitorar e controlar variáveis ambientais de forma automatizada, oferecendo flexibilidade e arquitetura modular para diversas aplicações, como laboratórios e estufas, e promovendo a democratização do acesso à tecnologia no campo.

Palavras-chave: Automação; Controle; ESP-8266; Raspberry Pi; Wi-Fi.

16 de octubre de 2026

Cultura digital, automação e uso do CRM: um estudo de caso no mercado imobiliário.

A transformação digital ampliou a disponibilidade de sistemas de Customer Relationship Management (CRM), automação e inteligência artificial no processo comercial, mas sua apropriação estratégica não é automática. O estudo analisou como a cultura digital organizacional, a automação comercial e o uso do CRM influenciam a gestão e a performance comercial em uma organização do mercado imobiliário, investigando práticas de uso do CRM, fricções operacionais, percepções de corretores e liderança, e mecanismos de governança orientados a dados. Adotou-se abordagem mista, aplicada e descritiva, com questionários estruturados aplicados a 48 corretores e 4 profissionais de liderança, além de análise estatística descritiva, construção de índices sintéticos e análise temática. Os achados indicaram que o CRM está incorporado à rotina de acesso, mas não à produção consistente de dados. Observou-se convergência entre corretores e liderança quanto às fragilidades de registro e fragmentação por canais paralelos, embora com percepções distintas dos efeitos. O tempo de atuação não se relacionou linearmente com a maturidade digital, e o aumento da carga de oportunidades associou-se a maior dificuldade de acompanhamento manual. Como contribuição, propôs-se o framework GCOD (Governança Comercial Orientada a Dados), que integra CRM, inteligência analítica, orquestração comercial e governança contínua. Concluiu-se que a eficiência comercial depende da capacidade organizacional de integrar tecnologia, comportamento e governança para reduzir fricções, preservar a qualidade dos dados e orquestrar a atenção humana e automatizada ao longo da jornada do lead.

Palavras-chave: Automação comercial; CRM; Cultura de dados; Governança comercial; Transformação digital.

16 de octubre de 2026

Aplicações de Inteligência Artificial e Simulação Computacional na Formação de Preços e Gestão de Liquidez

O estudo, de caráter exploratório, investigou como técnicas de Inteligência Artificial e Simulação Computacional podem ser aplicadas à formação de preços com foco na gestão da liquidez empresarial. O objetivo foi propor e ilustrar um método de Precificação Dinâmica Adaptativa Orientada pelo Caixa, no qual a definição de preços dependeu de seus efeitos esperados sobre as vendas e, subsequentemente, sobre a trajetória do fluxo de caixa. Para isso, desenvolveu-se um caso hipotético com dados sintéticos de preços e vendas, um modelo preditivo de vendas em função do preço próprio e do preço médio da concorrência, um modelo de projeção de fluxo de caixa capaz de incorporar prazos de recebimento, inadimplência, custos transacionais, reposição de estoque e custos fixos, e um simulador computacional para avaliação de cenários competitivos. O processo de modelagem preditiva comparou diferentes algoritmos de aprendizado de máquina, sendo selecionada uma regressão linear com termos quadráticos e de interação por apresentar desempenho preditivo competitivo, boa capacidade de generalização e maior interpretabilidade. Os resultados das simulações indicaram que a abordagem proposta superou um cenário baseline de preço fixo sob a ótica da liquidez, produzindo trajetórias de caixa superiores na maior parte do horizonte analisado. Concluiu-se que a precificação pode ser tratada não apenas como um problema comercial, mas também como um problema de gestão do caixa, abrindo espaço para aplicações práticas e estudos futuros com dados reais, múltiplos produtos e métodos mais avançados de decisão sequencial.

Palavras-chave: Aprendizado de Máquina; Fluxo de Caixa; Precificação; Simulação Computacional; Tomada de Decisão.

16 de octubre de 2026

Sistema de “Early Warning” para queda do Índice de Educação Básica em municípios brasileiros

Investigou-se a viabilidade de um sistema municipal de aviso precoce para quedas relevantes do Índice de Desenvolvimento da Educação Básica (Ideb) no ensino fundamental (anos iniciais e finais) em municípios brasileiros. O estudo objetivou prever a probabilidade de uma queda relevante do Ideb no ciclo seguinte. Para isso, combinaram-se históricos defasados do Ideb com indicadores fiscais e institucionais municipais, como a Capacidade de Pagamento (CAPAG) e o Índice Firjan de Gestão Fiscal (IFGF), além de despesas municipais em educação. Utilizaram-se dados históricos, com treino em 2019 e 2021 e teste em 2023. Foram aplicados modelos de regressão logística, Random Forest, XGBoost e LightGBM, avaliados por métricas como AUC-ROC e AUC-PR. Os resultados indicaram que variáveis educacionais defasadas possuíram grande poder explicativo. A inclusão de variáveis fiscais apresentou ganhos heterogêneos e, em geral, não acrescentou poder preditivo aos modelos. Algoritmos não lineares, como XGBoost e LightGBM, mostraram ganhos de desempenho e estabilidade superiores à regressão logística, auferindo valores de AUC-ROC de até 0,805. A modelagem revelou-se mais desafiadora para os anos iniciais do ensino fundamental, com melhor performance nos anos finais. Concluiu-se que a proposta é empiricamente viável, especialmente para os anos finais, reforçando o potencial do uso de Machine Learning para monitoramento e intervenção tempestiva na gestão educacional.

Palavras-chave: Educação; Gestão municipal; Machine learning; Políticas públicas; Sistemas preditivos.

Inteligencia Artificial

16 de octubre de 2026

Por que estudar se existe IA?

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

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 De Proyectos

25 de septiembre de 2026

¿La IA acelera las respuestas; quién asume las decisiones?

La velocidad de la tecnología solo se convierte en una ventaja cuando va acompañada de la capacidad de comprender, verificar y asumir la responsabilidad de los resultados. Imagine un equipo que comienza a producir en una tarde los análisis que antes requerían una semana. El cambio parece justificar la inversión en inteligencia artificial. Pero, antes de contabilizar la ganancia, cabe preguntar quién examinó […]

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 […]