Segmentação de clientes em varejo online por meio de k-means

K-means, Segmentação de Clientes em Varejo Online por Meio de

doi:10.22167/2675-6528-202602784

Artigo

30 de setembro de 2026

Segmentação de clientes em varejo online por meio de k-means

Segmentação de Clientes em Varejo Online por Meio de K-means

Claudecir Réboli Junior; Henrique Raymundo Gioia

DOI: 10.22167/2675-6528-202602784

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

No contexto da crescente relevância dos dados para a tomada de decisão organizacional, a segmentação de clientes foi analisada como instrumento estratégico para geração de valor em empresas de varejo online. O objetivo consistiu em segmentar os clientes de uma base transacional de uma loja online, visando identificar padrões de consumo e apoiar decisões de marketing. Para isso, utilizou-se uma abordagem quantitativa, com aplicação de técnicas de tratamento de dados, categorização manual de produtos e normalização por Z-Score, seguida da implementação do algoritmo K-Means. A definição do número de clusters considerou os métodos da silhueta e do cotovelo, complementados por uma análise angular. Os resultados evidenciaram uma estrutura altamente concentrada, na qual a maior parte dos clientes apresentou baixo valor individual, enquanto uma pequena parcela concentrou significativa participação no faturamento. Constatou-se a presença de clusters unitários, interpretados como clientes de comportamento extremo e alto valor estratégico. A análise permitiu identificar diferentes perfis de consumo e propor estratégias distintas, desde ações escaláveis até abordagens altamente personalizadas. Concluiu-se que a segmentação baseada em dados possibilitou maior compreensão do comportamento dos clientes e forneceu subsídios relevantes para decisões gerenciais, destacando oportunidades de crescimento e riscos associados à concentração de receita.

Palavras-chave: Análise de dados; Comportamento do consumidor; Clusterização; Segmentação de mercado; Varejo.

1. Introdução

No mundo contemporâneo, a consolidação de uma cultura de tomada de decisão orientada por dados (data-driven) tornou-se um objetivo estratégico para a maioria das organizações. Contudo, dados brutos, por si só, não sustentam decisões eficazes; é indispensável submetê-los a processos de tratamento, organização e análise, de modo a convertê-los em informações relevantes e consistentes (Herdiana et al., 2025).

A capacidade de transformar dados em informações valiosas é crucial para a criação de valor em empresas. Falcão et al. (2016) destacam que o valor da informação para uma organização depende diretamente da habilidade do gestor em analisá-la e utilizá-la para a tomada de decisão correta, com a finalidade de alcançar objetivos específicos.

Nesse cenário, a segmentação de clientes emerge como uma estratégia fundamental. Kotler e Keller (2012) fundamentam que a divisão do mercado em segmentos é essencial, pois os consumidores possuem preferências diversas. John et al. (2023) reforçam que essa estratégia permite às organizações compreender e atender melhor às demandas de seus consumidores, agrupando-os com base em características compartilhadas. Haley (1968) complementa que é mais eficaz aproveitar segmentos de mercado já existentes do que tentar criar novos, adaptando as estratégias de marketing às necessidades dos consumidores.

Para a segmentação de mercado, diversas metodologias são empregadas, sendo o algoritmo K-Means uma das mais frequentes, conforme apontado por Gomes e Meisen (2023) em uma revisão literária. A popularidade do K-Means reside em sua simplicidade e capacidade de aplicação em grandes bases de dados. Este método insere-se no campo do aprendizado de máquina não supervisionado, onde algoritmos são utilizados para identificar estruturas e agrupamentos naturais nos dados sem supervisão prévia (Mahesh, 2019; Goldschmidt e Passos, 2005).

Apesar da vasta utilização de técnicas de segmentação de clientes na literatura, observa-se uma lacuna na aplicação prática dessas abordagens em bases transacionais reais. Essa lacuna é particularmente evidente na identificação de padrões de consumo que possam ser diretamente traduzidos em ações de negócios eficazes.

Nesse sentido, a presente pesquisa busca responder à seguinte questão: como a aplicação do algoritmo K-Means em dados transacionais de varejo online pode contribuir para a identificação de segmentos de clientes com relevância estratégica?

A relevância deste estudo reside na possibilidade de fornecer uma compreensão aprofundada do comportamento dos clientes, oferecendo subsídios para decisões gerenciais e destacando oportunidades de crescimento e riscos associados à concentração de receita. Diante desse contexto, o presente trabalho tem como objetivo segmentar clientes de uma base transacional de varejo online por meio do algoritmo K-Means, visando identificar perfis de consumo distintos e analisar suas implicações para a formulação de estratégias de marketing, retenção e maximização de valor do cliente.

2. Material e Métodos

A presente pesquisa adotou uma abordagem metodológica quantitativa, com o propósito de segmentar clientes de uma base transacional de varejo online. O estudo concentrou-se na aplicação de técnicas de tratamento de dados, análise exploratória e algoritmos de aprendizado de máquina não supervisionado, visando identificar padrões de consumo. Essa metodologia foi selecionada para responder à questão de pesquisa sobre a contribuição do algoritmo K-Means na identificação de segmentos de clientes com relevância estratégica.

O objeto empírico consistiu em um conjunto de dados transacionais públicos, denominado “Online Retail”, obtido no UC Irvine Machine Learning Repository. A base de dados corresponde a registros de transações de uma empresa de varejo online, localizada no Reino Unido, abrangendo o período de dezembro de 2010 a dezembro de 2011. Inicialmente, o conjunto era composto por 541.909 registros e oito variáveis: InvoiceNo, StockCode, Description, Quantity, InvoiceDate, UnitPrice, CustomerID e Country.

As etapas iniciais de limpeza e manipulação dos dados foram realizadas no software Microsoft Excel, utilizando a ferramenta Power Query. Foram removidas observações com valores nulos ou espaços em branco nas variáveis CodCliente e Descricao, bem como registros onde a Quantidade era inferior ou igual a zero. Observações de CodEstoque que não representavam produtos (como taxas) também foram excluídas. Após a limpeza, a base de dados foi reduzida para 396.370 observações.

Em seguida, realizou-se a categorização manual dos produtos em categorias como Acessórios, Alimentos, Animais, Brinquedos, Cozinha, Decoração, Iluminação, Jardim, Materiais, Papelaria, Romântico, Sazonal, Utilidades, Vidros, Vintage e Outros. Essa categorização visou estruturar os dados para a segmentação, garantindo coerência com o contexto do negócio e reprodutibilidade do estudo (Falcão et al., 2016; Gomes e Meisen, 2023). Após a categorização, somou-se o valor transacionado por cliente em cada categoria.

A segmentação de clientes foi conduzida por meio de uma abordagem computacional baseada em Machine Learning, especificamente aprendizado não supervisionado (Géron, 2019; Mahesh, 2019; Goldschmidt e Passos, 2005). O algoritmo K-Means foi implementado utilizando a linguagem de programação Python, no ambiente Spyder, por meio da distribuição Anaconda. A escolha do K-Means justificou-se por sua simplicidade e escalabilidade em grandes conjuntos de dados (Gomes e Meisen, 2023).

Para contornar a sensibilidade do K-Means a escalas distintas, os dados foram normalizados utilizando a técnica Z-Score (Goldschmidt e Passos, 2005). Essa normalização transformou os valores de cada atributo para que apresentassem média igual a zero e desvio padrão igual a um, conforme a fórmula Z = (x – μ) / σ. A definição dos centróides iniciais e dos parâmetros do algoritmo K-Means seguiu as diretrizes de Johnson e Wichern (2007).

As configurações adotadas na biblioteca sklearn para o K-Means foram: init = ‘k-means++’, max_iter = 100, n_init = 100 e random_state = 100. A determinação do número ótimo de clusters, uma etapa crítica (Bassab et al., 1990), foi realizada por meio de três métodos: o coeficiente da silhueta (Géron, 2019), o método do cotovelo (Géron, 2019) e uma análise angular complementar (Herdiana et al., 2025).

O coeficiente da silhueta calculou a média do coeficiente de silhueta de todas as observações, utilizando a fórmula (b-a) / max(a-b). O método do cotovelo calculou a Soma dos Quadrados Intra-Clusters (WCSS), plotando os valores para identificar o ponto de inflexão da curva, onde WCSS = ΣΚ=1 ΣΧ₁€CK ||Xi – μκ||². A análise angular de Herdiana et al. (2025) mensurou o ângulo formado entre segmentos de reta do gráfico do cotovelo, indicando o menor valor de tan(ψ).

Apesar de o coeficiente da silhueta e a análise visual do cotovelo terem sugerido dois clusters como matematicamente ótimos, a análise angular indicou a formação de seis clusters como a configuração mais adequada. Essa decisão foi tomada para conciliar a otimização estatística com a utilidade gerencial, permitindo a identificação de perfis de consumo mais diferenciados e relevantes para a formulação de estratégias de marketing, retenção e maximização de valor do cliente.

3. Resultados e Discussão

A aplicação do algoritmo K-Means na base de dados transacionais resultou na formação de seis clusters distintos, conforme a análise inicial. O Cluster 0 se destacou por agrupar a vasta maioria dos clientes, com 4.298 indivíduos, o que representa 99,15% da base total. Este grupo foi responsável por 6.093.130 do valor transacionado, correspondendo a 69,55% da receita total. Em contraste, os Clusters 1, 2 e 5 foram compostos por apenas um cliente cada, representando uma parcela mínima da quantidade de clientes, mas contribuindo com 3,19%, 2,96% e 1,92% do valor transacionado, respectivamente. O Cluster 3, com 30 clientes (0,69%), gerou 1.388.548 do valor total, e o Cluster 4, com quatro clientes (0,09%), contribuiu com 572.121 da receita. Esta distribuição inicial já indicava uma heterogeneidade significativa na base de clientes, com uma concentração de valor em poucos indivíduos.

Para validar a configuração de seis clusters, realizou-se uma análise exploratória adicional com a formação de quatro clusters. Nesta nova configuração, o Cluster 1 abrangeu 4.299 clientes (99,17% da base), respondendo por 6.261.602 do valor transacionado, ou seja, 71,47% da receita. O Cluster 0, com 31 clientes (0,71%), contribuiu com 1.505.278 do valor, ou 17,18% da receita. O Cluster 2, com um cliente (0,03%), gerou 259.657 do valor (2,96%), e o Cluster 3, com quatro clientes (0,09%), representou 734.529 do total (8,38%). Embora essa configuração de quatro clusters pudesse parecer mais simplificada, ela demonstrou uma limitação crucial ao agrupar o cliente de código 16446, que possuía o quarto maior faturamento da base (168.472) e era altamente especializado na categoria de Papelaria, dentro de um cluster maior. Essa fusão comprometeria a capacidade do modelo em capturar perfis atípicos e estrategicamente relevantes para o negócio, justificando a manutenção dos seis clusters originais.

A decisão de manter a segmentação em seis clusters, mesmo com a presença de agrupamentos unitários (Clusters 1, 2 e 5), alinha-se às propriedades do algoritmo K-Means em bases de dados com alta heterogeneidade e observações extremas. Esses clusters unitários não foram considerados ruído estatístico, mas sim representações de clientes com padrões de consumo excepcionais e de alto valor estratégico. Conjuntamente, os três clusters unitários e o Cluster 4 (com quatro clientes) foram responsáveis por 8,07% do faturamento total. A identificação desses perfis extremos é gerencialmente relevante, pois permite a formulação de estratégias altamente customizadas, focadas na retenção e maximização do valor do cliente ao longo do tempo. A análise dos centroides de cada cluster por categoria de consumo, após a reorganização para maior clareza, revelou padrões específicos que fundamentam as estratégias de marketing.

Análise dos Clusters

A análise dos clusters foi realizada por meio do agrupamento dos resultados em três grupos gerenciais, definidos a partir de características semelhantes quanto à representatividade na base de clientes, contribuição para o faturamento e padrão de consumo. O primeiro agrupamento, denominado Baixo-Médio Ticket Médio, é composto exclusivamente pelo Cluster 1. Este cluster concentra 4.298 clientes, que correspondem a 99,15% da base total, e é responsável por 6.093.130 do valor transacionado, ou 69,55% da receita. O perfil de consumo desse grupo é diversificado, com maior participação nas categorias Utilidades, Cozinha e Vintage, cujos valores nos centroides foram 215, 146 e 134, respectivamente. A grande quantidade de clientes e a dispersão do consumo entre diversas categorias indicam que este grupo é a principal base de sustentação do volume de vendas da loja online.

Apesar de sua vasta representatividade em número de clientes, a participação do grupo Baixo-Médio Ticket Médio no faturamento é proporcionalmente menor, o que sugere um valor transacionado médio por cliente inferior em comparação com os outros agrupamentos. Sob uma perspectiva gerencial, a principal oportunidade para este grupo reside na ampliação do valor gerado por cliente. Isso pode ser alcançado por meio de estratégias escaláveis, como o aumento do ticket médio, o estímulo à recorrência de compras e a implementação de ações de cross-selling. Contudo, a dimensão massiva do grupo limita a viabilidade de estratégias altamente individualizadas, tornando mais eficaz a adoção de campanhas de marketing segmentadas em larga escala, visando otimizar o engajamento e a conversão de forma eficiente.

O segundo agrupamento, denominado Alto Ticket Médio, é formado pelos Clusters 2 e 3. Este grupo, embora represente uma quantidade reduzida de clientes, com 30 clientes no Cluster 2 (0,69% da base) e quatro clientes no Cluster 3 (0,09% da base), possui uma elevada contribuição individual para o faturamento. O Cluster 2 responde por 1.388.548 do valor transacionado, ou 15,85% da receita, com maior concentração de consumo em Utilidades (8.231), Materiais (6.293) e Cozinha (5.726). Já o Cluster 3, que contribui com 572.121 do valor transacionado (6,53%), apresenta maior concentração nas categorias Cozinha (19.699), Romântico (18.389) e Materiais (17.828). Em conjunto, esses dois clusters somam 34 clientes, representando apenas 0,78% da base, mas são responsáveis por 22,38% do valor total transacionado, evidenciando sua relevância econômica.

A principal característica do agrupamento Alto Ticket Médio é a significativa contribuição econômica por cliente, o que os torna alvos estratégicos para ações de retenção e maximização do relacionamento. Do ponto de vista gerencial, iniciativas como programas de fidelidade, atendimento personalizado e ofertas de up-selling são altamente recomendadas para este grupo. O objetivo é ampliar a recorrência de compras e o valor do relacionamento a longo prazo. No entanto, a pequena quantidade de clientes neste agrupamento também representa um risco considerável para o negócio, pois a perda de poucos indivíduos pode gerar um impacto financeiro desproporcional no faturamento total da empresa, exigindo um monitoramento e cuidado contínuos.

O terceiro agrupamento, classificado como Altíssimo Ticket Médio, é composto pelos Clusters 4, 5 e 6. Este grupo é o de menor dimensão na solução adotada, reunindo apenas sete clientes no total, o que corresponde a 0,16% da base de clientes. Contudo, esses poucos clientes são responsáveis por aproximadamente 8,07% do valor transacionado, demonstrando um poder de compra e engajamento excepcionalmente altos. O Cluster 4, com um único cliente, exibiu uma forte concentração em Papelaria, com um valor de 168.470 no centroide. O Cluster 5, também com um cliente, destacou-se por Decoração (70.211), Romântico (31.822) e Vintage (31.132). Por fim, o Cluster 6, igualmente unitário, apresentou maior concentração em Utilidades (53.998), Brinquedos (30.485) e Materiais (29.815).

Os resultados para o agrupamento Altíssimo Ticket Médio evidenciam comportamentos de consumo com valores transacionados extremamente elevados em comparação com os demais grupos. Gerencialmente, esses clientes são considerados de altíssima relevância econômica e demandam um acompanhamento individualizado e estratégico. A oportunidade reside no estabelecimento de relações comerciais de longo prazo, com atendimento personalizado e integração com processos operacionais, como logística e planejamento de abastecimento, para garantir a satisfação e a fidelidade. Contudo, a interpretação desses agrupamentos requer cautela, pois a formação de clusters com poucos clientes pode ser resultado tanto de perfis de consumo genuinamente diferenciados quanto da influência de observações extremas no algoritmo K-Means. Assim, esses achados devem ser vistos como evidências de comportamentos extremos ou altamente diferenciados na base de dados estudada, e não necessariamente como segmentos de mercado generalizáveis.

Síntese dos Agrupamentos

A organização dos resultados em três grupos gerenciais revelou uma estrutura de consumo fortemente concentrada na base de clientes analisada. O primeiro grupo, que engloba a vasta maioria dos clientes, representa a principal base de volume de vendas e demanda estratégias de marketing escaláveis. Em contrapartida, os grupos de Alto e Altíssimo Ticket Médio, embora numericamente pequenos, concentram uma parcela significativa do faturamento, justificando abordagens altamente personalizadas e focadas na retenção e no relacionamento individualizado. Essa dualidade de perfis de consumo sublinha a necessidade de uma estratégia de marketing multifacetada, capaz de atender às diversas necessidades e valores dos clientes.

A concentração de receita em uma parcela muito reduzida da carteira de clientes representa um risco substancial para o negócio. Os Clusters 2 a 6, que correspondem a apenas 0,85% da base de clientes, são responsáveis por 30,45% do valor transacionado. Essa proporção é ainda mais acentuada do que a relação 80/20, frequentemente associada ao princípio de Pareto (Pareto, 1996), indicando uma dependência elevada de poucos clientes para a sustentabilidade da receita. Portanto, os achados enfatizam a urgência de desenvolver estratégias diferenciadas de relacionamento, combinando ações de massa para a base majoritária com iniciativas individualizadas e de alto toque para os clientes de maior valor, mitigando riscos e explorando oportunidades de crescimento.

Limitações do K-Means e Outros Algoritmos

Embora o algoritmo K-Means tenha sido selecionado por sua simplicidade, escalabilidade e ampla utilização na segmentação de clientes, sua aplicação neste estudo revelou algumas limitações inerentes. O K-Means baseia-se em distâncias e centroides, o que o torna sensível à escala das variáveis, à distribuição dos dados e, notavelmente, à presença de observações extremas. A identificação de clusters unitários, embora interpretada como perfis de alto valor estratégico, também pode ser uma manifestação dessa sensibilidade a outliers, o que exige uma interpretação cuidadosa dos resultados.

A literatura aponta para a existência de métodos alternativos que poderiam oferecer perspectivas complementares. O agrupamento hierárquico, por exemplo, permitiria uma análise da formação dos grupos em diferentes níveis de granularidade, sem a necessidade de pré-definir o número de clusters, o que poderia enriquecer a compreensão da estrutura dos dados. Outro algoritmo, o DBSCAN, seria útil para verificar se os clientes identificados como extremos pelo K-Means são, de fato, observações isoladas ou parte de regiões de maior densidade. A ausência de uma comparação com essas abordagens constitui uma limitação da pesquisa, pois impede a verificação da robustez e da reprodutibilidade dos agrupamentos identificados, deixando uma oportunidade para futuras investigações.

Em suma, a segmentação de clientes por meio do algoritmo K-Means permitiu identificar perfis de consumo distintos e suas implicações estratégicas para o varejo online. Os resultados revelaram uma base de clientes heterogênea, com uma grande maioria de baixo valor individual e uma pequena parcela de clientes de altíssimo valor, que concentram uma parte desproporcional da receita. Essa compreensão aprofundada do comportamento dos clientes fornece subsídios valiosos para a formulação de estratégias de marketing, retenção e maximização do valor do cliente, abordando tanto as oportunidades de crescimento quanto os riscos associados à concentração de receita, e respondendo ao objetivo de identificar padrões de consumo e apoiar decisões de marketing.

4. Conclusão

O estudo buscou segmentar clientes de uma base transacional de varejo online por meio do algoritmo K-Means, visando identificar perfis de consumo distintos e analisar suas implicações para a formulação de estratégias de marketing, retenção e maximização de valor do cliente. Verificou-se uma estrutura de consumo altamente concentrada, na qual a vasta maioria dos clientes, correspondente a 99,15% da base, apresentou baixo valor individual, mas foi responsável por 69,55% da receita. Em contraste, identificou-se uma pequena parcela de clientes, representando 0,85% da base, que concentrou 30,45% do faturamento total, incluindo clusters unitários que representam perfis de consumo extremos e de alto valor estratégico. Essa segmentação possibilitou uma compreensão aprofundada do comportamento dos clientes, fornecendo subsídios para a formulação de estratégias de marketing diferenciadas, desde ações escaláveis para a base majoritária até abordagens altamente personalizadas para os clientes de maior valor, e destacou oportunidades de crescimento e riscos associados à concentração de receita.

Apesar da relevância dos achados, a pesquisa apresentou limitações. O algoritmo K-Means demonstrou sensibilidade à escala das variáveis, à distribuição dos dados e à presença de observações extremas, o que pode ter influenciado a formação de clusters unitários. Adicionalmente, a utilização de dados de um único varejista do Reino Unido e de um período de um ano restringe a generalização dos resultados, e a categorização manual dos produtos pode ter introduzido vieses interpretativos. Para estudos futuros, sugere-se a comparação dos agrupamentos identificados com métodos alternativos, como o agrupamento hierárquico ou o DBSCAN, a fim de verificar a robustez e a reprodutibilidade dos resultados, enriquecendo a compreensão da estrutura dos dados e a aplicabilidade gerencial.

Referências Bibliográficas

Bussab, W. O.; Miazaki, E. S.; Andrade, D. F. 1990. Introdução à análise de agrupamentos. IME-USP, São Paulo, SP, Brasil. Disponível em: <https://cicerocq.wordpress.com/wp-content/uploads/2019/05/analise-de-agrupamento_bussab.pdf>. Acesso em: 12 abr. 2026.

Falcão, R. F.; Mazzero, S.; Campomar, M. C.; Toledo, G. 2016. A criação de valor para o cliente com base nos processos estratégicos de segmentação e posicionamento. Revista Interdisciplinar de Marketing, 6(2): 25–41.

Goldschmidt, R.; Passos, E. 2005. Data mining: conceitos, técnicas, algoritmos e orientações para aplicações. 1ed. Elsevier, Rio de Janeiro, RJ, Brasil.

Gomes, M. A.; Meisen, T. 2023. A review on customer segmentation methods for personalized customer targeting in e-commerce use cases. Information Systems and e-Business Management, 21: 527-570.

Géron, A. 2019. Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. 2ed. O’Reilly Media, Inc., Sebastopol, CA, EUA.

Haley, R. I. 1968. Benefit segmentation: a decision-oriented research tool. Journal of Marketing, 32(3): 30-35.

Herdiana, I.; Kamal, M. A.; Estri, M. N. 2025. A more precise elbow method for optimum K-means clustering. arXiv (Cornell University).

John, J.; Shobayo, O.; Ogunleye, B. 2023. An exploration of clustering algorithms for customer segmentation in the UK retail market. Analytics, 2(4): 809–823.

Johnson, R. A.; Wichern, D. W. 2007. Applied multivariate statistical analysis. Pearson Prentice Hall, Upper Saddle River, NJ, EUA.

Kotler, P.; Keller, K. L. 2012. Administração de marketing. 14ed. Pearson, São Paulo, SP, Brasil.

Mahesh, B. 2019. Machine learning algorithms – a review. International Journal of Science and Research (IJSR), 9(1): 381-386.

Pareto, V. 1996. Manual de economia política. Editora Nova Cultural, São Paulo, SP, Brasil. Disponível em: <https://www.projetos.unijui.edu.br/economia/files/Pareto.pdf>. Acesso em: 12 abr. 2026.

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

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

Mais recentes

09 de outubro de 2026

Baixa Produção de Conteúdo Gerado Pelo Usuário em Colaborações de Cosméticos nas Plataformas Digitais

09 de outubro de 2026

Previsão de vendas por produto e cliente com modelos da família ARIMA

09 de outubro de 2026

Automação e Curadoria de Séries Históricas Hidrometeorológicas da ANA via Pipeline Computacional em Linguagem R

09 de outubro de 2026

Ferramentas e técnicas de gestão do tempo utilizadas por técnicos da capacitação profissional rural e promoção social

09 de outubro de 2026

Análise de Correspondência Aplicada a Dados Periciais: Identificação de Padrões Para Melhoria dos Serviços de Atendimento

09 de outubro de 2026

Predição do MVP da NBA com Técnicas de Aprendizado de Máquina

09 de outubro de 2026

O comportamento das gerações de consumidores digitais de materiais para construção: análise da Geração X

Digital Business

09 de outubro de 2026

Experiência do cliente digital e satisfação do consumidor em plataformas online

Neurociência E Aprendizagem Na Educação

09 de outubro de 2026

Fundamentos para estruturação de currículos baseados em habilidades de raciocínio

Você também pode gostar

09 de outubro de 2026

Baixa Produção de Conteúdo Gerado Pelo Usuário em Colaborações de Cosméticos nas Plataformas Digitais

Este estudo analisou a relação entre colaborações de marcas, conhecidas como “collabs”, no setor de cosméticos e a produção de conteúdo gerado pelo usuário (UGC) em plataformas digitais. A pesquisa abordou a relevância do tema diante do crescimento do mercado de beleza e da intensificação das estratégias de “co-branding” como ferramenta de diferenciação e inovação. O objetivo principal foi compreender de que forma essas colaborações influenciaram o comportamento do consumidor digital, com foco na criação de UGC e na intenção de compra. Para isso, a metodologia adotada foi exploratória e descritiva, com a aplicação de um questionário online a 493 respondentes da região Sudeste do Brasil. Os dados coletados foram analisados por meio de estatística descritiva. Os resultados indicaram que, embora as “collabs” gerassem engajamento entre os consumidores, a produção de UGC ativo foi baixa, predominando interações passivas como curtidas, salvamentos e reações rápidas. Adicionalmente, as colaborações demonstraram influência limitada na intenção de compra e na disposição a pagar mais pelos produtos. Concluiu-se que, apesar do potencial estratégico das “collabs” para o mercado de cosméticos, sua efetividade dependeu de fatores como a relevância percebida, a identificação com a marca e a presença de estímulos adicionais para a criação de conteúdo pelo usuário.

Palavras-chave: Comportamento online; Co-branding; Engajamento do consumidor; Intenção de compra; Interação digital.

09 de outubro de 2026

Previsão de vendas por produto e cliente com modelos da família ARIMA

O planejamento de vendas e estoques mostrou-se relevante para a tomada de decisão empresarial. O trabalho teve como objetivo desenvolver um modelo de previsão de vendas por produto, cliente e loja para os 12 meses subsequentes, utilizando dados históricos mensais. A metodologia baseou-se na aplicação de modelos da família ARIMA a 5.669 registros de vendas, abrangendo 745 combinações únicas de produto, cliente e loja, de janeiro de 2021 a dezembro de 2024. Realizou-se análise exploratória da série agregada, decomposição sazonal, testes de estacionariedade, análise de autocorrelação e identificação de modelos candidatos. A seleção dos modelos foi apoiada por procedimento stepwise e comparação walk-forward com estimador uniforme (SARIMAX). Os resultados indicaram que o modelo SARIMA(1,1,0)(1,0,0,12) apresentou desempenho superior ao ARIMA(1,1,1), com um MAPE de 13,51% e melhor aderência ao comportamento sazonal. Na aplicação granular, 122 séries receberam SARIMA, 247 receberam ARIMA e 376 utilizaram média histórica. Concluiu-se que a incorporação da componente sazonal fortaleceu a consistência metodológica e a utilidade prática do modelo para a previsão de vendas.

Palavras-chave: planejamento de estoques; SARIMA; sazonalidade; séries temporais.

09 de outubro de 2026

Automação e Curadoria de Séries Históricas Hidrometeorológicas da ANA via Pipeline Computacional em Linguagem R

A disponibilidade de dados ambientais consistentes é fundamental para o avanço das pesquisas em climatologia e gestão de recursos hídricos. Desenvolveu-se e implementou-se um algoritmo computacional em linguagem R para a aquisição automatizada, padronização e organização de séries históricas diárias de precipitação, nível e vazão, provenientes do WebService da Agência Nacional de Águas e Saneamento Básico (ANA). O método baseou-se em um pipeline de dados estruturado, operando conforme as janelas temporais de 1961–1990, 1991–2020 e 2021–2024. A implementação utilizou processamento paralelizado, o que garantiu ganho de desempenho em relação a métodos sequenciais. Como resultado, o algoritmo qualificou o inventário de estações e gerou dados estruturados em formato Parquet com compressão gzip, assegurando alta performance e economia volumétrica. Concluiu-se que a solução automatizada superou as limitações operacionais de ferramentas manuais e preexistentes, provendo datasets curados e de alta granularidade, aptos para aplicações avançadas de modelagem hidrológica e algoritmos de Machine Learning.

Palavras-chave: Automação; Ciência de dados; Hidrologia; Linguagem R; Séries temporais.

09 de outubro de 2026

Ferramentas e técnicas de gestão do tempo utilizadas por técnicos da capacitação profissional rural e promoção social

A gestão do tempo configura-se como um elemento essencial para a melhoria da produtividade e da qualidade das entregas, ao permitir a organização, priorização e execução eficiente das atividades, contribuindo diretamente para o alcance de metas e a otimização dos resultados no contexto profissional e pessoal. Objetivou-se compreender como práticas, ferramentas e técnicas de gestão do tempo, adotadas por instrutores de formação profissional rural e de promoção social, se associaram a dois desfechos centrais: a realização das atividades diárias planejadas e a percepção do impacto dessas práticas no bem-estar e produtividade. Os dados foram coletados por meio de questionário on-line estruturado, composto por 18 questões, e as análises foram realizadas no ambiente Python com bibliotecas estatísticas. Os resultados revelaram que a elevada formação acadêmica e maturidade profissional não se traduziu em maior eficácia na gestão do tempo. Observou-se amplo conhecimento sobre ferramentas e técnicas, mas sua utilização prática foi limitada e desigual. Ferramentas mais simples e intuitivas, como listas de tarefas, apresentaram maior adesão, enquanto técnicas que exigem transformações comportamentais, como a Técnica Pomodoro, tiveram baixa aplicação. Houve predominância do uso de soluções digitais, com destaque para o Google Agenda. Evidenciou-se uma percepção quase unânime de que a gestão do tempo influencia diretamente a produtividade e o bem-estar. Concluiu-se que a melhoria da gestão do tempo não dependeu exclusivamente da adoção de ferramentas e técnicas, mas, sobretudo, do desenvolvimento de habilidades práticas e comportamentais, aliado a ajustes nas condições de trabalho.

Palavras-chave: 5W2H; Matriz de Eisenhower; Matriz GUT; Multitarefa; Procrastinação.

09 de outubro de 2026

Análise de Correspondência Aplicada a Dados Periciais: Identificação de Padrões Para Melhoria dos Serviços de Atendimento

A necessidade de otimizar recursos e compreender a complexa dinâmica criminal motivou a exploração de dados periciais, frequentemente subutilizados em laudos textuais. Aplicou-se a Análise de Correspondência Múltipla (ACM) em atendimentos periciais na Macrorregião de Bauru, SP. O objetivo foi investigar e identificar padrões de associação entre o tipo de ocorrência, o período do dia, o dia da semana e a localização, visando subsidiar decisões operacionais. Utilizaram-se dados da Superintendência da Polícia Técnico-Científica (SPTC), coletados entre maio de 2023 e janeiro de 2026. A metodologia englobou a limpeza, transformação e categorização das variáveis, além da construção de matrizes de contingência processadas em Python. A análise descritiva inicial revelou que furtos e colisões predominaram no volume total de ocorrências, enquanto crimes violentos, como homicídios, estupros e feminicídios, representaram uma parcela menor, mas demandaram tempos de resposta significativamente maiores. A ACM mapeou visualmente as correlações estruturais, demonstrando associações claras entre crimes noturnos e de finais de semana com regiões específicas. Identificaram-se dois agrupamentos principais: um perfil noturno e de fim de semana, associado a choques, atropelamentos e suicídios, com destaque para Bauru; e um perfil diurno em dias úteis, dominado por furtos e danos à propriedade. Demonstrou-se que o uso de técnicas exploratórias de aprendizado de máquina transformou dados periciais brutos em informações estratégicas vitais, fornecendo subsídios para a alocação eficiente de equipes e fundamentando a elaboração de políticas públicas baseadas em evidências.

Palavras-chave: Crimes violentos; Matriz de contingência; Priorização de serviços; Python; Tempos de resposta.

09 de outubro de 2026

Predição do MVP da NBA com Técnicas de Aprendizado de Máquina

O prêmio de Most Valuable Player (MVP) da NBA possui grande relevância no basquete profissional, refletindo o reconhecimento de atletas e os padrões de votação. Um estudo desenvolveu e avaliou modelos de aprendizado de máquina supervisionado para prever o prêmio MVP da NBA, tratando o problema como uma tarefa de ordenação baseada na estimação do valor de “Share” da votação. Foram treinados e avaliados cinco algoritmos – Random Forest, LightGBM, XGBoost, CatBoost e NGBoost – utilizando dados históricos da NBA de 1996 a 2025, coletados do portal “Basketball Reference”. Os modelos foram testados nas temporadas de 2019 a 2025. O CatBoost alcançou o melhor desempenho na acurácia Top-5 (77,14%), identificando consistentemente os cinco principais candidatos. Random Forest, LightGBM e NGBoost empataram na acurácia Top-1 (42,86%), prevendo corretamente o vencedor em três das sete temporadas avaliadas. A análise de importância das variáveis indicou que o desempenho ofensivo individual, especialmente pontos por partida, e o desempenho coletivo da equipe, representado pelo percentual de vitórias, foram os principais determinantes das previsões. Os resultados demonstraram a viabilidade da abordagem proposta e seu elevado potencial para estudos futuros.

Palavras-chave: Aprendizado de máquina; Boosting; NBA; Predição esportiva; Random Forest.

09 de outubro de 2026

O comportamento das gerações de consumidores digitais de materiais para construção: análise da Geração X

Analisou-se o comportamento da Geração X na compra de materiais para construção, considerando a articulação entre canais digitais e físicos e as percepções de varejistas e indústrias sobre esse processo. O objetivo foi investigar como esse público utiliza os canais digitais e físicos no processo decisório e relacionar os achados às respostas de varejistas e indústrias. Realizou-se uma pesquisa descritiva e exploratória, com abordagem quantitativa e interpretação qualitativa, por meio de três questionários aplicados a 37 consumidores, 25 varejistas e 25 representantes da indústria. Os dados de cada grupo foram analisados separadamente e, em seguida, relacionados por eixos temáticos. Os resultados indicaram que os consumidores da Geração X utilizam meios digitais para pesquisa e comparação, mas valorizam a loja física para contato com o produto, confiança e atendimento consultivo. Os varejistas reconheceram a transformação, mas apresentaram diferentes níveis de adaptação, enquanto as indústrias relataram uso heterogêneo de tecnologias e reconheceram seu papel de apoio ao varejo. Concluiu-se que o comportamento da Geração X se caracteriza por uma jornada híbrida, que exige maior integração entre os canais e os agentes da cadeia de materiais para construção.

Palavras-chave: Comportamento do consumidor; Geração X; Jornada de compra híbrida; Transformação digital; Varejo de materiais para construção.

Digital Business

09 de outubro de 2026

Experiência do cliente digital e satisfação do consumidor em plataformas online

Um estudo analisou como as dimensões da experiência do cliente digital (controle percebido, conveniência do serviço, atendimento ao cliente e cumprimento dos serviços) influenciam a satisfação do consumidor em plataformas online para aquisição de produtos e serviços. Adotou-se uma abordagem quantitativa e descritiva, com dados primários coletados entre 02 e 13 de fevereiro de 2026, por meio de escalas validadas aplicadas a consumidores de e-commerce. A amostra, definida por conveniência, contemplou diversos perfis de usuários. Realizou-se análise descritiva para caracterização dos respondentes, seguida de análises de correlação e regressão linear múltipla para verificar as relações entre as variáveis. Os resultados evidenciaram que as dimensões Conveniência do Serviço, Cumprimento dos Serviços e Atendimento ao Cliente apresentaram associação positiva e estatisticamente significativa com a satisfação do consumidor. O Controle Percebido, contudo, não demonstrou influência significativa no modelo estimado. Esses achados contribuíram para a compreensão das relações entre a experiência digital e a satisfação do consumidor em plataformas de e-commerce.

Palavras-chave: Análise multivariada; Comércio eletrônico; Comportamento do consumidor; Experiência do usuário; Qualidade do serviço.

Neurociência E Aprendizagem Na Educação

09 de outubro de 2026

Fundamentos para estruturação de currículos baseados em habilidades de raciocínio

Nas últimas décadas, observou-se uma transição educacional de modelos focados em conteúdo para o desenvolvimento de competências, impulsionada pela ubiquidade da informação. Nesse contexto, as habilidades de raciocínio tornaram-se pedagogicamente cruciais por embasarem a compreensão, relação e adaptação de conteúdos em cenários complexos. Com base nessa perspectiva, buscou-se consolidar um modelo detalhado das habilidades que compõem o raciocínio cognitivo, visando servir de base para a elaboração de currículos e programas pedagógicos. Para tanto, realizou-se uma pesquisa qualitativa e exploratória, que envolveu uma síntese multidisciplinar de conhecimentos da filosofia da mente, epistemologia, semiótica, psicologia cognitiva e neurociência. Essa abordagem proporcionou uma visão abrangente da natureza e das funções do raciocínio humano. O modelo resultante classificou as habilidades em quatro funções cognitivas principais, subdivididas em níveis crescentes de complexidade, que acompanharam o desenvolvimento cognitivo humano. A estrutura final mostrou-se bem fundamentada e aplicável à elaboração de currículos e programas pedagógicos, oferecendo uma taxonomia de habilidades do raciocínio diretamente utilizável no sequenciamento instrucional e na avaliação de competências cognitivas.

Palavras-chave: Currículo baseado em competências; Desenvolvimento cognitivo; Habilidades cognitivas; Pensamento crítico; Raciocínio cognitivo.

Marketing

09 de outubro de 2026

Bitcoin ou pets: o que a Inteligência Artificial não veria

Um caso real de consumer intelligence mostra o que fica fora do briefing Há alguns anos, uma seguradora americana contratou uma empresa especializada em consumer intelligence para responder a três perguntas: A seguradora também avaliava lançar seguros pagos em bitcoin. Na época, o processo de trabalho da consultoria funcionava assim: o analista criava uma query […]

Gestão Escolar

06 de outubro de 2026

A escola não é um cassino: quando figurinhas viram moeda no pátio

Por que, para determinados estudantes, a escola consegue oferecer tão poucas experiências de conquista? A Copa do Mundo acabou. O Brasil deixou a competição, vieram as férias escolares, a final foi disputada e o calendário do futebol seguiu adiante. Seria razoável imaginar que, com o fim do torneio e o retorno às aulas, também começasse […]

Transição Energética

30 de setembro de 2026

Energias renováveis: a vantagem brasileira

Brasil precisa investir na capacidade de transformar recursos naturais em inovação, produtividade e desenvolvimento Falar sobre energia é falar sobre desenvolvimento. Por trás da indústria, dos transportes, dos serviços, das cidades e, cada vez mais, da inteligência artificial, existe uma infraestrutura energética que sustenta a economia. Compreender a matriz energética de um país é compreender […]

Análise De Dados

30 de setembro de 2026

Quando o dado muda, a realidade mudou?

Análise de quase 20 milhões de vínculos-ano docentes entre 2020 e 2025 mostra como mudanças na composição da população e na produção dos registros podem alterar a interpretação de série histórica Entre 2020 e 2025, o número de vínculos formais de trabalho docente identificados na RAIS (Relação Anual de Informações Sociais), do Ministério do Trabalho, […]

Inteligência Artificial

28 de setembro de 2026

Inteligência artificial e as trends

Por que tantas pessoas aderem às brincadeiras com o ChatGPT? Nunca fui a pessoa da trend. Continuo não sendo. Algumas passam pela minha timeline, vejo, acho interessante mas não a ponto de experimentar. Foi assim, inclusive, com algumas ondas recentes de imagens feitas por inteligência artificial, como a trend dos anos 80, aquela que nos […]

Gestão De Projetos

25 de setembro de 2026

A IA acelera as respostas; quem assume as decisões?

Velocidade da tecnologia só vira vantagem quando acompanha a capacidade de compreender, verificar e assumir a responsabilidade pelos resultados Imagine uma equipe que passa a produzir em uma tarde as análises que antes exigiam uma semana. A mudança parece justificar o investimento em inteligência artificial. Mas, antes de contabilizar o ganho, cabe perguntar quem examinou […]

Inovação

14 de setembro de 2026

Não lemos apenas palavras

Como novos códigos, tecnologias e formas de comunicação ampliam aquilo que precisamos aprender a interpretar Ser alfabetizado costuma ser entendido inicialmente como: reconhecer letras, formar palavras, compreender frases e produzir textos. Durante muito tempo, foi principalmente a partir desse domínio que definimos o que significava saber ler e, consequentemente, participar de diferentes espaços da sociedade. […]

Redes Sociais

14 de setembro de 2026

O efeito da influência no consumo

O que a pesquisa Youpix/Nielsen 2026 mostra sobre o avanço da Creator Economy Em 2025, 80% dos consumidores brasileiros compraram algum produto recomendado por influenciadores. Em 2026, o índice chegou a 81%. A estabilidade em um patamar tão elevado indica que a compra por influência deixou de ser um comportamento restrito a determinados públicos. O […]

Chamada De Artigos

11 de setembro de 2026

Chamada de artigos – Edição Temática Gestão de Pessoas

Submissões abertas de 11/09/2026 a 30/09/2026 Estão abertas as submissões para a Chamada Temática Gestão de Pessoas 2026, da Revista Estratégias & Soluções (E&S). A chamada será organizada em dois fluxos editoriais: Fluxo 1 – Trabalhos finais de destaque do MBA USP/EsalqDestinado aos TCCs do curso de Gestão de Pessoas do MBA USP/Esalq que obtiveram […]

Gestão Tributária

01 de setembro de 2026

Reforma tributária e planejamento patrimonial no campo

Eficiência para gerenciar os impostos facilita a governança e permite organizar a sucessão familiar A organização patrimonial rural virou uma medida estratégica diante da reforma tributária no Brasil, que entrou em vigor neste ano. O planejamento das atividades e da gestão do patrimônio rural, por meio de ferramentas como a transição da Pessoa Física para […]

Renata de Gaspari Valdejão Almeida

Inteligência Artificial

05 de agosto de 2026

Dentro da empresa e fora do radar: os riscos da Shadow AI

Segundo a Microsoft, 75% dos profissionais já utilizam inteligência artificial no trabalho sem homologação da empresa O uso da inteligência artificial generativa já faz parte da rotina corporativa. Ferramentas como ChatGPT, Copilot e outras plataformas ajudam profissionais a produzir textos, analisar dados, criar apresentações e acelerar tarefas em praticamente todos os setores. Mas esse avanço […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julho de 2026

O futuro como competência

Interesse acadêmico reforça a projeção de cenários como ferramenta essencial para a tomada de decisões Enquanto algumas empresas ainda tentam acertar o próximo passo, outras já trabalham com múltiplos futuros possíveis — e se preparam para todos eles. Mas afinal, o que significa “pensar o futuro”? É tendência, é estratégia ou uma nova competência que […]

Renata de Gaspari Valdejão Almeida

Inovação

Tecnologia

21 de maio de 2026

Corredor Agro SP: inovação, articulação institucional e futuro

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

Educação

27 de abril de 2026

Como transformar um TCC em negócio

Nova gestão do Parque Tecnológico de Piracicaba oferece consultoria a egressos de MBAs O novo diretor de projetos do Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, costuma dizer que uma das maiores recompensas que já teve na vida foi ver seus orientandos do MBA USP/Esalq estruturarem empresas a partir de seus trabalhos de conclusão de […]

Tecnologia

20 de março de 2026

O repertório humano na era da IA

Pensamento crítico e criatividade são insubstituíveis no trabalho do profissional de marketing A Inteligência Artificial (IA) é capaz de feitos incríveis, mas ainda não possui a capacidade de julgamento, empatia, intuição e criatividade estratégica necessárias para fazer o trabalho de um bom profissional de marketing. Nessa área, é importante saber usar a ferramenta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

23 de fevereiro de 2026

ESG como estratégia de crescimento em uma cooperativa do RS

Santa Clara equilibra responsabilidade social e ambiental com inovação Fundada em 1911 por imigrantes italianos em Carlos Barbosa, na serra gaúcha, a Cooperativa Santa Clara é um exemplo de que é possível equilibrar o crescimento econômico com a responsabilidade social e ambiental. De uma pequena empresa de produção de queijos, a organização evoluiu para um […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

22 de janeiro de 2026

Brasil livre de febre aftosa: o que muda para a carne brasileira?

Com um rebanho de mais de 200 milhões de cabeças de gado, o país é atualmente o líder em exportações O Brasil recebeu recentemente, pela primeira vez, a certificação de país livre de febre aftosa sem vacinação, conferida pela Organização Mundial de Saúde Animal (OMSA). O selo fortalece a posição do país como fornecedor de carne confiável para o […]

Renata de Gaspari Valdejão Almeida

Inovação

09 de dezembro de 2025

Inovação: o novo ciclo do Parque Tecnológico de Piracicaba

Instituto Pecege assume a gestão apostando na criação de novos negócios A partir de 2026, o Instituto Pecege assumirá a gestão do Parque Tecnológico de Piracicaba (PTP). Entre suas responsabilidades estarão a administração, operação, manutenção e expansão do parque, além do fomento de atividades de inovação, empreendedorismo e ciência e tecnologia. A escolha foi feita […]

Renata de Gaspari Valdejão Almeida

06 de julho de 2026

Arquitetura de Grande Porte: Gestão de Mudanças DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. A arquitetura e o urbanismo configuram-se como bases imprescindíveis em um espaço urbano cada vez mais complexo e desafiador, onde a intrínseca conexão entre questões sociais, ambientais e tecnológicas […]