Segmentación de clientes en comercio electrónico a través de k-means

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

doi:10.22167/2675-6528-202602784

Artículo

30 de septiembre de 2026

Segmentación de clientes en comercio electrónico a través de k-means

Segmentación de Clientes en Comercio Electrónico por Medio de K-means

Claudecir Réboli Junior; Henrique Raymundo Gioia

DOI: 10.22167/2675-6528-202602784

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

Resumen

En el contexto de la creciente relevancia de los datos para la toma de decisiones organizacionales, la segmentación de clientes fue analizada como un instrumento estratégico para la generación de valor en empresas de comercio electrónico. El objetivo consistió en segmentar los clientes de una base transaccional de una tienda en línea, con el fin de identificar patrones de consumo y apoyar decisiones de marketing. Para ello, se utilizó un enfoque cuantitativo, con aplicación de técnicas de tratamiento de datos, categorización manual de productos y normalización por Z-Score, seguida de la implementación del algoritmo K-Means. La definición del número de clústeres consideró los métodos de la silueta y del codo, complementados por un análisis angular. Los resultados evidenciaron una estructura altamente concentrada, en la cual la mayor parte de los clientes presentó bajo valor individual, mientras que una pequeña porción concentró una significativa participación en la facturación. Se constató la presencia de clústeres unitarios, interpretados como clientes de comportamiento extremo y alto valor estratégico. El análisis permitió identificar diferentes perfiles de consumo y proponer estrategias distintas, desde acciones escalables hasta enfoques altamente personalizados. Se concluyó que la segmentación basada en datos posibilitó una mayor comprensión del comportamiento de los clientes y proporcionó subsidios relevantes para decisiones gerenciales, destacando oportunidades de crecimiento y riesgos asociados a la concentración de ingresos.

Palabras clave: Análisis de datos; Comportamiento del consumidor; Clusterización; Segmentación de mercado; Venta al por menor.

1. Introducción

En el mundo contemporáneo, la consolidación de una cultura de toma de decisiones orientada por datos (data-driven) se ha convertido en un objetivo estratégico para la mayoría de las organizaciones. Sin embargo, los datos brutos, por sí solos, no sustentan decisiones eficaces; es indispensable someterlos a procesos de tratamiento, organización y análisis, para convertirlos en información relevante y consistente (Herdiana et al., 2025).

La capacidad de transformar datos en información valiosa es crucial para la creación de valor en las empresas. Falcão et al. (2016) destacan que el valor de la información para una organización depende directamente de la habilidad del gestor para analizarla y utilizarla para la toma de decisiones correctas, con el fin de alcanzar objetivos específicos.

En este escenario, la segmentación de clientes emerge como una estrategia fundamental. Kotler y Keller (2012) fundamentan que la división del mercado en segmentos es esencial, ya que los consumidores poseen preferencias diversas. John et al. (2023) refuerzan que esta estrategia permite a las organizaciones comprender y atender mejor las demandas de sus consumidores, agrupándolos en función de características compartidas. Haley (1968) complementa que es más eficaz aprovechar segmentos de mercado ya existentes que intentar crear nuevos, adaptando las estrategias de marketing a las necesidades de los consumidores.

Para la segmentación de mercado, se emplean diversas metodologías, siendo el algoritmo K-Means una de las más frecuentes, según lo señalado por Gomes y Meisen (2023) en una revisión literaria. La popularidad del K-Means reside en su simplicidad y capacidad de aplicación en grandes bases de datos. Este método se inserta en el campo del aprendizaje automático no supervisado, donde se utilizan algoritmos para identificar estructuras y agrupaciones naturales en los datos sin supervisión previa (Mahesh, 2019; Goldschmidt y Passos, 2005).

A pesar de la amplia utilización de técnicas de segmentación de clientes en la literatura, se observa una brecha en la aplicación práctica de estos enfoques en bases transaccionales reales. Esta brecha es particularmente evidente en la identificación de patrones de consumo que puedan ser directamente traducidos en acciones de negocio efectivas.

En este sentido, la presente investigación busca responder a la siguiente pregunta: ¿cómo la aplicación del algoritmo K-Means en datos transaccionales de comercio electrónico puede contribuir a la identificación de segmentos de clientes con relevancia estratégica?

La relevancia de este estudio radica en la posibilidad de proporcionar una comprensión profunda del comportamiento del cliente, ofreciendo subsidios para la toma de decisiones gerenciales y destacando oportunidades de crecimiento y riesgos asociados a la concentración de ingresos. Ante este contexto, el presente trabajo tiene como objetivo segmentar clientes de una base transaccional de comercio electrónico en línea a través del algoritmo K-Means, con el fin de identificar perfiles de consumo distintos y analizar sus implicaciones para la formulación de estrategias de marketing, retención y maximización del valor del cliente.

2. Material y Métodos

La presente investigación adoptó un enfoque metodológico cuantitativo, con el propósito de segmentar clientes de una base transaccional de comercio electrónico. El estudio se centró en la aplicación de técnicas de tratamiento de datos, análisis exploratorio y algoritmos de aprendizaje automático no supervisado, con el objetivo de identificar patrones de consumo. Esta metodología fue seleccionada para responder a la pregunta de investigación sobre la contribución del algoritmo K-Means en la identificación de segmentos de clientes con relevancia estratégica.

El objeto empírico consistió en un conjunto de datos transaccionales públicos, denominado “Online Retail”, obtenido en el Repositorio de Aprendizaje Automático de UC Irvine. La base de datos corresponde a registros de transacciones de una empresa de venta minorista en línea, ubicada en el Reino Unido, abarcando el período de diciembre de 2010 a diciembre de 2011. Inicialmente, el conjunto estaba compuesto por 541.909 registros y ocho variables: InvoiceNo, StockCode, Description, Quantity, InvoiceDate, UnitPrice, CustomerID y Country.

Las etapas iniciales de limpieza y manipulación de los datos se realizaron en el software Microsoft Excel, utilizando la herramienta Power Query. Se eliminaron observaciones con valores nulos o espacios en blanco en las variables CodCliente y Descricao, así como registros donde la Quantidade era inferior o igual a cero. También se excluyeron observaciones de CodEstoque que no representaban productos (como tasas). Después de la limpieza, la base de datos se redujo a 396.370 observaciones.

A continuación, se realizó la categorización manual de los productos en categorías como Accesorios, Alimentos, Animales, Juguetes, Cocina, Decoración, Iluminación, Jardín, Materiales, Papelería, Romántico, Estacional, Utilidades, Vidrios, Vintage y Otros. Esta categorización tuvo como objetivo estructurar los datos para la segmentación, garantizando coherencia con el contexto del negocio y reproducibilidad del estudio (Falcão et al., 2016; Gomes y Meisen, 2023). Después de la categorización, se sumó el valor transaccionado por cliente en cada categoría.

La segmentación de clientes se llevó a cabo mediante un enfoque computacional basado en Machine Learning, específicamente aprendizaje no supervisado (Géron, 2019; Mahesh, 2019; Goldschmidt y Passos, 2005). El algoritmo K-Means se implementó utilizando el lenguaje de programación Python, en el entorno Spyder, a través de la distribución Anaconda. La elección de K-Means se justificó por su simplicidad y escalabilidad en grandes conjuntos de datos (Gomes y Meisen, 2023).

Para sortear la sensibilidad del K-Means a escalas distintas, los datos fueron normalizados utilizando la técnica Z-Score (Goldschmidt y Passos, 2005). Esta normalización transformó los valores de cada atributo para que presentaran media igual a cero y desviación estándar igual a uno, conforme la fórmula Z = (x – μ) / σ. La definición de los centroides iniciales y de los parámetros del algoritmo K-Means siguió las directrices de Johnson y Wichern (2007).

La configuración adoptada en la biblioteca sklearn para K-Means fue: init = ‘k-means++’, max_iter = 100, n_init = 100 y random_state = 100. La determinación del número óptimo de clústeres, un paso crítico (Bassab et al., 1990), se realizó mediante tres métodos: el coeficiente de silueta (Géron, 2019), el método del codo (Géron, 2019) y un análisis angular complementario (Herdiana et al., 2025).

El coeficiente de silueta calculó el promedio del coeficiente de silueta de todas las observaciones, utilizando la fórmula (b-a) / max(a-b). El método del codo calculó la Suma de Cuadrados Intra-Clúster (WCSS), graficando los valores para identificar el punto de inflexión de la curva, donde WCSS = ΣΚ=1 ΣΧ₁€CK ||Xi – μκ||². El análisis angular de Herdiana et al. (2025) midió el ángulo formado entre segmentos de recta del gráfico del codo, indicando el menor valor de tan(ψ).

A pesar de que el coeficiente de silueta y el análisis visual del codo sugirieron dos clusters como matemáticamente óptimos, el análisis angular indicó la formación de seis clusters como la configuración más adecuada. Esta decisión se tomó para conciliar la optimización estadística con la utilidad gerencial, permitiendo la identificación de perfiles de consumo más diferenciados y relevantes para la formulación de estrategias de marketing, retención y maximización del valor del cliente.

3. Resultados y Discusión

La aplicación del algoritmo K-Means a la base de datos transaccional resultó en la formación de seis clústeres distintos, según el análisis inicial. El Clúster 0 se destacó por agrupar a la gran mayoría de los clientes, con 4.298 individuos, lo que representa el 99,15% de la base total. Este grupo fue responsable de 6.093.130 del valor transaccionado, lo que corresponde al 69,55% de los ingresos totales. En contraste, los Clústeres 1, 2 y 5 estuvieron compuestos por un solo cliente cada uno, representando una porción mínima de la cantidad de clientes, pero contribuyendo con el 3,19%, 2,96% y 1,92% del valor transaccionado, respectivamente. El Clúster 3, con 30 clientes (0,69%), generó 1.388.548 del valor total, y el Clúster 4, con cuatro clientes (0,09%), contribuyó con 572.121 de los ingresos. Esta distribución inicial ya indicaba una heterogeneidad significativa en la base de clientes, con una concentración de valor en pocos individuos.

Para validar la configuración de seis clústeres, se realizó un análisis exploratorio adicional con la formación de cuatro clústeres. En esta nueva configuración, el Clúster 1 abarcó 4.299 clientes (99,17% de la base), respondiendo por 6.261.602 del valor transaccionado, es decir, 71,47% de los ingresos. El Clúster 0, con 31 clientes (0,71%), contribuyó con 1.505.278 del valor, o 17,18% de los ingresos. El Clúster 2, con un cliente (0,03%), generó 259.657 del valor (2,96%), y el Clúster 3, con cuatro clientes (0,09%), representó 734.529 del total (8,38%). Aunque esta configuración de cuatro clústeres pudiera parecer más simplificada, demostró una limitación crucial al agrupar al cliente con código 16446, que poseía la cuarta mayor facturación de la base (168.472) y era altamente especializado en la categoría de Papelería, dentro de un clúster mayor. Esta fusión comprometería la capacidad del modelo para capturar perfiles atípicos y estratégicamente relevantes para el negocio, justificando el mantenimiento de los seis clústeres originales.

La decisión de mantener la segmentación en seis clústeres, incluso con la presencia de agrupaciones unitarias (Clústeres 1, 2 y 5), se alinea con las propiedades del algoritmo K-Means en bases de datos con alta heterogeneidad y observaciones extremas. Estos clústeres unitarios no fueron considerados ruido estadístico, sino representaciones de clientes con patrones de consumo excepcionales y de alto valor estratégico. Conjuntamente, los tres clústeres unitarios y el Clúster 4 (con cuatro clientes) fueron responsables del 8,07% de la facturación total. La identificación de estos perfiles extremos es gerencialmente relevante, ya que permite la formulación de estrategias altamente personalizadas, enfocadas en la retención y maximización del valor del cliente a lo largo del tiempo. El análisis de los centroides de cada clúster por categoría de consumo, tras la reorganización para mayor claridad, reveló patrones específicos que fundamentan las estrategias de marketing.

Análisis de los Clusters

El análisis de los clústeres se realizó mediante la agrupación de los resultados en tres grupos gerenciales, definidos a partir de características similares en cuanto a representatividad en la base de clientes, contribución a la facturación y patrón de consumo. El primer agrupamiento, denominado Bajo-Medio Ticket Promedio, está compuesto exclusivamente por el Clúster 1. Este clúster concentra 4.298 clientes, que corresponden al 99,15% de la base total, y es responsable de 6.093.130 del valor transaccionado, o el 69,55% de los ingresos. El perfil de consumo de este grupo es diversificado, con mayor participación en las categorías Utilidades, Cocina y Vintage, cuyos valores en los centroides fueron 215, 146 y 134, respectivamente. La gran cantidad de clientes y la dispersión del consumo entre diversas categorías indican que este grupo es la principal base de sustento del volumen de ventas de la tienda online.

A pesar de su vasta representatividad en número de clientes, la participación del grupo Bajo-Ticket Medio en la facturación es proporcionalmente menor, lo que sugiere un valor transaccionado medio por cliente inferior en comparación con los otros agrupamientos. Desde una perspectiva gerencial, la principal oportunidad para este grupo reside en la ampliación del valor generado por cliente. Esto puede lograrse mediante estrategias escalables, como el aumento del ticket medio, el estímulo a la recurrencia de compras y la implementación de acciones de cross-selling. Sin embargo, la dimensión masiva del grupo limita la viabilidad de estrategias altamente individualizadas, haciendo más eficaz la adopción de campañas de marketing segmentadas a gran escala, con el objetivo de optimizar el engagement y la conversión de forma eficiente.

El segundo agrupamiento, denominado Alto Ticket Medio, está formado por los Clústeres 2 y 3. Este grupo, aunque representa una cantidad reducida de clientes, con 30 clientes en el Clúster 2 (0,69% de la base) y cuatro clientes en el Clúster 3 (0,09% de la base), posee una elevada contribución individual a la facturación. El Clúster 2 responde por 1.388.548 del valor transaccionado, o 15,85% de los ingresos, con mayor concentración de consumo en Utilidades (8.231), Materiales (6.293) y Cocina (5.726). Por su parte, el Clúster 3, que contribuye con 572.121 del valor transaccionado (6,53%), presenta mayor concentración en las categorías Cocina (19.699), Romántico (18.389) y Materiales (17.828). En conjunto, estos dos clústeres suman 34 clientes, representando solo el 0,78% de la base, pero son responsables del 22,38% del valor total transaccionado, evidenciando su relevancia económica.

La principal característica del grupo Alto Ticket Promedio es la significativa contribución económica por cliente, lo que los convierte en objetivos estratégicos para acciones de retención y maximización de la relación. Desde el punto de vista gerencial, iniciativas como programas de fidelidad, atención personalizada y ofertas de up-selling son altamente recomendadas para este grupo. El objetivo es ampliar la recurrencia de compras y el valor de la relación a largo plazo. Sin embargo, la pequeña cantidad de clientes en este grupo también representa un riesgo considerable para el negocio, ya que la pérdida de pocos individuos puede generar un impacto financiero desproporcionado en la facturación total de la empresa, exigiendo un monitoreo y cuidado continuos.

El tercer agrupamiento, clasificado como Ticket Medio Muy Alto, está compuesto por los Clústeres 4, 5 y 6. Este grupo es el de menor tamaño en la solución adoptada, reuniendo solo siete clientes en total, lo que corresponde al 0,16% de la base de clientes. Sin embargo, estos pocos clientes son responsables de aproximadamente el 8,07% del valor transaccionado, demostrando un poder de compra y compromiso excepcionalmente altos. El Clúster 4, con un único cliente, exhibió una fuerte concentración en Papelería, con un valor de 168.470 en el centroide. El Clúster 5, también con un cliente, se destacó por Decoración (70.211), Romántico (31.822) y Vintage (31.132). Finalmente, el Clúster 6, igualmente unitario, presentó mayor concentración en Utilidades (53.998), Juguetes (30.485) y Materiales (29.815).

Los resultados para el agrupamiento “Ticket Medio Altísimo” evidencian comportamientos de consumo con valores transaccionados extremadamente elevados en comparación con los demás grupos. Gerencialmente, estos clientes son considerados de altísima relevancia económica y demandan un seguimiento individualizado y estratégico. La oportunidad reside en el establecimiento de relaciones comerciales a largo plazo, con atención personalizada e integración con procesos operativos, como logística y planificación de abastecimiento, para garantizar la satisfacción y la fidelidad. Sin embargo, la interpretación de estos agrupamientos requiere cautela, ya que la formación de clusters con pocos clientes puede ser resultado tanto de perfiles de consumo genuinamente diferenciados como de la influencia de observaciones extremas en el algoritmo K-Means. Así, estos hallazgos deben ser vistos como evidencias de comportamientos extremos o altamente diferenciados en la base de datos estudiada, y no necesariamente como segmentos de mercado generalizables.

Síntesis de los Agrupamientos

La organización de los resultados en tres grupos gerenciales reveló una estructura de consumo fuertemente concentrada en la base de clientes analizada. El primer grupo, que abarca la vasta mayoría de los clientes, representa la principal base de volumen de ventas y demanda estrategias de marketing escalables. En contrapartida, los grupos de Alto y Altísimo Ticket Medio, aunque numéricamente pequeños, concentran una porción significativa de la facturación, justificando enfoques altamente personalizados y enfocados en la retención y en la relación individualizada. Esta dualidad de perfiles de consumo subraya la necesidad de una estrategia de marketing multifacética, capaz de atender a las diversas necesidades y valores de los clientes.

La concentración de ingresos en una porción muy reducida de la cartera de clientes representa un riesgo sustancial para el negocio. Los Clústeres 2 a 6, que corresponden a solo el 0,85% de la base de clientes, son responsables del 30,45% del valor transaccionado. Esta proporción es aún más acentuada que la relación 80/20, frecuentemente asociada al principio de Pareto (Pareto, 1996), indicando una alta dependencia de pocos clientes para la sostenibilidad de los ingresos. Por lo tanto, los hallazgos enfatizan la urgencia de desarrollar estrategias diferenciadas de relación, combinando acciones masivas para la base mayoritaria con iniciativas individualizadas y de alto contacto para los clientes de mayor valor, mitigando riesgos y explorando oportunidades de crecimiento.

Limitaciones del K-Means y Otros Algoritmos

Aunque el algoritmo K-Means fue seleccionado por su simplicidad, escalabilidad y amplio uso en la segmentación de clientes, su aplicación en este estudio reveló algunas limitaciones inherentes. El K-Means se basa en distancias y centroides, lo que lo hace sensible a la escala de las variables, a la distribución de los datos y, notablemente, a la presencia de observaciones extremas. La identificación de clusters unitarios, aunque interpretada como perfiles de alto valor estratégico, también puede ser una manifestación de esta sensibilidad a los valores atípicos, lo que exige una cuidadosa interpretación de los resultados.

La literatura apunta a la existencia de métodos alternativos que podrían ofrecer perspectivas complementarias. El agrupamiento jerárquico, por ejemplo, permitiría un análisis de la formación de grupos en diferentes niveles de granularidad, sin la necesidad de predefinir el número de clústeres, lo que podría enriquecer la comprensión de la estructura de los datos. Otro algoritmo, el DBSCAN, sería útil para verificar si los clientes identificados como extremos por el K-Means son, de hecho, observaciones aisladas o parte de regiones de mayor densidad. La ausencia de una comparación con estos enfoques constituye una limitación de la investigación, ya que impide la verificación de la robustez y la reproducibilidad de los agrupamientos identificados, dejando una oportunidad para futuras investigaciones.

En resumen, la segmentación de clientes a través del algoritmo K-Means permitió identificar perfiles de consumo distintos y sus implicaciones estratégicas para el comercio minorista en línea. Los resultados revelaron una base de clientes heterogénea, con una gran mayoría de bajo valor individual y una pequeña porción de clientes de altísimo valor, que concentran una parte desproporcionada de los ingresos. Esta comprensión profunda del comportamiento de los clientes proporciona subsidios valiosos para la formulación de estrategias de marketing, retención y maximización del valor del cliente, abordando tanto las oportunidades de crecimiento como los riesgos asociados a la concentración de ingresos, y respondiendo al objetivo de identificar patrones de consumo y apoyar decisiones de marketing.

4. Conclusión

El estudio buscó segmentar clientes de una base transaccional de comercio electrónico mediante el algoritmo K-Means, con el objetivo de identificar perfiles de consumo distintos y analizar sus implicaciones para la formulación de estrategias de marketing, retención y maximización del valor del cliente. Se verificó una estructura de consumo altamente concentrada, en la cual la vasta mayoría de los clientes, correspondiente al 99,15% de la base, presentó bajo valor individual, pero fue responsable del 69,55% de los ingresos. En contraste, se identificó una pequeña porción de clientes, representando el 0,85% de la base, que concentró el 30,45% de la facturación total, incluyendo clústeres unitarios que representan perfiles de consumo extremos y de alto valor estratégico. Esta segmentación posibilitó una comprensión profunda del comportamiento de los clientes, proporcionando subsidios para la formulación de estrategias de marketing diferenciadas, desde acciones escalables para la base mayoritaria hasta enfoques altamente personalizados para los clientes de mayor valor, y destacó oportunidades de crecimiento y riesgos asociados a la concentración de ingresos.

A pesar de la relevancia de los hallazgos, la investigación presentó limitaciones. El algoritmo K-Means demostró sensibilidad a la escala de las variables, a la distribución de los datos y a la presencia de observaciones extremas, lo que pudo haber influido en la formación de clústeres unitarios. Adicionalmente, la utilización de datos de un único minorista del Reino Unido y de un período de un año restringe la generalización de los resultados, y la categorización manual de los productos pudo haber introducido sesgos interpretativos. Para estudios futuros, se sugiere la comparación de los agrupamientos identificados con métodos alternativos, como el agrupamiento jerárquico o el DBSCAN, a fin de verificar la robustez y la reproducibilidad de los resultados, enriqueciendo la comprensión de la estructura de los datos y la aplicabilidad gerencial.

Referencias 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.

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

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy

Más recientes

22 de octubre de 2026

Desafios e Possibilidades do Primeiro Ano Escolar de Crianças com Tea para o Trabalho Docente

22 de octubre de 2026

Jornada do Consumidor na Decisão de Compra de Infoprodutos no Ambiente Digital

22 de octubre de 2026

Riscos Psicossociais e Saúde Mental no Trabalho em uma Instituição Bancária

22 de octubre de 2026

Observatório Digital da Amazônia: Ciência de Dados Aplicada à Análise de Indicadores Sociais, Econômicos, Ambientais e de Saúde

22 de octubre de 2026

Aprendizado Contínuo como Fator de Crescimento Organizacional na Percepção dos Colaboradores

22 de octubre de 2026

Regressão Estatística em Microrredes para Estimativa de Desempenho Operacional: Caso Campusgrid

22 de octubre de 2026

Previsão da Inadimplência Agregada no Sistema Financeiro Brasileiro por Modelo Sarimax com Variáveis Macroeconômicas

22 de octubre de 2026

Fatores de Engajamento das Partes Interessadas na Transferência Internacional de Tecnologia para um Hospital Público

22 de octubre de 2026

Combate às Perdas Comerciais de Energia Elétrica Utilizando Modelo de Séries Temporais

También te puede interesar

22 de octubre de 2026

Desafios e Possibilidades do Primeiro Ano Escolar de Crianças com Tea para o Trabalho Docente

A inserção de crianças com Transtorno do Espectro Autista (TEA) na Educação Infantil apresenta desafios significativos, dada a dificuldade de adaptação em novos ambientes e a intensidade de estímulos. O objetivo foi analisar a atuação docente na Educação Infantil no processo de escolarização inicial de crianças com TEA. Realizou-se um estudo de caso, utilizando a entrevista narrativa como técnica de produção de dados. Os resultados revelaram que a atuação docente caracterizou-se por práticas de mediação e afeto, com a flexibilização da rotina e o uso de recursos lúdicos como estratégias essenciais para o desenvolvimento e organização sensorial da criança. Destacou-se também a importância da profissional de apoio escolar para o êxito do trabalho pedagógico. O desenvolvimento integral da criança foi promovido por meio de ações docentes intencionais que priorizaram a adaptação ambiental, o fortalecimento de vínculos e o atendimento às necessidades específicas do TEA. Como contribuição, elaborou-se um guia de estratégias pedagógicas voltado ao acolhimento de crianças com TEA em creches públicas.

Palavras-chave: Educação Infantil; Inclusão Escolar; Narrativas Docentes; Práticas Pedagógicas Inclusivas; Transtorno do Espectro Autista.

22 de octubre de 2026

Jornada do Consumidor na Decisão de Compra de Infoprodutos no Ambiente Digital

A expansão do comércio eletrônico e a transformação tecnológica impulsionaram a necessidade de compreender o comportamento do consumidor de infoprodutos, cuja experiência percebida tornou-se crucial para o desenvolvimento profissional. O estudo objetivou analisar os fatores que influenciaram a decisão de compra de infoprodutos no ambiente digital, considerando as etapas da jornada do consumidor. Realizou-se uma pesquisa aplicada, quantitativa e descritiva, por meio de um levantamento de campo com 100 consumidores da Serra Gaúcha. A coleta de dados ocorreu via questionário estruturado, utilizando amostragem não probabilística. Os resultados revelaram um público qualificado e com forte comportamento “mobile-first”. Constatou-se que a disponibilidade de informações detalhadas e a aprovação social foram os principais gatilhos de atração na fase de pré-compra. Nas etapas transacionais e posteriores, a minimização de atritos operacionais, a agilidade do acesso imediato e a segurança sistêmica mostraram-se cruciais para a conversão e satisfação, embora lacunas na eficiência do suporte humano tenham sido identificadas. A retenção fundamentou-se na confiança gerada por experiências anteriores positivas, superando o fator preço. Concluiu-se que a jornada do consumidor de infoprodutos opera como um sistema integrado, exigindo alinhamento entre infraestrutura tecnológica, curadoria de conteúdo e humanização do suporte para assegurar o engajamento.

Palavras-chave: Comércio eletrônico; Comportamento do consumidor; Experiência do consumidor; Fidelização; Negócios virtuais.

22 de octubre de 2026

Riscos Psicossociais e Saúde Mental no Trabalho em uma Instituição Bancária

A saúde mental no ambiente de trabalho é um tema de crescente relevância, impactando o desenvolvimento profissional e o bem-estar dos colaboradores. Um estudo foi realizado para identificar aspectos e situações que podem influenciar os níveis de absenteísmo em uma instituição bancária. A pesquisa envolveu 108 participantes e utilizou um questionário estruturado, baseado na versão curta do COPSOQ II de Gonçalves (2021), que continha 45 questões fechadas em escala Likert e duas perguntas abertas. Os dados foram coletados por meio de plataforma online e analisados com abordagem descritiva e quantitativa. Os resultados revelaram um cenário que indicou a necessidade de ajustes na distribuição das atividades e na percepção dos gestores sobre comportamentos e sinais de transtornos. Foram identificadas evidências importantes nas respostas abertas dos participantes. Concluiu-se que o estudo contribuiu para a promoção da percepção de um ambiente seguro para a saúde mental na organização.

Palavras-chave: Afastamentos por transtornos; Desenvolvimento profissional; Liderança operacional; Licença médica; Saúde mental.

22 de octubre de 2026

Observatório Digital da Amazônia: Ciência de Dados Aplicada à Análise de Indicadores Sociais, Econômicos, Ambientais e de Saúde

O estado do Amazonas enfrentou desafios históricos na consolidação do Sistema Único de Saúde (SUS), decorrentes de barreiras geográficas, desigualdades socioeconômicas e limitações estruturais. Descreveu-se, neste estudo, o desenvolvimento e a implementação de um geoportal de informações em saúde, concebido para apoiar o monitoramento, a avaliação e o planejamento no contexto amazônico. Adotou-se uma abordagem de estudo de caso descritivo, baseada em análise documental e dados secundários, abrangendo o mapeamento de funcionalidades, a infraestrutura técnica e as etapas de validação da ferramenta. O Portal foi desenvolvido com tecnologias abertas e integrou múltiplas bases de dados nacionais, oferecendo dashboards interativos, mapas temáticos e repositório digital de documentos. Entre os resultados, destacaram-se a visualização georreferenciada de indicadores-chave, a possibilidade de análises comparativas temporais e a utilização da plataforma na revisão de planos de saúde e no redirecionamento de ações estratégicas. O portal pode representar um avanço na governança digital e na gestão baseada em evidências, com potencial de replicabilidade para outros territórios de alta complexidade, desde que acompanhada de investimentos em infraestrutura tecnológica, capacitação profissional e articulação interinstitucional.

Palavras-chave: Amazônia; Avaliação em Saúde; Saúde Digital; Sistemas de Informação em Saúde.

22 de octubre de 2026

Aprendizado Contínuo como Fator de Crescimento Organizacional na Percepção dos Colaboradores

O impacto do aprendizado contínuo e da gestão do conhecimento no crescimento das organizações foi estudado em um cenário de globalização e constantes mudanças. O objetivo do estudo foi analisar a percepção dos colaboradores sobre a cultura de aprendizagem e sua importância para o desenvolvimento pessoal e profissional. Os dados foram obtidos por meio de uma pesquisa anônima, de abordagem quantitativa, utilizando um formulário com questões do tipo “survey” aplicado a 87 profissionais dos setores de tecnologia, saúde, educação, comércio e serviços. Os resultados indicaram que os colaboradores possuíam uma percepção positiva sobre a contribuição do aprendizado contínuo para o crescimento pessoal e organizacional, reconhecendo seus benefícios para o desenvolvimento de novas habilidades, inovação e competitividade. Contudo, observou-se que o incentivo à troca de conhecimento interno e a oferta de treinamentos práticos ainda apresentavam médias moderadas de concordância. Concluiu-se que o aprendizado contínuo contribui significativamente para o desenvolvimento individual e organizacional, sugerindo que as empresas devem desenvolver políticas estratégicas de aprendizado direcionado para novas habilidades, visando maior vantagem competitiva e inovação.

Palavras-chave: Aprendizagem contínua; Autodesenvolvimento; Crescimento organizacional; Gestão do conhecimento; Inovação.

22 de octubre de 2026

Regressão Estatística em Microrredes para Estimativa de Desempenho Operacional: Caso Campusgrid

Um modelo de regressão estatística múltipla foi proposto para estimar o desempenho operacional da microrrede CampusGrid da UNICAMP, com base em grandezas elétricas internas. A microrrede integra geração fotovoltaica, baterias e um gerador a gás. Dados do sistema de gerenciamento de energia foram coletados em intervalos de cinco minutos durante um mês. O Índice de Confiabilidade Operacional, definido como a razão entre energia atendida e demandada, foi estabelecido como variável dependente. O modelo foi ajustado para o modo de operação ilhado, avaliando o impacto da demanda, estado de carga, geração solar e energia suprida. Os resultados revelaram elevado poder explicativo, indicando que a confiabilidade operacional depende da interação entre suprimento e demanda. Observou-se que o período noturno concentrou a maior taxa de atendimento parcial, atribuída à redução da geração solar. Concluiu-se que a regressão múltipla oferece uma estrutura interpretável e útil para o monitoramento de microrredes e o apoio a estratégias de controle.

Palavras-chave: Armazenamento em baterias; Geração fotovoltaica; Índice de Confiabilidade; Operação ilhada; Sistema de Gerenciamento de Energia.

22 de octubre de 2026

Previsão da Inadimplência Agregada no Sistema Financeiro Brasileiro por Modelo Sarimax com Variáveis Macroeconômicas

A inadimplência agregada no sistema financeiro brasileiro é um indicador crucial de risco de crédito, cuja previsão é regulamentada pelas Resoluções CMN n.° 4.557/2017 e 4.966/2021 para a mensuração prospectiva de perdas esperadas. Modelou-se e previu-se a inadimplência agregada por meio do modelo SARIMAX, projetando sua trajetória até dezembro de 2026 sob cenários otimista, base e pessimista. Utilizaram-se 164 observações mensais (julho/2012 a fevereiro/2026) e variáveis macroeconômicas como desemprego, Selic, IPCA, IBC-Br e endividamento das famílias. A especificação com variáveis contemporâneas foi selecionada com base em critérios de informação e estabilidade dos coeficientes, e o diagnóstico dos resíduos confirmou adequação estatística, com MAPE de 3,12%. A inadimplência histórica variou entre 4,33% e 7,64%. A estimação identificou o desemprego (β = 0,2534; p < 0,001) e a Selic (β = 0,2128; p < 0,001) como principais determinantes positivos, com forte persistência temporal (AR(1) = 0,8965). A Selic exibiu correlação crescente com a inadimplência (r = 0,62 no lag 12), enquanto o desemprego demonstrou efeito contemporâneo (r = 0,33). As projeções indicaram inadimplência entre 6,30% e 7,98% em dezembro de 2026, com uma amplitude de 1,68 ponto percentual, evidenciando implicações diretas para o dimensionamento de provisões nas instituições financeiras. Palavras-chave: Desemprego; Modelagem preditiva; Política monetária; Provisão de perdas; Séries temporais.

22 de octubre de 2026

Fatores de Engajamento das Partes Interessadas na Transferência Internacional de Tecnologia para um Hospital Público

Este estudo descreveu os fatores críticos percebidos para o engajamento das partes interessadas na transferência internacional de tecnologia em um hospital público, com foco no planejamento. O objetivo foi descrever esses fatores condicionantes, conforme a percepção de profissionais. Realizou-se um estudo de caso único, aplicando um questionário a 25 profissionais e utilizando análise de conteúdo, complementada por tabulações descritivas. Os principais obstáculos identificados foram resistência à mudança (72%), financiamento (64%), falta de comunicação (60%) e burocracia (40%). Apenas 28% dos respondentes reconheceram a existência de ferramentas adequadas para gestão de stakeholders, enquanto 48% negaram e 24% não souberam informar. Cruzamentos exploratórios indicaram variações na avaliação de influência conforme o tempo de atuação, mas não estabeleceram relações causais. A falta de engajamento foi associada a atrasos, baixa adesão, desperdício de recursos, falhas de comunicação, comprometimento da absorção de conhecimento e riscos à segurança do paciente. As conclusões restringiram-se às percepções do grupo pesquisado e fundamentaram recomendações preliminares para comunicação e coordenação intersetorial.

Palavras-chave: Estudo de caso; Gestão de projetos; Inovação em saúde; Partes interessadas; Setor público.

22 de octubre de 2026

Combate às Perdas Comerciais de Energia Elétrica Utilizando Modelo de Séries Temporais

As perdas comerciais de energia elétrica representaram um dos principais desafios para as distribuidoras, impactando diretamente a sustentabilidade econômica e a qualidade do fornecimento. Avaliou-se a eficiência de modelos de séries temporais, com foco em técnicas de suavização exponencial, na previsão do consumo faturado de unidades consumidoras, para apoiar a identificação de desvios associados a perdas não técnicas. Utilizaram-se dados históricos de consumo mensal de uma distribuidora de energia elétrica no Brasil, segmentados por perfis de comportamento (estacionariedade, tendência e sazonalidade). Aplicaram-se modelos de suavização exponencial simples, Holt e Holt-Winters (aditivo e multiplicativo), comparados a uma média móvel tradicional. O erro percentual absoluto médio (MAPE) foi o critério de avaliação. Adicionalmente, empregou-se a abordagem ETS para seleção automática do modelo e testes de diagnóstico dos resíduos, como Ljung-Box e análise da função de autocorrelação. Os resultados demonstraram que modelos mais robustos apresentaram maior capacidade de adaptação às características das séries e menor erro, com destaque para o desempenho superior em cenários com tendência. Para séries sazonais, o modelo ETS mostrou maior capacidade de adaptação a transições. Concluiu-se que a utilização de modelos de séries temporais mais estruturados contribuiu significativamente para a melhoria da acurácia das previsões e ofereceu suporte analítico relevante para a identificação de perdas comerciais e otimização de processos operacionais e comerciais no setor elétrico.

Palavras-chave: Distribuição de energia; MAPE; Otimização; Previsão de consumo; Suavização exponencial.

Economia

19 de octubre de 2026

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

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

Inteligencia Artificial

16 de octubre de 2026

¿Por qué estudiar si existe la IA?

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

Gestión Tributaria

15 de octubre de 2026

Impuesto rosa y el género del precio

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

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

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

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

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

Gestión Escolar

06 de octubre de 2026

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

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

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

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

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

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

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

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

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

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

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

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

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

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

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

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

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

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

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

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

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

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

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

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

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

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

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

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

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

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