Sistema de recomendação de filmes utilizando representação textual TF-IDF e similaridade de cosseno na abordagem baseada em conteúdo

Affonso, Aline Lizandra; Brito, Adriana Camargo de

doi:10.22167/2675-6528-202604508

Article

November 11, 2026

Sistema de recomendação de filmes utilizando representação textual TF-IDF e similaridade de cosseno na abordagem baseada em conteúdo

Aline Lizandra Affonso; Adriana Camargo de Brito

DOI: 10.22167/2675-6528-202604508

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

A crescente oferta de filmes em serviços de streaming intensifica o paradoxo da escolha, dificultando a seleção de conteúdos relevantes e reforçando a necessidade de mecanismos de recomendação. Essa problemática motivou o desenvolvimento e a análise de um sistema de recomendação de filmes baseado em conteúdo, utilizando representação textual TF-IDF e similaridade de cosseno entre vetores de atributos. A pesquisa seguiu um pipeline de cinco etapas, que incluiu preparação e análise exploratória dos dados, engenharia de atributos, modelagem e avaliação. Os dados foram extraídos de bases TMDB e IMDb. Na engenharia de atributos, aplicou-se codificação multi-hot para variáveis categóricas, TF-IDF com SVD truncado para textos descritivos e escalonamento para variáveis numéricas. A similaridade de cosseno foi calculada entre o filme de referência e os demais títulos, e um pós-processamento refinou os candidatos com base em nota mínima, popularidade, proximidade temporal e volume de votos. Os resultados demonstraram recomendações tematicamente coerentes e indicaram que o pós-processamento foi determinante para elevar a qualidade percebida das listas, favorecendo títulos de maior nota, mais próximos temporalmente do filme de entrada e com maior diversidade interna, sem perda significativa de aderência de gênero. Concluiu-se que o pipeline viabilizou recomendações explicáveis, fundamentadas apenas em metadados e textos descritivos.

Palavras-chave: curadoria de filmes; filtragem baseada em conteúdo; similaridade de cosseno; sistema de recomendação; TF-IDF.

1. Introdução

O volume de informações disponíveis na internet cresce exponencialmente, tornando cada vez mais desafiador para o usuário selecionar conteúdos relevantes e personalizados no âmbito pessoal. A crescente oferta de filmes em serviços de streaming intensifica o paradoxo da escolha, onde o excesso de títulos dificulta a seleção de conteúdos relevantes e reforça a necessidade de mecanismos que reduzam alternativas a sugestões adequadas. Esse cenário impulsiona o aumento do engajamento dos usuários com recomendações geradas por algoritmos.

A importância dos sistemas de recomendação é evidente no cenário atual. Estudos indicam que aproximadamente 80% dos filmes assistidos na Netflix e 60% dos vídeos consumidos no YouTube são selecionados por meio de algoritmos de recomendação (Zhang et al., 2017). Esses algoritmos desempenham um papel fundamental na experiência do usuário, especialmente diante do excesso de opções característico do mundo contemporâneo, promovendo a personalização e uma boa experiência.

Os sistemas de recomendação utilizam técnicas de Machine Learning e Mineração de Dados para fornecer sugestões alinhadas às preferências individuais dos usuários. Uma das abordagens principais é a recomendação baseada em conteúdo, que se fundamenta nas características dos itens a serem recomendados (Abdurrafi & Ningsih, 2023). No contexto de filmes, isso inclui metadados estruturados, como gênero, ano de lançamento, elenco e diretor, além de dados não estruturados, como sinopses e palavras-chave.

Em contraste, a filtragem colaborativa aprende com o histórico de interações dos usuários, sem a necessidade de conhecimento detalhado sobre as características dos itens (Ricci, Rokach & Shapira, 2015). Modelos híbridos, por sua vez, combinam diferentes técnicas para mitigar limitações (Mu, Zeng & Han, 2018). Contudo, a base de dados utilizada neste trabalho não possui histórico de interação usuário-item. Por essa razão, optou-se por uma abordagem de recomendação baseada em conteúdo, que gera sugestões a partir de um item de referência, comparando-o aos demais títulos da base exclusivamente com base em suas características.

Para a representação numérica dos filmes, utilizou-se a técnica TF-IDF (Term Frequency-Inverse Document Frequency) para ponderar a importância das palavras em sinopses e palavras-chave (Manning, Raghavan e Schütze, 2008). A similaridade entre os filmes foi calculada por meio da similaridade de cosseno entre os vetores de atributos resultantes, medida que estima a semelhança entre dois filmes no espaço de atributos (Sarwar et al., 2001). Essa abordagem permite inferir a utilidade de uma recomendação pela proximidade entre perfis de conteúdo.

Embora abordagens baseadas em Deep Learning ofereçam avanços significativos, elas frequentemente demandam maior volume de dados, infraestrutura computacional e esforço de treinamento (Karatzoglou & Hidasi, 2017; Zhang et al., 2019). Essa complexidade e a ausência de dados de interação usuário-item na base disponível motivaram a busca por uma solução mais interpretável e reprodutível. Além disso, a similaridade de cosseno, por si só, pode apresentar limitações práticas como critério único de ranqueamento (Ricci, Rokach & Shapira, 2015). A necessidade de refinar as recomendações, incorporando critérios de qualidade e contexto de consumo, como nota mínima, popularidade e proximidade temporal, justifica a implementação de um pós-processamento.

Diante desse cenário e da problemática apresentada, este trabalho teve como objetivo desenvolver e avaliar um sistema de recomendação de filmes baseado em conteúdo, utilizando uma abordagem item-based com similaridade de cosseno aplicada a vetores de atributos construídos a partir de metadados do conjunto de dados TMDB+IMDb, com o intuito de identificar os Top-N filmes mais similares a um item de referência.

2. Material e Métodos

O presente trabalho, de natureza aplicada, teve como objetivo desenvolver e avaliar um sistema de recomendação de filmes baseado em conteúdo, conforme delineado na introdução. A pesquisa seguiu um pipeline de ciência de dados estruturado em cinco etapas principais: preparação e análise exploratória dos dados, engenharia de atributos, modelagem e avaliação. Este fluxo metodológico foi implementado para garantir a reprodutibilidade e a interpretabilidade do sistema.

A base de dados utilizada foi extraída via API da plataforma Kaggle, disponibilizada por Tejas (2021), integrando informações do TMDB (The Movie Database) e do IMDb (Internet Movie Database), com metadados de filmes como elenco, gênero, avaliações e popularidade. Inicialmente, a base continha 431 mil registros e 29 variáveis. Na preparação dos dados, variáveis de data foram convertidas, registros com datas inválidas removidos, e duplicidades tratadas priorizando o identificador `t_const` do IMDb. Linhas com títulos ou gêneros vazios foram removidas, e colunas pouco utilizadas (`backdrop_path`, `poster_path`, `homepage`, `tagline`) foram excluídas.

Filtros de negócio foram aplicados para refinar o conjunto de dados, mantendo apenas filmes com `adult = False` e `status = Released`. A duração (`runtime`) foi limitada a filmes entre 60 e 240 minutos, e o número de votos (`num_Votes`) foi restrito a mais de 4000. A análise exploratória dos dados (EDA) inspecionou a estrutura e qualidade dos dados, verificando tipos, completude e estatística descritiva para identificar dispersão e assimetria, subsidiando a engenharia de atributos.

A engenharia de atributos transformou os dados brutos em um vetor numérico para cada filme. Para variáveis categóricas como gêneros e os 40 atores mais frequentes, utilizou-se a codificação multi-hot. Para as variáveis textuais (`keywords` e `overview`), aplicou-se a técnica TF-IDF (Term Frequency-Inverse Document Frequency) (Manning, Raghavan e Schütze, 2008). A dimensionalidade foi reduzida com SVD truncado (Deerwester et al., 1990), utilizando 50 componentes para palavras-chave e 80 para sinopse.

Variáveis numéricas com distribuição assimétrica (`numVotes`, `revenue`, `budget`) foram submetidas à transformação logarítmica. Para evitar a dominância de variáveis com magnitudes distintas, aplicou-se o escalonamento mínimo-máximo (MinMaxScaler) a todas as variáveis numéricas (`runtime`, `ano`, `vote_average`, `popularity`), normalizando-as para a faixa de 0 a 1. Uma nova variável de ano foi criada a partir da data de lançamento.

Na etapa de modelagem, cada filme foi representado por um vetor de atributos, concatenando representações multi-hot, vetores TF-IDF+SVD e variáveis numéricas escalonadas. A similaridade entre os filmes foi calculada utilizando a similaridade de cosseno entre esses vetores (Sarwar et al., 2001; Ricci, Rokach & Shapira, 2015). Para mitigar o desbalanceamento de blocos de atributos, aplicou-se normalização L2 (Euclidiana) separadamente em cada sub-vetor antes da concatenação (Debnath et al., 2008; Lops et al., 2011). Após o cálculo da similaridade, um conjunto de 100 filmes candidatos com maior similaridade foi selecionado.

Em seguida, aplicou-se uma etapa de pós-processamento (re-ranking) para refinar as recomendações, incorporando critérios de qualidade e contexto de consumo (Ricci, Rokach & Shapira, 2015). Este processo incluiu quatro critérios aplicados sequencialmente: um filtro de nota mínima (descartando `averageRating` inferior a 6,5); um impulso de popularidade (índice combinado de votos e popularidade log-transformados e normalizados, ponderado com similaridade de cosseno, alfa de 0,4) (Abdollahpouri, Burke e Mobasher, 2017); uma penalização por distância temporal (fator exponencial decrescente proporcional à diferença de anos, gama de 0,15) (Koren, Y. 2009); e uma penalização por volume de votos (fator exponencial decrescente proporcional à diferença em escala logarítmica do número de votos, lambda de 0,3).

A avaliação do sistema combinou análise qualitativa e métricas quantitativas, dada a ausência de dados de interação de usuários. As métricas incluíram Precision@K, similaridade de Jaccard e Mean Reciprocal Rank (MRR) para adequação ao conteúdo (Herlocker et al., 2004; Ricci, Rokach & Shapira, 2015). A qualidade da lista de indicações foi mensurada por Intra-list Similarity (ILS) para diversidade (Ziegler et al., 2005), índice de popularidade, nota média IMDb, popularidade média TMDB e similaridade de cosseno média dos itens recomendados. A cobertura do catálogo também foi calculada.

O desenvolvimento do código foi realizado em Python, utilizando o ambiente VSCode e bibliotecas como pandas, numpy, matplotlib, seaborn, scikit-learn e openpyxl. O código completo está disponível em um repositório público do GitHub, garantindo a transparência e a reprodutibilidade da pesquisa. As etapas foram implementadas em módulos específicos, seguindo boas práticas de programação.

3. Resultados e Discussão

A presente seção detalha os resultados obtidos em todas as etapas do pipeline de desenvolvimento do sistema de recomendação, desde a análise exploratória dos dados até a avaliação das métricas de desempenho. O objetivo central foi demonstrar como cada fase contribuiu para a construção do modelo final e analisar o impacto das decisões metodológicas no comportamento e na qualidade das recomendações geradas. Os achados revelam a eficácia da abordagem baseada em conteúdo, especialmente quando complementada por um pós-processamento que refina as sugestões iniciais.

Inicialmente, a base de dados original, que contava com 431 mil filmes e 29 variáveis, foi submetida a um rigoroso processo de limpeza e filtragem. Após essa etapa, o conjunto de dados foi reduzido para 21.096 filmes e 25 colunas, garantindo a qualidade e a relevância dos registros para a modelagem. Essa redução foi crucial para focar em filmes lançados, não adultos, com duração de 60 a 240 minutos e com mais de 4000 votos, minimizando a ocorrência de outliers e inconsistências que poderiam comprometer a robustez do sistema.

A análise de completude dos dados brutos revelou uma alta porcentagem de valores ausentes em variáveis como homepage (87,5%), tagline (79%), keywords (61%), backdrop_path (57,5%) e production_companies (40%). Contudo, os campos essenciais para a modelagem, como título, gênero e sinopse, apresentaram maior completude, o que permitiu a tomada de decisões estratégicas sobre imputação ou exclusão de variáveis. A identificação de 15% de duplicidade por título e 2% por ID no conjunto bruto levou à remoção de registros duplicados, priorizando o identificador tconst do IMDb para evitar a confusão entre filmes homônimos.

O descritivo estatístico das variáveis numéricas, como runtime, numVotes, vote_average, averageRating, popularity, revenue e budget, evidenciou forte assimetria e alta dispersão, com valores máximos significativamente superiores ao terceiro quartil. Por exemplo, a variável numVotes apresentou uma média de 53995.80, mas um máximo de 3166909.00, indicando a presença de filmes com um volume de votos muito superior à maioria. Essa característica dos dados justificou a aplicação de transformações logarítmicas para normalizar as distribuições e melhorar sua adequação para a modelagem, conforme discutido na metodologia.

A distribuição de filmes por ano de lançamento revelou uma concentração crescente de títulos nas décadas mais recentes, com um pico notável nos anos 2000 e 2010. Essa tendência reflete a expansão da indústria cinematográfica e a maior disponibilidade de dados para filmes mais contemporâneos. A variável ano de lançamento foi incorporada como atributo e utilizada como filtro, permitindo refinar as recomendações com base na proximidade temporal, um critério importante para a experiência do usuário.

A análise da distribuição de filmes por gênero destacou a predominância de categorias como Drama, Comédia, Thriller e Ação, que aparecem em um número significativamente maior de filmes no catálogo. Essa variável é central para a recomendação baseada em conteúdo, pois permite identificar a aderência temática entre o filme de referência e os candidatos. A alta frequência de certos gêneros reforça a importância de técnicas de normalização para evitar que um único atributo domine o cálculo de similaridade, como será detalhado adiante.

A matriz de correlação entre as variáveis numéricas revelou a existência de multicolinearidade entre pares de atributos que medem conceitos semelhantes. Observou-se uma correlação de 0,92 entre vote_count e numVotes, 0,73 entre vote_average e averageRating, 0,73 entre revenue e budget, e 0,75 entre vote_count e revenue. Essa redundância levou à decisão de restringir o conjunto de variáveis numéricas utilizadas na modelagem, selecionando apenas uma medida para cada conceito, como a transformação logarítmica de numVotes, para evitar vieses e otimizar o desempenho do modelo.

Resultado da Engenharia de Atributos

A etapa de engenharia de atributos foi crucial para transformar os dados brutos em uma representação vetorial numérica adequada para o cálculo de similaridade. Ao final deste processo, foram geradas 194 colunas que compuseram a matriz de atributos de entrada para a similaridade de cosseno. Essas colunas foram categorizadas em cinco blocos principais: 19 colunas multi-hot para gêneros, 50 colunas TF-IDF com SVD truncado para palavras-chave, 80 colunas TF-IDF com SVD truncado para sinopses, 40 colunas multi-hot para os 40 atores mais frequentes e 5 colunas normalizadas por MinMaxScaler para as variáveis métricas.

A representação multi-hot para variáveis categóricas, como gêneros e elenco, permitiu que cada filme fosse associado a múltiplos atributos sem a necessidade de criar variáveis exclusivas para cada combinação. Para os campos textuais (palavras-chave e sinopse), a aplicação de TF-IDF com SVD truncado foi fundamental para ponderar a importância dos termos e reduzir a dimensionalidade da matriz, capturando relações semânticas latentes e minimizando o ruído. Essa técnica transformou o texto em vetores densos, onde cada dimensão representa um conceito latente.

As variáveis numéricas, como ano de lançamento, popularidade e nota média, foram submetidas a transformações logarítmicas para mitigar a assimetria e, em seguida, escalonadas utilizando MinMaxScaler. Esse escalonamento garantiu que todas as variáveis métricas estivessem em uma faixa comparável (de zero a um), evitando que atributos com magnitudes maiores dominassem o cálculo da similaridade de cosseno. A combinação dessas diferentes representações resultou em um vetor de atributos abrangente para cada filme, que serviu como base para a medição da similaridade de conteúdo.

Resultados do Sistema de Recomendação

Os resultados da modelagem focaram na análise da contribuição dos diferentes blocos de atributos e no desempenho final do sistema de recomendação. Inicialmente, observou-se que, sem a aplicação de técnicas de normalização por bloco, o cálculo da similaridade era dominado pelos gêneros, que contribuíam com 54,1% da similaridade média. As features textuais (palavras-chave e sinopse) apresentavam uma contribuição muito baixa, de apenas 3,9%, o que resultava em recomendações menos ricas e diversificadas em termos de conteúdo descritivo.

Para resolver o problema de desbalanceamento de blocos de atributos (feature dominance), aplicou-se a normalização L2 (Euclidiana) separadamente em cada sub-vetor antes da concatenação. Essa abordagem promoveu um equilíbrio significativo na contribuição dos atributos: a participação dos gêneros foi reduzida para 31,8%, enquanto a das representações textuais (TF-IDF+SVD) aumentou para 25,6%. As variáveis numéricas e o elenco mantiveram contribuições mais estáveis, indicando que a normalização por bloco foi eficaz em equilibrar os diferentes tipos de informação sem eliminar sua importância, resultando em uma similaridade mais representativa.

Um fator determinante para a qualidade das recomendações foi a etapa de pós-processamento (re-ranking). A similaridade de cosseno, embora eficaz para identificar filmes com perfis de conteúdo próximos, apresentava limitações quando usada como único critério de ranqueamento, como apontado por Ricci, Rokach e Shapira (2015). O pós-processamento ajustou a pontuação final dos candidatos com base em quatro critérios sequenciais: filtro de nota mínima, impulso de popularidade, penalização por distância temporal e penalização por volume de votos.

A aplicação do re-ranking demonstrou melhorias significativas na qualidade percebida das listas de recomendação. A média das notas no IMDb dos títulos recomendados aumentou, o que é coerente com a exclusão de candidatos mal avaliados e o favorecimento de filmes de maior qualidade. A proximidade temporal, medida pela diferença média de anos entre o filme de referência e os recomendados, reduziu-se drasticamente, alinhando as sugestões com a expectativa de recomendações mais contemporâneas, conforme estudos sobre dinâmica temporal (Koren, 2009).

Em termos de similaridade de cosseno bruta, a média entre o filme referente e os dez recomendados foi inferior na versão com re-ranking. Isso era esperado, pois o sistema deixou de maximizar exclusivamente o alinhamento no espaço de atributos, passando a incorporar critérios explícitos de qualidade e contexto de consumo, como nota mínima, popularidade e proximidade temporal. O impulso de popularidade, por exemplo, utilizou um índice combinado de quantidade de votos e popularidade, ambos em escala logarítmica e normalizados, para favorecer candidatos com patamar de audiência semelhante ao filme de referência, evitando a recomendação de blockbusters para filmes cult e vice-versa (Abdollahpouri, Burke e Mobasher, 2017).

A análise qualitativa de filmes específicos ilustrou o impacto do re-ranking. Para filmes populares como “The Matrix” (1999) e “Interstellar” (2014), as recomendações iniciais sem re-ranking incluíam títulos de baixa popularidade e notas. Após o pós-processamento, as sugestões tornaram-se mais coerentes e de alta qualidade, como “Blade”, “Mad Max” e “Exterminador do Futuro” para “The Matrix”, e “Arrival”, “The Martian” e “Star Wars” para “Interstellar”, muitas vezes compartilhando gênero, sinopse e até elenco.

No caso do filme independente “Aftersun” (2022), o sistema sem re-ranking indicou títulos muito antigos e impopulares. Com o re-ranking, as sugestões ficaram mais contemporâneas e relevantes, incluindo filmes como “Call Me by Your Name” (2017), que teve sua pontuação de similaridade significativamente elevada. Isso demonstra a capacidade do pós-processamento de refinar as recomendações para filmes menos conhecidos, alinhando-as melhor às expectativas do usuário.

Contudo, para o filme “Inception” (2010), que é de ação, ficção científica e aventura, observou-se uma falha potencial. O sistema, mesmo após o re-ranking, indicou animações como “Up: Altas Aventuras” e fantasias como “The Hobbit”, contradizendo a proposta de um filme com elementos de suspense. Esse caso sugere que, em filmes com múltiplos gêneros, pode ser necessário um refinamento adicional no pós-processamento, talvez priorizando animações apenas quando o filme de referência for do mesmo gênero, ou um ajuste mais fino dos pesos dos atributos.

Para “Finding Nemo” (2003), uma animação, o pós-processamento resultou em uma melhoria considerável, indicando principalmente outras animações. No entanto, a indicação de “The Life Aquatic with Steve Zissou”, um live-action com temática aquática, reforça a hipótese de que o conteúdo textual por si só pode ser insuficiente para garantir recomendações totalmente adequadas em todos os casos, e que filtros adicionais são essenciais para refinar a coerência temática e contextual, mesmo em cenários onde a similaridade bruta já é alta.

Resultados das Métricas de Avaliação

A avaliação quantitativa das duas estratégias (com e sem re-ranking) em uma amostra de 2000 filmes de referência, com K=10 recomendações, forneceu insights detalhados sobre o impacto do pós-processamento. A Precision@K e o Mean Reciprocal Rank (MRR) permaneceram em patamares muito próximos entre as duas estratégias, com Precision@K de 0,999 sem re-ranking e 0,994 com re-ranking, e MRR de 1,000 sem re-ranking e 0,998 com re-ranking. Isso indica que o pós-processamento não alterou significativamente a presença de itens aceitos pelo critério de gênero nem a posição do primeiro item com gênero em comum, embora tenha redistribuído levemente a composição da lista.

Em contrapartida, o re-ranking elevou a nota média no IMDb dos filmes recomendados de 6,462 para 7,141, demonstrando uma melhoria na qualidade percebida dos títulos sugeridos. A diversidade intra-lista (1-ILS) também aumentou de 0,336 para 0,396, indicando que as listas de recomendações se tornaram menos redundantes e mais variadas internamente. A distância temporal média entre o filme de referência e os recomendados foi drasticamente reduzida, passando de 15,255 anos para 5,614 anos, o que alinha as recomendações a um contexto temporal mais próximo e relevante para o usuário.

A popularidade média dos filmes recomendados, medida pelo TMDB, aumentou de 14,158 para 16,374 com o re-ranking, enquanto a novidade (-log2 da popularidade normalizada) diminuiu ligeiramente de 8,288 para 8,151. Esses resultados sugerem que as listas se tornaram um pouco mais alinhadas a filmes mais visíveis na base, sem comprometer a diversidade. A similaridade de cosseno média, como esperado, diminuiu de 0,728 para 0,672, refletindo a incorporação de critérios adicionais de ranqueamento que vão além da mera proximidade de conteúdo bruto.

Por fim, a cobertura do catálogo diminuiu de aproximadamente 51% para 38% na amostra de 2000 filmes. Essa redução sugere que, ao priorizar critérios como nota, popularidade e proximidade temporal dentro de um conjunto de candidatos já similares, as diferentes consultas tendem a convergir para um conjunto menor de títulos que satisfazem bem esses critérios. Isso implica uma menor variedade global de filmes distintos recomendados ao longo da amostra, mas com maior qualidade e relevância percebida. Em conjunto, os resultados indicam uma compensação entre a aderência ao conteúdo e os atributos agregados da lista, com um custo explícito em similaridade bruta e cobertura, reforçando a utilidade prática do pipeline proposto.

4. Conclusão

Este trabalho teve como objetivo desenvolver e avaliar um sistema de recomendação de filmes baseado em conteúdo, utilizando uma abordagem item-based com similaridade de cosseno aplicada a vetores de atributos construídos a partir de metadados do conjunto de dados TMDB+IMDb. Verificou-se que o pipeline proposto, que incluiu etapas de preparação de dados, engenharia de atributos e modelagem, viabilizou a geração de recomendações tematicamente coerentes. A engenharia de atributos transformou dados brutos em uma representação vetorial abrangente, combinando codificação multi-hot para gêneros e elenco, TF-IDF com SVD truncado para sinopses e palavras-chave, e escalonamento para variáveis numéricas. Observou-se que a normalização L2 por bloco foi fundamental para equilibrar a contribuição dos diferentes tipos de atributos no cálculo da similaridade, evitando a dominância de um único bloco. A principal contribuição do estudo reside na construção de um sistema reprodutível que gera listas de recomendações explicáveis e ajustáveis por hiperparâmetros interpretáveis, mesmo na ausência de dados de interação usuário-item.

A etapa de pós-processamento (re-ranking) demonstrou ser determinante para elevar a qualidade percebida das recomendações. Ao incorporar critérios como nota mínima, popularidade, proximidade temporal e volume de votos, as listas geradas apresentaram maior nota média, menor distância temporal em relação ao filme de referência e maior diversidade interna, embora com uma esperada redução na similaridade de cosseno bruta e na cobertura do catálogo. Contudo, o estudo enfrentou limitações, como a ausência de dados de interação, que exigiu o uso de proxies de relevância baseados em gênero, e a definição empírica dos pesos dos blocos de atributos e hiperparâmetros do re-ranking. Para estudos futuros, sugere-se a otimização formal desses pesos por meio de validação experimental ou modelos de Machine Learning, a adoção de representações textuais semânticas mais profundas e a incorporação de uma camada colaborativa, com avaliação online junto a usuários reais, para complementar as métricas de desempenho.

Referências Bibliográficas

ABDOLLAHPOURI, H.; BURKE, R.; MOBASHER, B. Controlling popularity bias in learning-to-rank recommendation. In: Proceedings of the 11th ACM Conference on Recommender Systems (RecSys ’17). 2017. p. 42–46.

ABDURRAFI, M. F.; NINGSIH, D. H. U. Content-based filtering using cosine similarity algorithm for alternative selection on training programs. Journal of Soft Computing Exploration, 2023.

DEBNATH, S.; GANGULY, N.; MITRA, P. Feature weighting in content-based recommendation system using social network analysis. In: Proceedings of the 17th international world wide web conference 2008. New York: ACM, 2008. p. 1041–1042.

DEERWESTER, S. et al. Indexing by latent semantic analysis. Journal of the American Society for Information Science, v. 41, n. 6, p. 391-407, 1990.

HERLOCKER, J. L.; KONSTAN, J. A.; TERVEEN, L. G.; RIEDL, J. T. Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems (TOIS), v. 22, n. 1, p. 5-53, 2004.

KARATZOGLOU, A.; HIDASI, B. Deep learning for recommender systems. In: PROCEEDINGS OF THE 11TH ACM CONFERENCE ON RECOMMENDER SYSTEMS (RecSys ’17), 2017, p. 42-49.

KOREN, Y. Collaborative filtering with temporal dynamics. In: Proceedings of the 15th ACM SIGKDD

KOREN, Y. Collaborative filtering with temporal dynamics. In: Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. [S.I.]: ACM, 2009. p. 447-456.

LOPS, P.; DE GEMMIS, M.; SEMERARO, G. Content-based recommender systems: State of the art and trends. New York: Springer, 2011. p. 73–105.

MANNING, C. D.; RAGHAVAN, P.; SCHÜTZE, H. Introduction to Information Retrieval. Cambridge: Cambridge University Press, 2008.

MU, R.; ZENG, X.; HAN, L. A survey of recommender systems based on deep learning. Nanjing: Hohai University, 2018.

RICCI, F.; ROKACH, L.; SHAPIRA, B. Recommender systems handbook. 2. ed. New York: Springer, 2015.

SARWAR, B.; KARYPIS, G.; KONSTAN, J.; RIEDL, J. Item-based collaborative filtering recommendation algorithms. In: PROCEEDINGS OF THE 10TH INTERNATIONAL WORLD WIDE WEB CONFERENCE (WWW ’01), 2001, p. 285-295.

TEJAS, G. G. TMDB IMDb merged movies dataset. Kaggle, 2021. Disponível em: https://www.kaggle.com/datasets/ggtejas/tmdb-imdb-merged-movies-dataset. Acesso em: 16 jun. 2025.

ZHANG, S.; YAO, L.; SUN, A.; TAY, Y. Deep learning based recommender system: a survey and new perspectives. arXiv preprint, 2019.

ZIEGLER, C. N.; MCNEE, S. M.; KONSTAN, J. A.; LAUSEN, G. Improving recommendation lists through topic diversification. In: Proceedings of the 14th International Conference on World Wide Web (WWW ’05). Chiba, Japan: ACM, 2005. p. 22–32.

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

Most recent

November 11, 2026

Vendas no mercado pet relacionando execução no ponto de venda e gestão de equipe

November 11, 2026

Saúde corporativa e performance: percepções de colaboradores em empresa do mercado financeiro

November 11, 2026

Comunicação integrada como ferramenta de vendas na distribuição de alimentos no canal “food service”

November 11, 2026

Gestão de projetos no terceiro setor: implementação de práticas em organização jornalística

November 11, 2026

Educação Corporativa: Otimização de Processos e Alinhamento Estratégico

November 11, 2026

Modelo preditivo para testes de manufatura de SerDes de alta velocidade

November 11, 2026

Entre a Eficiência e a Frustração: As Limitações dos Chatbots sob a Ótica do Consumidor Brasileiro

November 11, 2026

Planejamento Estratégico Data-Driven em Negócios Digitais: O Papel dos Dados na Tomada de Decisão

November 11, 2026

Confiança do usuário em interações com inteligência artificial generativa no contexto de crédito

O cenário competitivo do varejo pet ressaltou a importância da presença qualificada de produtos e a influência do planejamento, orientação gerencial e preparo da equipe na execução no ponto de venda. Avaliou-se estratégias de planejamento, liderança e treinamento da equipe de vendas de uma empresa de produtos pet em Salvador, Bahia. A pesquisa quantitativa, um estudo de caso, utilizou um questionário estruturado em escala Likert com 47 profissionais de vendas selecionados por amostragem não probabilística por conveniência. Os dados foram analisados por estatística descritiva, cruzamento de dados e correlação de Spearman. Os resultados indicaram avaliações positivas para planejamento, liderança e treinamento, com forte concordância em clareza da rotina comercial, acompanhamento da liderança na correção de falhas e investimento no desenvolvimento da equipe. A execução no ponto de venda também foi percebida favoravelmente, mas com maior oscilação em aspectos como precificação, exposição de produtos e uso de espaços de maior visibilidade. O estudo contribuiu ao ressaltar a importância de fortalecer a padronização da execução em loja, alinhar treinamentos às realidades do campo e aprimorar o acompanhamento da equipe comercial.

Palavras-chave: Acompanhamento gerencial; Capacitação profissional; Exposição de produtos; Precificação.

November 11, 2026

Saúde corporativa e performance: percepções de colaboradores em empresa do mercado financeiro

O estudo investigou de que maneira práticas voltadas ao bem-estar físico e psicológico dos colaboradores se relacionam com a performance, o engajamento e a qualidade das entregas em uma empresa do mercado financeiro de capitais. A pesquisa adotou uma abordagem predominantemente quantitativa e descritiva, com levantamento de campo realizado por meio de questionário digital estruturado, respondido por 50 colaboradores. Os resultados apontaram percepções amplamente favoráveis sobre os efeitos das iniciativas de saúde corporativa adotadas pela organização, incluindo acesso a Wellhub, suporte psicológico via Zenklub e acompanhamento médico ocupacional, com percentuais de concordância que variaram de 84% a 98% ao longo dos dez itens avaliados. Complementarmente, dados institucionais indicaram uma redução expressiva do índice de turnover, de 56,8% em 2024 para 40% em 2025, o que, articulado às percepções registradas no survey, apresentou convergência com a maturação das políticas de bem-estar adotadas. Os achados dialogaram com a literatura sobre engajamento no trabalho, bem-estar subjetivo e qualidade de vida no trabalho, indicando que o investimento em saúde corporativa pode constituir estratégia de relevância para a retenção de talentos, para a sustentabilidade organizacional e para o engajamento desses colaboradores no dia a dia de trabalho.

Palavras-chave: Bem-estar no trabalho; Engajamento; Performance organizacional; Qualidade de vida no trabalho; Saúde corporativa.

November 11, 2026

Comunicação integrada como ferramenta de vendas na distribuição de alimentos no canal “food service”

O presente estudo analisou o papel da comunicação integrada como ferramenta de vendas no setor de distribuição de alimentos voltado ao canal “food service”. O objetivo da pesquisa foi avaliar a eficiência dos canais de comunicação utilizados por uma distribuidora de alimentos e compreender de que forma o marketing digital pode contribuir para a captação e fidelização de clientes nesse segmento. Metodologicamente, adotou-se uma pesquisa aplicada de abordagem mista, estruturada em estudo de caso único. A coleta de dados ocorreu em duas etapas: uma qualitativa, com entrevistas em profundidade com a gestão e equipe comercial, e uma quantitativa, com questionário estruturado aplicado a 107 clientes do setor de “food service”. Os dados foram analisados por meio de análise de conteúdo e estatística descritiva, respectivamente. Os resultados indicaram que o relacionamento comercial no setor ainda dependeu fortemente de canais tradicionais de venda, como representantes comerciais, mas ferramentas digitais ganharam relevância na comunicação com os clientes. O WhatsApp destacou-se como principal canal de interação, utilizado pela grande maioria dos respondentes. Os dados também evidenciaram que fatores como preço competitivo, agilidade na entrega, qualidade dos produtos e relacionamento com representantes foram determinantes para a fidelização dos clientes. Os resultados contribuem para a compreensão do papel da comunicação digital no marketing “B2B” e oferecem subsídios para que empresas do setor desenvolvam estratégias mais eficientes de relacionamento e retenção de clientes.

Palavras-chave: alimentação fora do lar; clientes; comunicação; fidelização; marketing.

November 11, 2026

Gestão de projetos no terceiro setor: implementação de práticas em organização jornalística

O presente estudo investigou a contribuição da implementação de práticas de gestão de projetos para o amadurecimento institucional de uma organização jornalística sem fins lucrativos, sediada em São Paulo e focada na cobertura do terceiro setor e direitos humanos. Objetivou-se examinar como a adoção de processos estruturados fortaleceu a previsibilidade das entregas e a integração entre áreas, em um contexto de rápida expansão organizacional. A pesquisa empregou a metodologia de pesquisa-ação, seguindo o ciclo de planejar, agir, monitorar e avaliar. Implementaram-se quatro intervenções: elaboração de organograma funcional, criação de briefing padronizado para demandas, centralização do portfólio na plataforma Asana e uso do método Kanban para fluxos editoriais. Os dados foram coletados por observação participante e questionário aplicado a 12 dos 15 membros da equipe, com questões em escala Likert e uma pergunta aberta. Os resultados indicaram uma melhora significativa nos indicadores avaliados. A equipe avaliou positivamente a clareza de papéis após o organograma e a organização proporcionada pela plataforma Asana. A comunicação entre núcleos também melhorou, embora tenha sido identificada como uma área para continuidade de desenvolvimento. Concluiu-se que a implementação de práticas estruturadas de gestão é viável em organizações do terceiro setor com equipes reduzidas, contribuindo diretamente para a profissionalização dos processos internos.

Palavras-chave: Kanban; Pesquisa-ação; Portfólio; Profissionalização; Terceiro setor.

November 11, 2026

Educação Corporativa: Otimização de Processos e Alinhamento Estratégico

A educação corporativa representa um pilar estratégico para o fortalecimento da vantagem competitiva e o desenvolvimento de talentos em organizações contemporâneas. O estudo objetivou mapear os processos de uma equipe de educação corporativa, identificando atividades-chave no planejamento, execução e avaliação de programas de capacitação. Realizou-se uma pesquisa descritiva com dados mistos, analisando 22 projetos in company executados entre 2023 e 2024. A metodologia empregou Processamento de Linguagem Natural (PLN) em Python para análise de sentimentos dos alunos, aplicou algoritmos de classificação como Regressão Logística e Naive Bayes, e criou dashboards interativos em Power BI. Os resultados revelaram uma correlação forte (0,87) entre o valor investido e o retorno financeiro. Constatou-se que o tema Data Science apresentou maior rentabilidade e consistência, enquanto a modalidade híbrida exibiu maior variabilidade nos custos operacionais. A análise de sentimentos indicou alta satisfação com o corpo docente, mas apontou demandas por maior contextualização prática e exemplos reais. O modelo de Regressão Logística alcançou acurácia de 97% na classificação dos feedbacks. Concluiu-se que a integração de ferramentas analíticas proporcionou um diagnóstico preciso dos processos e subsidiou a otimização da alocação de recursos e maior assertividade na tomada de decisão estratégica.

Palavras-chave: Gestão de pessoas; Inteligência de Negócios; Processamento de Linguagem Natural; ROI; Tomada de decisão.

November 11, 2026

Modelo preditivo para testes de manufatura de SerDes de alta velocidade

O aumento das taxas de transmissão em sistemas digitais de comunicação impôs a necessidade de interfaces SerDes de alta velocidade. A avaliação da confiabilidade dessas interfaces exige tempos de teste inviáveis ou modelos estatísticos que simplificam fenômenos físicos. Buscou-se desenvolver modelos preditivos baseados em aprendizado de máquina, capazes de classificar conexões SerDes como “aprovadas” ou “reprovadas” a partir de parâmetros elétricos mensuráveis em testes de produção. Para isso, empregou-se um banco de dados real com mais de 23 milhões de amostras, submetido a pré-processamento, filtragem de inconsistências e padronização. Algoritmos de regressão logística, máquina de vetores de suporte, árvores de decisão e redes neurais artificiais foram comparados em termos de precisão, sensibilidade, especificidade, área sob a curva ROC e tempo de inferência, explorando-se seus hiperparâmetros. Os modelos resultantes demonstraram alta sensibilidade na classificação. Para o receptor A, a árvore de decisão alcançou 99,9136% de sensibilidade, enquanto para o receptor B, a regressão logística obteve 99,8990%. Os tempos de inferência foram viáveis para sistemas embarcados. A pesquisa demonstrou a viabilidade de utilizar esses modelos em um ambiente embarcado de detecção de falhas, oferecendo uma solução eficiente para testes de manufatura de SerDes de alta velocidade.

Palavras-chave: aprendizado de máquina; comunicação serial; integridade de sinal; modelo preditivo.

November 11, 2026

Entre a Eficiência e a Frustração: As Limitações dos Chatbots sob a Ótica do Consumidor Brasileiro

A jornada de uso dos chatbots no Brasil foi analisada com o objetivo de investigar os fatores de usabilidade e funcionalidade que impactam a percepção e a interação dos usuários. A pesquisa apresentou natureza exploratória e aplicada, fundamentada em métodos mistos (quantitativo e qualitativo). Foi conduzida por meio de um levantamento de campo (survey), com dados coletados via questionário estruturado, aplicado digitalmente a 120 respondentes. O tratamento dos dados ocorreu no software Microsoft Excel, utilizando estatística descritiva e cruzamento de variáveis. Os resultados indicaram um cenário de subutilização tecnológica, com 40% dos usuários sem clareza ou utilidade nas respostas e a maioria apontando dificuldades severas na compreensão de solicitações comuns. Observou-se que a preferência pelo atendimento humano prevalece em demandas complexas, enquanto o uso do chatbot se restringe a dúvidas elementares. A investigação contribuiu para diagnosticar o hiato entre a expectativa do usuário qualificado e a entrega tecnológica atual, oferecendo subsídios para o aprimoramento do Processamento de Linguagem Natural (PLN) e a redução da exclusão e frustração digital no Brasil.

Palavras-chave: Interação Humano-Computador; Transformação Digital; Usabilidade.

November 11, 2026

Planejamento Estratégico Data-Driven em Negócios Digitais: O Papel dos Dados na Tomada de Decisão

A transformação digital impulsionou a redefinição das estratégias de planejamento e gestão empresarial. Nesse cenário, decisões baseadas em dados tornaram-se essenciais para a competitividade e eficiência organizacional em negócios digitais. A integração de tecnologias como Business Intelligence (BI) e dashboards permite converter dados em insights estratégicos, promovendo agilidade e precisão decisória. O estudo investigou como o uso de dados pode otimizar o planejamento estratégico em empresas digitais, visando uma gestão mais eficiente, ágil e orientada por resultados. Para isso, adotou-se uma abordagem de métodos mistos, analisando dados operacionais e estratégicos de uma empresa do setor de negócios digitais. A pesquisa compreendeu um ciclo de 12 meses, com ênfase na consolidação de práticas data-driven entre outubro de 2025 e janeiro de 2026. Os resultados demonstraram melhorias expressivas em indicadores operacionais, financeiros e de maturidade analítica. Observou-se a redução da variabilidade operacional, o aumento da acurácia de forecasting, a estabilização da taxa de churn, a melhoria na relação LTV/CAC e a elevação do score de data literacy dos gestores. Concluiu-se que a adoção estruturada de práticas data-driven e ferramentas de Business Intelligence gerou impactos mensuráveis e significativos no desempenho operacional, financeiro e estratégico, reconfigurando a lógica competitiva da organização.

Palavras-chave: Business Intelligence (BI); Negócios Digitais; Planejamento Estratégico; Tomada de decisão baseada em dados.

November 11, 2026

Confiança do usuário em interações com inteligência artificial generativa no contexto de crédito

A inteligência artificial generativa consolidou-se como tecnologia estratégica no mercado financeiro, impulsionando a eficiência operacional e a personalização de serviços. No contexto de crédito digital, a intensificação do uso de dados pessoais levanta preocupações com privacidade, segurança e percepção de risco, fatores que afetam diretamente a confiança do usuário. Este estudo objetivou analisar se a capacidade da IA generativa de simular interações humanas influencia a confiança do usuário e a percepção de autenticidade em processos de oferta e negociação de crédito digital. Para isso, realizou-se uma pesquisa exploratória quantitativa por meio de um levantamento de campo. Aplicou-se um questionário estruturado a 30 participantes, que foram expostos a dois cenários hipotéticos de atendimento para contratação de crédito em um aplicativo financeiro: um com IA simulando interação humana e outro com IA explicitamente identificada. As percepções foram avaliadas utilizando escalas Likert. Os resultados indicaram que o cenário com IA que simulava interação humana obteve desempenho superior em indicadores de confiança, segurança e intenção de uso, embora com diferenças moderadas em relação ao cenário automatizado. Variáveis como a compreensão da necessidade e a naturalidade da conversa apresentaram as maiores discrepâncias entre os cenários, evidenciando a influência desses fatores na confiança. Contudo, observou-se que a intenção de contratar via IA diminuiu em contextos de maior risco, como decisões de crédito, e que 73% dos participantes preferiram atendimento humano para assuntos financeiros sensíveis. Concluiu-se que a antropomorfização da IA generativa pode aumentar a confiança e a percepção de autenticidade, mas a eficiência da IA não se traduz necessariamente em eficácia para substituir a interação humana em processos de alta sensibilidade. A pesquisa contribuiu para o avanço teórico e prático sobre a adoção de IA em contextos financeiros, destacando a importância da humanização na experiência do usuário.

Palavras-chave: Confiança; Crédito digital; Experiência do usuário; Inteligência artificial generativa; Percepção de risco.

Health

November 11, 2026

Sem alcançar Hipnos, não se ingressa no reino de Morfeu

Como a vida contemporânea transformou o sono em escassez, tratamento e mercado Na tradição mitológica greco-romana, Hipnos, chamado Somnus pelos romanos, era o deus do sono, responsável por suspender a vigília e conduzir os seres humanos ao adormecimento, enquanto Morfeu, um de seus filhos, era associado aos sonhos. No Livro XI das “Metamorfoses”, Ovídio descreve […]

Innovation

November 05, 2026

A technology park does not end within the boundaries of its land

By bringing together skills and monitoring results, your contribution also reaches organizations that are not physically located in it. A technology park is a meeting place. In it, a company can find the knowledge needed to develop a solution, a researcher can discover an application for their work, and an entrepreneur can meet the missing partner […]

Economy

October 19, 2026

End of the 6×1 scale: what do the numbers allow us to conclude?

Following the promulgation of the end of the 6×1 shift system, the debate on the shorter workday moves to implementation and requires distinguishing social benefits from economic costs. The end of the 6×1 shift system transitioned from legislative discussion to a constitutional change in Brazil. On October 16, 2026, the National Congress promulgated Constitutional Amendment No. 141/2026, originating from Proposal […]

Artificial Intelligence

October 16, 2026

Why study if AI exists?

When answers become easy, learning comes to mean more than just arriving at them. Why do I need to learn this if I can ask an artificial intelligence? This type of question has accompanied education for decades. Why learn an operation if a calculator exists? Why memorize information if it can be found […]

Tax Management

October 15, 2026

Pink tax and the gender of price

How different marketing treatments for men and women are incorporated by consumption taxation Imagine a shelf on which two razors of the same brand and intended for the same purpose are displayed side by side: one has dark packaging and promises strength, precision, and efficiency; the other comes in shades of pink or […]

Health

October 13, 2026

The missing link in health transformation

Why is innovation not enough to drive changes in organizations and health systems Digital transformation has become a strategic priority for health systems worldwide. Electronic health records, artificial intelligence, telemedicine, remote monitoring, and data analysis are now part of the strategic agenda of governments and health organizations. Paradoxically, […]

Marketing

October 09, 2026

Bitcoin or pets: what Artificial Intelligence would not see

A real-life consumer intelligence case shows what gets left out of the brief A few years ago, an American insurance company hired a specialized consumer intelligence firm to answer three questions: The insurer was also considering launching paid insurance in bitcoin. At the time, the consultancy’s workflow was as follows: the analyst created a query […]

School Management

October 06, 2026

The school is not a casino: when trading cards become currency in the playground

Why, for certain students, does school manage to offer so few experiences of achievement? The World Cup is over. Brazil left the competition, the school holidays came, the final was played and the football calendar moved on. It would be reasonable to imagine that, with the end of the tournament and the return to classes, […] would also begin

Energy Transition

September 30, 2026

Renewable energies: the Brazilian advantage

Brazil needs to invest in the capacity to transform natural resources into innovation, productivity, and development. Talking about energy is talking about development. Behind industry, transportation, services, cities, and increasingly artificial intelligence, there is an energy infrastructure that sustains the economy. Understanding a country’s energy matrix is understanding […]

Tax Management

September 01, 2026

Tax reform and estate planning in the countryside

Efficiency in managing taxes facilitates governance and allows for the organization of family succession. Rural wealth organization has become a strategic measure in light of the tax reform in Brazil, which came into effect this year. The planning of activities and rural wealth management, through tools such as the transition from an Individual to […]

Renata de Gaspari Valdejão Almeida

Artificial Intelligence

August 05, 2026

Inside the company and off the radar: the risks of Shadow AI

According to Microsoft, 75% of professionals already use artificial intelligence at work without company approval. The use of generative artificial intelligence is already part of the corporate routine. Tools like ChatGPT, Copilot, and other platforms help professionals produce texts, analyze data, create presentations, and accelerate tasks in practically all sectors. But this advance […]

Renata de Gaspari Valdejão Almeida

Strategy

July 02, 2026

The future as a competence

Academic interest reinforces the projection of scenarios as an essential tool for decision-making. While some companies are still trying to get the next step right, others are already working with multiple possible futures — and preparing for all of them. But after all, what does it mean to “think about the future”? Is it a trend, a strategy, or a new competence that […]

Renata de Gaspari Valdejão Almeida

Innovation

Technology

May 21, 2026

Agro SP Corridor: innovation, institutional articulation and future

Pecege commands the executive operation of the 400 km ecosystem activities that became known as the Brazilian agro Silicon Valley In 2025, in addition to taking over the management of the Piracicaba Technology Park, the Pecege Institute was also designated to command the executive operation of the State Agribusiness Innovation Corridor activities, the so-called […]

Education

April 27, 2026

How to turn a TCC into a business

New management of the Piracicaba Technology Park offers consulting to MBA graduates The new project director of the Piracicaba Technology Park (PTP), Alexandre Barreto, often says that one of the greatest rewards he has ever had in life was seeing his MBA USP/Esalq students structure companies from their final projects […]

Technology

March 20, 2026

The human repertoire in the age of AI

Critical thinking and creativity are irreplaceable in the work of a marketing professional Artificial Intelligence (AI) is capable of incredible feats, but it does not yet possess the judgment, empathy, intuition, and strategic creativity necessary to do the job of a good marketing professional. In this area, it is important to know how to use the tool to automate […]

Renata de Gaspari Valdejão Almeida

Agribusiness

Innovation

February 23, 2026

ESG as a growth strategy in a cooperative in RS

Santa Clara balances social and environmental responsibility with innovation Founded in 1911 by Italian immigrants in Carlos Barbosa, in the Serra Gaúcha region, Cooperativa Santa Clara is an example that it is possible to balance economic growth with social and environmental responsibility. From a small cheese production company, the organization has evolved into a […]

Renata de Gaspari Valdejão Almeida

Agribusiness

Innovation

January 22, 2026

Brazil free of Foot-and-Mouth Disease: what changes for Brazilian beef?

With a herd of over 200 million head of cattle, the country is currently the leader in exports. Brazil recently received, for the first time, the certification of country free of foot -and-mouth disease without vaccination, conferred by the World Organisation for Animal Health (WOAH). The seal strengthens the country’s position as a reliable supplier of meat for the […]

Renata de Gaspari Valdejão Almeida

Innovation

December 09, 2025

Innovation: the new cycle of the Piracicaba Technology Park

Instituto Pecege assumes management, betting on the creation of new businesses Starting in 2026, Instituto Pecege will assume the management of the Piracicaba Technology Park (PTP). Among its responsibilities will be the administration, operation, maintenance, and expansion of the park, in addition to fostering activities in innovation, entrepreneurship, and science and technology. The choice was made […]

Renata de Gaspari Valdejão Almeida

July 06, 2026

Large-Scale Architecture: DSR-SCRUM Change Management

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Abstract generated by ResumeAI, an artificial intelligence solution developed by Instituto Pecege focused on synthesis and writing. Architecture and urbanism are configured as essential bases in an increasingly complex and challenging urban space, where the intrinsic connection between social, environmental, and technological issues […]