Artigo

09 de fevereiro de 2024

Uma comparação entre estratégias de investimento utilizando redes neurais, métodos estatísticos e momentum

DOI: 10.22167/2675-6528-2023116
E&S 2024, 5: e2023116

Helcio Haruo Sasaki; Murilo Henrique Tank Fortunato

A inteligência artificial (IA) nasceu na metade do século XX e provocou duas “ondas” no mercado. A primeira começou em 1950, com Alan Turing[1] como principal expoente, prevalecendo até meados de 1980, em meio aos avanços da ciência da computação. Um dos ícones dessa geração foi o desenvolvimento do jogo de xadrez para computadores. Uma segunda onda surgiu entre as décadas de 1990 e 2000, quando houve uma inversão na regra de programação clássica. Até então era necessário programar explicitamente todas as possibilidades para obter as respostas. Já no “machine learning”, o objetivo passa a ser treinar a máquina para o aprendizado, de forma que ela descubra a regra, conforme ilustrado na Figura 1.

Figura 1. Representação do modelo de “machine learning” antes e depois

Fonte: Elaborado pelos autores.

Atualmente já existem diversas aplicações práticas para produtos que utilizam o “machine learning”, como os assistentes pessoais, as ferramentas de marketing assertivo das redes sociais, os modelos de predição de diagnóstico aprimorados e, mais recentemente, os carros com direção autônoma (com destaque para o da empresa Tesla), o AlphaGo (IA da DeepMind que derrota humanos no jogo Go) e o ChatGPT (IA capaz de criar conteúdo), da OpenAI[2].

Ultimamente o mercado financeiro passou a incorporar essas ferramentas, que têm enorme potencial para a descoberta de novas aplicações, a exemplo da utilização do “machine learning” para estimar o preço do café por meio da rede “convolutional neural network”[3]. O objetivo deste trabalho foi implementar técnicas de “machine learning” para gerar alfa nos investimentos, ou seja, fazer uma gestão ativa obtendo retornos acima do “benchmark”. É importante mencionar que, em termos de acurácia, enquanto a máquina consegue obter níveis elevados de acerto em um modelo de classificação de imagens, no mercado financeiro o nível de predições corretas é mais modesto. Robert Mercer, um dos fundadores da gigante da gestão de investimentos Renaissance Technologies, uma vez disse: “estamos certos em 50,75% do tempo, mas estamos 100% certos em 50,75% das vezes”[4].

Foi estruturada uma carteira cujos recursos foram igualmente distribuídos em quatro possíveis investimentos. A atualização foi mensal e sintetizou um histórico de 20 anos. Não foram considerados custos de corretagem, custos de execução, imposto de renda nem a possibilidade de posição vendida no ativo (aposta no retorno negativo dos ativos), uma vez que não é de fácil implementação para investidores pessoas físicas.

a) Dólar

O preço de referência do real para o dólar foi mensurado pela cota média de três fundos existentes (Santander Fundo Cambial, Itaú Fundo Cambial e Bradesco Fundo Cambial). Utilizar apenas a variação cambial não reflete corretamente a rentabilidade, pois existe uma remuneração sobre o caixa em dólares.

b) Ações do Ibovespa

Índice com as principais empresas negociadas na Bolsa de Valores, como: Petrobras, Vale, Itaú, Bradesco, Santander, Banco do Brasil, B3, WEG e Ambev.

c) Investimento com juros pré-fixados de dois anos

Taxa média interpolada para o prazo de dois anos, com base nos vértices de depósitos interfinanceiros negociados diariamente na Bolsa de Valores (B3). A escolha de um prazo genérico evitou a necessidade de se considerar o efeito de decaimento do prazo do papel. Nesta análise foi considerado o retorno de investimento com base no valor financeiro (PU):

em que: PUi é o valor presente dos 100 mil investidos; i representa a data de referência; dui representa os dias úteis entre i e o prazo genérico de vencimento; e taxai representa a taxa pré-fixada negociada no dia i.

d) Investimento com juros pré-fixados de cinco anos

Taxa média interpolada para o prazo de cinco anos, com base nos vértices de depósitos interfinanceiros negociados diariamente na Bolsa de Valores. Também foi considerado o retorno com base no valor financeiro (PU).

Linguagens de programação — como R, Java Script e, principalmente, Python — possuem diversos pacotes de redes neurais, como Keras e TensorFlow. Segundo Chollet[5], essas ferramentas têm a vantagem de serem como blocos de montar, onde é possível encaixar camadas de funções de “deep learning” e utilizar o “pipeline” para ordenar o fluxo de informações dentro da estrutura. Porém, para ganhar sensibilidade do racional e dos resultados, foi criada uma rede neural do zero, detalhada na Figura 2[6]:

Figura 2. Diagrama da rede neural proposta

Fonte: Elaborado pelos autores.

Neste exemplo existe cinco dados de entrada, uma camada escondida (ou camada intermediária) e uma camada de saída (ou camada de “output”) que contém o resultado estimado. A referência sobrescrita em colchetes ([j]) representa a camada de cada neurônio; neste caso, varia apenas entre 1 (camada “hidden layer”) e 2 (camada “output layer”). A referência subscrita “i” representa o neurônio contido em uma determinada camada. Nesse caso a camada escondida conta com quatro neurônios, e a camada de saída contém apenas um neurônio.

O neurônio Zi[j] pode ser genericamente descrito como o resultado do “input” ponderado pelo peso w –(“weight”) somado ao viés b[j] (“bias”):

Em cada uma das camadas, há uma função de ativação cujo objetivo é “ligar” ou “desligar” o neurônio. Essa etapa é importante para reduzir o risco de não convergência do erro, como descrito em Murray, Abrol e Tanner[7] e Ovalle[8], o que tornaria o modelo incapaz de encontrar uma solução.

Na camada escondida ai[1] foi utilizada a função de ativação tangente hiperbólica tanh, utilizando w[1] para ponderar os dados de entrada somado o viés b[1]. Dessa forma o neurônio da camada intermediária tenta estimar o retorno do ativo entre alta (+1) ou queda (-1):

Na camada de saída ai[2] foi utilizada a função de ativação sigmoide σ. Desse modo, a camada de saída pondera o resultado da camada anterior ai[1] pelo peso w[2] e adiciona o viés b[2],  definindo assim se era interessante (+1) ou não (0) investir no ativo:

Para o cálculo do erro, foi utilizada a equação “binary cross entropy”[9]:

em que: erro total representa a somatória da diferença entre o valor estimado e o valor realizado; m representa o tamanho da amostra; ai[2] representa o valor estimado resultado do “output layer”; e Yi  representa a variável observada.

Inicialmente, na camada de entrada, os valores de w[1] e b[1] são valores aleatórios. O resultado da multiplicação dos “inputs” pelo peso w[1] é somado ao viés b[1], e o resultado final passa por uma função de ativação logística. A informação flui para a camada intermediária, em que o resultado anterior é multiplicado pelo novo peso w[2] e é somado ao viés b[2], os quais inicialmente também são valores aleatórios. Esse fluxo de informação é chamado de “forward propagation”.

A beleza da rede neural é que, com base na diferença entre o valor estimado e o valor realizado, é feita uma nova estimativa, com ajuste marginal dos parâmetros w[j] e b[j] para minimizar o desvio na próxima iteração. Isso se assemelha ao processo de aprendizado através de tentativa e erro, que nas redes neurais se chama “backward propagation”[10].

Figura 3. Fluxo da informação dentro de uma rede neural

Fonte: Elaborado pelos autores.

Os parâmetros de correção descritos no “backward propagation” da Figura 3 foram obtidos através do método de otimização gradiente descendente, em que a correção do peso é definida por:

em que: A[2] representa o valor esperado na camada de saída em matriz; Y representa os resultados realizados em forma matricial; e A[2]t representa o resultado da camada intermediária em matriz transposta.

               Na sequência foi calculada a derivada parcial da sensibilidade do erro em relação ao viés da camada de “output”, b[2], representada de forma matricial pela média do desvio:

Até aqui foram calculadas as correções para o peso e para o viés da camada de saída. O próximo passo foi calcular o ajuste do peso e do viés para a camada escondida. A sensibilidade do erro em relação ao peso na camada intermediária, w[1], foi calculada da seguinte forma:

em que: W[2]t representa os pesos da camada final em matriz transposta; e Xt representa os dados de “input” em matriz transposta.

Na sequência foi calculada a derivada parcial do erro em relação ao viés na camada intermediária, b[1]:

em que: W[2]t representa os pesos da camada final em matriz transposta.

As fórmulas matriciais (10) e (11) da camada de saída e as equações (12) e (13) da camada intermediária foram codificadas em Python.

Todas as estratégias utilizaram 20 anos de histórico mensal, no período de janeiro de 2002 até dezembro de 2022.

a) Estratégia “long-only” (estratégia passiva)

Os recursos foram divididos igualmente entre quatro ativos: bolsa, dólar, juros de dois anos e juros de cinco anos, sem qualquer alteração durante o período de análise.

b) Momentum

Momentum representa a tendência de a alta dos preços se perpetuar nos próximos períodos, da mesma forma que a queda em geral é precedida por novas correções. Nesse sentido, os ganhadores do Nobel de economia de 2008, Fama e French[12], afirmaram que momentum é um “premier market anomaly”, ou seja, uma estratégia que gera retornos acima da média. Trabalhos posteriores confirmaram essa anomalia, inclusive nos mercados de países emergentes[11].

Antonacci[13] foi além e propôs uma estratégia simples, mas eficaz, sobre o momentum dos ativos: se o retorno de um ativo for superior à taxa livre de risco, aplica-se nesse ativo para o próximo período. Caso o retorno seja inferior, aplica-se no ativo livre de risco.

c) Momentum de 21 períodos

Foi aplicada a mesma lógica da estratégia descrita no item anterior, mas utilizou-se uma média móvel dos retornos dos últimos 21 meses, prazo escolhido por ser comum em análises técnicas.

d) Regressão linear [“ordinary least squares (OLS)”]

Nessa estratégia foram calculados os coeficientes da regressão linear defasada em um período, conforme exemplo para o retorno do dólar:

em que: USDM representa o retorno do dólar no período M; USDM-1: é o retorno do dólar no período M-1; IBOVM-1 é o retorno do Ibovespa no período M-1; PRE2YM-1 representa o retorno da aplicação em juros pré-fixados de dois anos no período M-1; PRE5YM-1 é o retorno da aplicação em juros pré-fixados de cinco anos no período M-1; CDIM-1 é o retorno do Certificado de Depósito Interbancário (CDI) no período M-1; e βs representam os coeficientes da regressão.

Como detalhado adiante, o modelo de redes neurais utiliza 80% dos dados para treino. Para manter igualdade em relação ao tamanho da amostra, foi utilizado o mesmo corte de dados para estimar os coeficientes da regressão linear. Dessa forma, para um determinado mês “M”, 80% das observações anteriores (17 meses) foram utilizadas para estimar os coeficientes da regressão; os demais 20% das observações (quatro meses), como amostra para teste.

Se a estimativa do retorno do próximo período fosse positiva, os recursos seriam aplicados nesse ativo para o mês seguinte. Caso contrário, os recursos seriam aplicados no ativo livre de risco CDI.

e) Regressão logística

Da mesma forma que aconteceu com a regressão linear, foram estimados os coeficientes da regressão logística com base em uma janela móvel de 21 períodos: 80% das observações da amostra foram utilizadas para determinar os coeficientes da regressão, e os demais 20% como teste. Para definir se o retorno seguinte seria de alta (1) ou de baixa (0), foi utilizado o corte de 0,50 como limite.

f) Rede neural

Foi implementada, conforme detalhado na Figura 2, uma camada escondida de quatro neurônios com ativação de tangente hiperbólica e um neurônio na camada de “output” com ativação logística.

A janela móvel continha o retorno dos últimos 21 meses; 80% das observações anteriores (17 meses) foram utilizadas para estimar os parâmetros de “weight” e “bias”, e os 20% restantes para o teste. A taxa de aprendizado foi de 0,50, com 1.000 iterações (“epochs”).

Caso o retorno esperado fosse positivo, o modelo aplicaria os recursos nesse ativo para o próximo mês. Caso o retorno esperado fosse negativo, o modelo aplicaria os recursos no CDI.

A Figura 4 demonstra o resultado acumulado de 20 anos das seis estratégias de investimento e o “benchmark”, que é o CDI acumulado no período. Na Tabela 1 constam os resultados detalhados por ano e estratégia.

Figura 4. Resultado mensal acumulado das 6 estratégias e o CDI acumulado

Fonte: Elaborado pelos autores.

Tabela 1. Resultado anual das diferentes estratégias

Fonte: Elaborado pelos autores.

Com o objetivo de escolher a melhor estratégia, foram avaliados oito critérios: retorno total absoluto; “sharpe ratio” (retorno ajustado à volatilidade); “máximo drawdown” (perda máxima mensal); volatilidade (desvio padrão); número de anos negativos; número de meses negativos; “sortino ratio” (retorno ajustado à volatilidade de perdas); e número de anos acima do CDI.

Tabela 2. Medidas de avaliação das diferentes estratégias

Fonte: Elaborado pelos autores.

Para cada critério foram atribuídas notas de 1 a 6, sendo 6 a melhor e 1 a pior. Para os indicadores “sharpe ratio” e “máximo drawdown”, houve ponderação de peso duplo, devido à sua importância para a avaliação de investimento.

Tabela 3. Ranqueamento da melhor estratégia (quanto maior a pontuação, melhor)

Fonte: Elaborado pelos autores.

Apesar da estratégia de redes neurais ter a melhor performance, com retorno de 1.511% em 20 anos, o modelo que teve a melhor pontuação foi o momentum com 21 períodos, com performance superior em itens como “sharpe ratio”, “máximo drawdown”, “sortino ratio” e volatilidade.

               Na construção da estratégia de rede neural, notou-se variabilidade nos resultados a depender dos “inputs” utilizados, como taxa de aprendizado, quantidade de neurônios e número de simulações. Possivelmente pela falta de convergência do modelo ou “over-fitting” dos dados[14]. A Tabela 5 contém a sensibilidade do resultado.

Tabela 5. Medidas de risco das diferentes estratégias de redes neurais

Fonte: Elaborado pelos autores.

O segundo ponto negativo das redes neurais foi a falta de sensibilidade de como as variáveis de entrada afetam o resultado. No caso de uma regressão, a sensibilidade de como as variáveis explicativas afetam o resultado pode ser observada pelos coeficientes da regressão, e, no caso da estratégia de momentum, a sensibilidade pode ser visualizada pela simples média dos últimos retornos.

De qualquer forma, todas as modelagens podem incorrer em erros causados pela falta de liquidez do ativo, surpresas na divulgação de indicadores, por exemplo, e inclusive pelo uso mais intenso de algoritmos que operam no mercado financeiro, pois o “algo trading” (“robôs”) pode aumentar o nível de ruído nos preços: se um ativo sobe indevidamente pela baixa liquidez, por exemplo, o computador pode notar a alta do preço e enviar ordem de compra, o que pode deslocar ainda mais o preço do ativo.

Porém, talvez o principal fator de distorção dos preços seja o viés comportamental dos investidores, que tende a apresentar oscilações entre os extremos de ganância e medo[15], o que favoreceu a estratégia de momentum. A estratégia de investimento de rede neural com apenas uma camada intermediária e uma camada de saída, por sua vez, apresentou resultado bastante interessante e superou a rentabilidade absoluta das demais estratégias. No entanto, ao considerar outras métricas de desempenho, como retorno ajustado ao risco e volatilidade, a estratégia momentum com 21 períodos foi a alocação vencedora no período observado de 20 anos. Essa simples estratégia também possuiu duas vantagens em relação à rede neural:

I. simplicidade do modelo de decisão, pois a escolha foi do ativo com rentabilidade superior à do CDI na média dos últimos 21 meses, diante da caixa preta dos resultados de “machine learning”, que, por não poderem ser reconstituídos, demandam confiança no “output” do modelo;

II. facilidade na interpretação e previsibilidade do critério de decisão (um ativo que estiver subindo deve manter sua tendência), frente à falta de sensibilidade de como cada variável influencia a decisão do modelo de redes neurais.

É importante adicionar que os resultados das redes neurais apresentaram certa instabilidade nas simulações a depender dos parâmetros utilizados, o que gera insegurança com relação à estabilidade do modelo.

Por fim, como esse campo do conhecimento é recente, é importante olhar atentamente para os aperfeiçoamentos nos modelos de rede neural. Ao mesmo tempo, também é necessário humildade para reconhecer que pode haver limitações dos modelos de “machine learning”, em particular no mercado financeiro, uma vez que o comportamento dos investidores às vezes pode parecer mais errático do que racional, alternando entre momentos de euforia e de pânico.

Referências

[1] Turing A. Computing Machinery and Intelligence. MIND A Quartely review of Psycholology and Philosophy. 1950; 59(236): 433-460. Disponível em: https://psycnet.apa.org/doi/10.1093/mind/LIX.236.433. Acesso em: 29 set. 2023.

[2] Harari Y. ‘Sapiens’ author says AI is an alien threat that could wipe us out: ‘Instead of coming from outer space, it’s coming from California. Fortune. 2023. Disponível em: https://fortune.com/2023/09/12/sapiens-author-yuval-noah-harari-ai-alien-threat-wipe-out-humanity-elon-musk-steve-wozniak-risk-cogx-festival/. Acesso em: 29 set. 2023.

[3] Santos J.A.A. Previsão do preço do café arábica: uma aplicação de redes neurais CNN-BLSTM. Research, Society and Development. 2022; 11(3): 1-11. DOI: https://doi.org/10.33448/rsd-v11i3.26101.

[4] Zuckerman G. O Homem que decifrou o Mercado. Rio de Janeiro (RJ): Alta Books; 2020.

[5] Chollet, F. Deep Learning with Python. Shelter Island (NY): Manning; 2018. 384 p.

[6] Verma A. Shallow Neural Net from Scratch Using R. RPubs. 2020. Disponível em: https://rpubs.com/theairbend3r/bin-classification-small-nnet-scratch-r. Acesso em: 29 set. 2023.

[7] Murray M.; Abrol V.; Tanner J. Activation Function Design For Deep Networks: Linearity And Effective Initialisation. Applied and Computational Harmonic Analysis. 2021; 59: 117-154. Disponível em: https://arxiv.org/pdf/2105.07741.pdf. Acesso em: 29 set. 2023.

[8] Ovalle D. The purpose of activation functions in the neural network. Medium. 2020. Disponível em: https://medium.com/@1087/the-purpose-of-activation-functions-in-the-neural-network-be08f81b7c32. Acesso em: 29 set. 2023.

[9] Yathish V. Loss Functions and Their Use In Neural Networks. Medium. 2022. Disponível em: https://towardsdatascience.com/loss-functions-and-their-use-in-neural-networks-a470e703f1e9. Acesso em: 29 set. 2023.

[10] Patel J. Derivation of Backpropagation in Neural Network. Youtube. 2021. Disponível em: https://www.youtube.com/watch?v=URJ9pP1aURo&t=190s. Acesso em: 29 set. 2023.

[11] Blitz D.; Hanauer M.; Vidojevic M. The idiosyncratic momentum anomaly. International Review of Economics & Finance. 2020; 69: 932-957. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S1059056020300927. Acesso em: 29 set. 2023.

[12] Fama, E.F.; French, K.R. Dissecting Anomalies. The Journal of Finance, 2008. Disponível em: https://doi.org/10.1111/j.1540-6261.2008.01371. Acesso em 29 set. 2023.

[13] Antonacci G. Dual Momentum Investing. Nova York (NY): Mc Graw Hill Education; 2015. 256 p.

[14] Dixon M.; Klabjan D.; Bang J.H. Classification-based financial markets prediction using deep neural networks. Journal Algorithmic Finance. 2017; 6(3-4): 67-77. Disponível em: https://content.iospress.com/articles/algorithmic-finance/af176. Acesso em: 29 set. 2023.

[15] Kindleberger C.P.; Aliber, R.Z. Manias, Panics, and Crashes: A History of Financial Crises. Palgrave MacMillan 7th Edition. 2015.

Como citar

Sasaki H.H.; Fortunato M.H.T. Uma comparação entre estratégias de investimento utilizando redes neurais, métodos estatísticos e momentum. Revista E&S. 2024; 5: e2023116.

Sobre os autores

Helcio Haruo Sasaki, Banco Santander, Avenida Juscelino Kubitschek, 2235 – Vila Olímpia – CEP 04543-011 – São Paulo/SP, Brasil.

Murilo Henrique Tank Fortunato, Instituto de Pesquisa e Educação Continuada em Economia e Gestão de Empresas – Pecege – Rua Cezira Giovanoni Moretti, 580 – Santa Rosa – CEP 13414-157 – Piracicaba/SP, Brasil.

Link para download: PDF

Você também pode gostar

17 de novembro de 2026

Deteção e Diagnóstico de Doenças em Milho e Arroz em Moçambique com Deep Learning

A agricultura moçambicana depende do milho e arroz, culturas fundamentais para a segurança alimentar, mas sua produtividade é fortemente afetada por doenças fitossanitárias, cuja identificação precoce e precisa permanece um desafio em contextos de recursos limitados. O estudo objetivou desenvolver e comparar modelos baseados em Deep Learning para a detecção e o diagnóstico automático de doenças em folhas de milho e arroz em Moçambique. Utilizaram-se três abordagens: uma Rede Neural Convolucional (CNN) clássica desenvolvida do zero, e dois modelos de transfer learning, ResNet50 e MobileNetV2. O conjunto de dados foi composto por imagens de bases públicas e coletadas em campo, que passaram por etapas de limpeza, balanceamento e aumento artificial. Os modelos foram treinados e avaliados com métricas de desempenho padrão, incluindo acurácia, precisão, recall, F1-score, Log Loss e Kappa de Cohen. A CNN clássica apresentou o melhor desempenho global, com 94% de precisão, recall e F1-score, e 93% de acurácia e Kappa de Cohen. A MobileNetV2 alcançou 91% de F1-score e 90% de acurácia, destacando-se pelo menor Log Loss (0,30) e tempo de treinamento (6h32min59s). A ResNet50 atingiu 80% de F1-score e 79% de acurácia. Concluiu-se que técnicas de Deep Learning possuem elevado potencial para apoiar o diagnóstico fitopatológico em contextos agrícolas reais, contribuindo para decisões mais rápidas e precisas no manejo de doenças em milho e arroz.

Palavras-chave: Aprendizagem profunda; Arroz; Doenças em plantas; Milho; Visão computacional.

17 de novembro de 2026

Estruturação do processo de encerramento de projetos de uma indústria da construção civil

Um estudo abordou o grupo de processo de encerramento de projetos em uma indústria de manufatura da construção civil, utilizando o guia PMBOK como referência principal. O processo existente na indústria apresentava superficialidade e fragilidades, especialmente no registro de lições aprendidas. Diante desse cenário, o objetivo foi desenvolver um procedimento para o encerramento de projetos da organização, visando agregar valor por meio da padronização do processo, registro do conhecimento adquirido, formalização da conclusão e entrega dos projetos, e aprimoramento da comunicação, engajamento, integração e transparência com os stakeholders. A pesquisa classificou-se como descritiva, empregou dados qualitativos e adotou a pesquisa-ação como delineamento. O escopo do estudo estruturou-se conforme os cinco grupos de processos do guia PMBOK e foi representado por uma Estrutura Analítica de Projeto (EAP). Os principais resultados obtidos incluíram o procedimento desenvolvido e diversos templates de documentos, que constituíram os entregáveis do novo processo de encerramento de projetos. Verificou-se que o trabalho alcançou o objetivo esperado, pois o procedimento desenvolvido viabilizou a padronização do encerramento de projetos, o aprimoramento da integração e engajamento com os stakeholders, e a promoção de segurança e transparência no processo.

Palavras-chave: Gestão do conhecimento; Lições aprendidas; PMBOK; Templates; Termo de aceite de projeto.

17 de novembro de 2026

Machine Learning e priorização de funcionalidades em produtos digitais: um estudo de caso em uma fintech

Uma análise investigou o potencial da utilização de técnicas de machine learning aplicadas à análise do comportamento dos usuários na priorização de funcionalidades em produtos digitais. O objetivo foi compreender os processos de priorização utilizados na prática, o papel dos dados comportamentais na tomada de decisão e as percepções sobre a aplicação de técnicas de machine learning nesse contexto. Adotou-se uma abordagem qualitativa e exploratória, estruturada como um estudo de caso em produtos desenvolvidos sob o modelo Software as a Service (SaaS). A coleta de dados realizou-se por meio de entrevistas semiestruturadas com profissionais das áreas de produto e de dados. A análise dos dados seguiu a técnica de análise de conteúdo. Os resultados indicaram que, embora os dados comportamentais já fossem utilizados como apoio à decisão, os processos de priorização ainda apresentavam baixa formalização e enfrentavam limitações técnicas e organizacionais. Observou-se, também, o reconhecimento do potencial do machine learning como suporte estratégico à priorização de funcionalidades, embora sua aplicação prática fosse incipiente. Como principal contribuição, o estudo propôs um modelo conceitual que integra dados comportamentais, processos de priorização e o uso de machine learning como suporte à decisão.

Palavras-chave: Análise de dados; Comportamento do usuário; Dados comportamentais; Software as a Service (SaaS); Tomada de decisão.

17 de novembro de 2026

Inteligência artificial nas rotinas operacionais contábeis e na eficiência financeira

A incorporação de Inteligência Artificial (IA) e de ferramentas de automação reconfigurou as rotinas de escritórios contábeis brasileiros, impactando produtividade, mitigação de erros e eficiência financeira. Analisou-se esses impactos em um escritório contábil de pequeno porte, especializado no atendimento a prestadores de serviços da área médica em São Caetano do Sul, São Paulo. A pesquisa adotou abordagem qualitativa, com delineamento de estudo de caso único e unidades de análise incorporadas. Os dados foram coletados por questionário estruturado, aplicado via Google Forms entre janeiro e fevereiro de 2026, a cinco profissionais da estrutura operacional do escritório em levantamento censitário. O tratamento seguiu análise de conteúdo com categorias a priori e emergentes. Todos os respondentes declararam uso de ferramentas automatizadas ou com recursos de IA. A percepção de redução do tempo de execução, de diminuição de erros operacionais, de retrabalho e de melhor aproveitamento do tempo da equipe convergiu em 80% das respostas afirmativas e 20% parciais. As atividades mais beneficiadas foram conciliação bancária, importação de documentos fiscais e apuração tributária, com ganhos visíveis sobre erros de digitação, lançamentos duplicados e classificação incorreta. A intervenção humana permaneceu indispensável em planejamento tributário, análise de cenários e conferência de obrigações acessórias. A avaliação geral da contribuição da IA foi predominantemente favorável, com moderação vinculada à complexidade normativa fiscal.

Palavras-chave: Análise de conteúdo; Automação de processos; Contabilidade 4.0; Pequeno porte; Transformação digital.

17 de novembro de 2026

Fatores que influenciam a gestão de prazos em projetos de “retrofit” de estações de esgoto

Projetos de “retrofit” em Estações de Tratamento de Esgoto (ETE) caracterizam-se por elevada complexidade, restrições operacionais e múltiplas interfaces técnicas. O estudo analisou a percepção dos profissionais envolvidos sobre a gestão e o cumprimento dos prazos em projetos de “retrofit” de estações de tratamento de esgoto, considerando fatores técnicos, operacionais e organizacionais. A pesquisa caracterizou-se como um estudo aplicado, com abordagem quali-quantitativa, delineado como levantamento de campo do tipo “survey”. A análise dos dados realizou-se por estatística descritiva e categorização qualitativa, utilizando as ferramentas SWOT, matriz de risco (Probabilidade x Impacto) e plano de ação 5W2H. Os resultados indicaram alta percepção de clareza (77,8%) e realismo dos prazos (100% de concordância), evidenciando um planejamento inicial consistente. Contudo, 77,7% dos respondentes apontaram que retrabalhos e alterações de escopo impactaram diretamente o cumprimento dos prazos. A integração entre engenharia, fabricação e Planejamento e Controle da Produção (PCP) apresentou avaliação intermediária (77,7% de concordância parcial/total), indicando fragilidade na coordenação interfuncional. A matriz de risco destacou como críticos: mudanças de escopo, limitações operacionais da ETE e complexidade técnica, todos com nível alto. Como melhoria central, propôs-se a padronização do controle de mudanças de escopo, análise e aprovação, visando reduzir retrabalhos e aumentar a previsibilidade do cronograma.

Palavras-chave: Desempenho; Integração; Planejamento; Retrabalho; Risco.

17 de novembro de 2026

Captação B2C em medicina diagnóstica: parcerias estratégicas com consultórios médicos especializados

O setor de medicina diagnóstica no Brasil opera com elevada dependência das operadoras de planos de saúde, o que limita a autonomia financeira dos prestadores. Este estudo propôs e analisou um modelo de captação direta de pacientes (B2C) para uma instituição de medicina diagnóstica de alta complexidade, estruturado a partir de parcerias com consultórios de Oncologia e Cardiologia e operacionalizado por um serviço de atendimento personalizado denominado concierge. A investigação adotou abordagem mista em três fases: levantamento de campo com questionário estruturado aplicado a 87 pacientes, mapeamento do fluxo operacional por “Service Blueprint” e análise da taxa de conversão a partir de 312 indicações médicas registradas no projeto-piloto. Os resultados indicaram que a confiança na indicação médica obteve 92,0% de concordância, configurando-se como principal fator de adesão. A conveniência de realizar o exame no mesmo dia alcançou 78,2%, e a disposição para pagamento direto atingiu 55,2%, com polarização associada à predominância de usuários de plano de saúde. O “Service Blueprint” identificou três pontos críticos nas transições entre etapas da jornada. A taxa de conversão global foi de 51,0%, com desempenho superior na Oncologia (58,2%) em relação à Cardiologia (45,0%), e a maior perda concentrou-se na etapa de aceite e agendamento (28,3%). Concluiu-se que o modelo demonstrou possível viabilidade operacional e indícios de aceitação pelos pacientes, condicionado à transparência de preços e à redução do intervalo entre consulta e abordagem pelo concierge.

Palavras-chave: Desembolso direto; Jornada do paciente; Saúde suplementar; Serviço concierge; Taxa de conversão.

17 de novembro de 2026

O papel do gestor escolar na promoção de uma cultura inclusiva: liderança e políticas educacionais

A pesquisa analisou a atuação do gestor escolar na promoção de uma cultura inclusiva, considerando a necessidade de transformar diretrizes legais e fundamentos pedagógicos em práticas institucionais efetivas. Partiu-se do pressuposto de que a inclusão escolar exige planejamento, organização e liderança estratégica no cotidiano da escola. Adotou-se uma abordagem qualitativa de natureza aplicada, desenvolvida em três etapas complementares: análise documental das legislações brasileiras sobre educação inclusiva, revisão bibliográfica sobre liderança e gestão escolar, e sistematização dos dados por meio de ferramentas gerenciais como a matriz SWOT e o ciclo PDCA. Os resultados indicaram que a atuação da gestão escolar exerceu influência direta na consolidação de ambientes inclusivos, especialmente na organização de processos, formação continuada da equipe e fortalecimento de uma cultura institucional colaborativa e respeitosa à diversidade. Identificaram-se também desafios estruturais, pedagógicos e relacionais que demandaram intervenções planejadas. Ao final, elaborou-se um Guia Prático para Gestores Escolares, com diretrizes, protocolos e orientações operacionais para a tomada de decisão e organização dos processos inclusivos. Concluiu-se que a construção de uma cultura inclusiva dependeu da capacidade gestora de articular políticas públicas, práticas pedagógicas e processos institucionais, consolidando a inclusão como compromisso permanente no contexto escolar.

Palavras-chave: Acessibilidade educacional; Equidade educacional; Gestão participativa; Planejamento estratégico; Processos institucionais.

17 de novembro de 2026

Um artefato de IA baseado em Design Thinking para apoiar a elicitação de requisitos de software a partir das necessidades dos usuários

O desenvolvimento de software orientado às necessidades dos usuários frequentemente enfrenta desafios na elicitação de requisitos, decorrentes de ambiguidades na linguagem natural e falhas de comunicação. Diante disso, propôs-se e validou-se um artefato inteligente que integra Design Thinking e Inteligência Artificial, com foco nas etapas de Empatia e Definição, para apoiar a coleta, interpretação e estruturação das necessidades dos usuários. A pesquisa, de natureza aplicada, qualitativa e exploratória, conduziu uma Prova de Conceito em ambiente controlado, empregando cenários hipotéticos. O artefato operou por meio de entrevistas guiadas em linguagem natural, organizando informações em elementos como dor, contexto e impacto, e gerando sínteses de problemas rastreáveis. Os resultados indicaram que o sistema organizou relatos não estruturados, reduziu ambiguidades e preservou o sentido das informações originais na maioria dos casos. Observou-se também a capacidade de reorganização lógica em cenários complexos, embora com limitações na separação de múltiplos problemas e dependência das instruções. Concluiu-se que o artefato possui potencial como apoio à elicitação de requisitos, melhorando a clareza e a estruturação das informações, mas requer supervisão e controle contextual.

Palavras-chave: Design Thinking; Elicitação de Requisitos; Engenharia de Requisitos; Inteligência Artificial; Processamento de Linguagem Natural.

17 de novembro de 2026

A Extinção da Sistemática Monofásica na Indústria Farmacêutica à Luz da Reforma Tributária

A Reforma Tributária do consumo, estabelecida pela Emenda Constitucional nº 132/2023, introduziu alterações estruturais no sistema tributário brasileiro, com a substituição do Programa de Integração Social (PIS) e da Contribuição para o Financiamento da Seguridade Social (COFINS) pela Contribuição sobre Bens e Serviços (CBS), em um modelo de Imposto sobre Valor Agregado (IVA dual). O objetivo foi analisar os impactos da extinção da sistemática monofásica na indústria farmacêutica, à luz do novo desenho normativo e de seus efeitos econômicos e jurídicos. Realizou-se pesquisa qualitativa, de natureza exploratória, por meio de estudo de caso e análise documental da legislação e da doutrina especializada. Examinou-se se o fim da monofasia implicaria aumento relevante da carga tributária para o setor. Os resultados indicaram que, embora a superação formal da sistemática monofásica tenha ocorrido, a desoneração material dos medicamentos foi preservada, sobretudo em razão da aplicação de alíquotas reduzidas de 60% e, em determinados casos, de alíquota zero do Imposto Sobre Bens e Serviços (IBS) e da CBS. A mudança de modelo pode provocar variações pontuais na arrecadação, sem caracterizar aumento estrutural da carga tributária, tendendo à neutralidade ao longo do tempo. Concluiu-se, preliminarmente, que a Reforma Tributária reorganizou a técnica de tributação na indústria farmacêutica, substituindo um regime concentrado por mecanismos mais transparentes de desoneração. Essa abordagem mostrou-se compatível com os princípios da neutralidade, da não cumulatividade plena e da extrafiscalidade, mantendo a proteção tributária aos medicamentos essenciais e alinhando a política fiscal ao direito fundamental à saúde.

Palavras-chave: CBS; COFINS; IBS; IVA Dual; PIS.

Inscreva-se em nossa newsletter!

Receba conteúdos e fique sempre atualizado sobre as novidades em gestão, liderança e carreira com a Revista E&S.

Ao preencher o formulário você está ciente de que podemos enviar comunicações e conteúdos da Revista E&S. Confira nossa Política de Privacidade