Resumo Executivo

16 de janeiro de 2026

Análise comparativa de técnicas de Machine Learning para previsão de inadimplência

Autor(a): Luciane Berger da Silva — Orientador(a): Daniel Alvarez Firmino

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Este estudo analisa e compara o desempenho de algoritmos de machine learning na previsão de inadimplência em crédito. A pesquisa compara modelos lineares (regressão logística) e baseados em árvores (árvore de decisão, random forest), investigando o efeito de estratégias de pré-processamento, como imputação de valores ausentes e balanceamento de classes. O objetivo é identificar os modelos mais adequados, considerando métricas de desempenho e aplicabilidade prática para instituições financeiras, especialmente em cenários de dados desbalanceados, característicos de risco de crédito.

A concessão de crédito é fundamental para a economia, mas envolve o risco de inadimplência, o não cumprimento de obrigações contratuais pelo tomador (Baesens et al., 2016). A gestão eficaz desse risco é crucial para a sustentabilidade das instituições financeiras. Ferramentas de análise preditiva são indispensáveis para identificar padrões de risco com base em dados históricos, permitindo medidas preventivas como ajuste de limites ou recusa de operações de alto risco (Lessmann et al., 2015; Pinto et al., 2024).

A literatura sobre risco de crédito transita de modelos estatísticos tradicionais para algoritmos de machine learning. Métodos baseados em árvores, como random forest, demonstram melhor desempenho ao capturar interações não lineares (Aniceto et al., 2020). Contudo, a regressão logística mantém sua proeminência no setor financeiro devido à sua interpretabilidade e aceitação regulatória (Bücker et al., 2020). O desafio é conciliar o poder preditivo de modelos avançados com a necessidade de transparência, motivando pesquisas em abordagens híbridas (Dumitrescu et al., 2022).

Apesar dos avanços, persistem lacunas na aplicação dessas técnicas. Muitos estudos não exploram o impacto do tratamento de dados desbalanceados, uma característica comum em bases de inadimplência, onde a classe adimplente é majoritária. O desbalanceamento pode induzir os algoritmos a um viés em favor da classe majoritária, resultando em modelos com alta acurácia geral, mas baixa capacidade de identificar os casos de inadimplência. Este trabalho contribui para a literatura ao oferecer uma análise comparativa sistemática que avalia diferentes algoritmos e investiga como estratégias de pré-processamento, especialmente as de balanceamento de classes, influenciam a performance preditiva. Ao analisar os resultados sob múltiplas métricas, o estudo visa fornecer insights práticos para instituições financeiras sobre como selecionar e configurar modelos que se alinhem aos seus objetivos, seja maximizando o desempenho ou minimizando perdas por falsos negativos.

A metodologia é uma pesquisa quantitativa aplicada, que utiliza técnicas de machine learning supervisionado para comparar abordagens preditivas na identificação de clientes com risco de inadimplência. Utilizou-se a base de dados pública “Give me Some Credit” (Freshcorn, 2011), com 150.000 registros anonimizados e variáveis comportamentais. Embora a origem norte-americana da base limite a generalização para o contexto brasileiro, seu volume e uso em estudos acadêmicos a tornam um ambiente robusto para validar técnicas de modelagem em cenários de dados desbalanceados.

O pré-processamento dos dados iniciou com a análise de valores ausentes, presentes nas variáveis de renda (19,82%) e quantidade de dependentes (2,62%). Um teste de qui-quadrado indicou que a ausência não era aleatória. Quatro estratégias de tratamento foram avaliadas: exclusão dos registros; imputação pela mediana; imputação via K-Vizinhos Mais Próximos (KNN); e imputação interativa (MICE). Cada abordagem gerou uma versão da base de dados para análise comparativa do impacto do tratamento de dados ausentes no desempenho dos modelos.

O desbalanceamento da variável alvo, com apenas 7% de inadimplentes, foi outro desafio. Para mitigar o risco de viés em favor da classe majoritária, foram testadas três estratégias de balanceamento: nenhuma (linha de base); subamostragem (undersampling), que reduz a classe majoritária; e superamostragem de minoria sintética (SMOTE), que gera observações sintéticas da classe minoritária (He e Garcia, 2009). A comparação avaliou o impacto de cada uma em métricas sensíveis ao desbalanceamento, como sensibilidade e F1-score.

A base de dados foi dividida em 70% para treinamento e 30% para teste, de forma estratificada. Foram implementados três algoritmos de classificação (Kotsiantis, 2007): regressão logística (interpretabilidade), árvore de decisão (padrões não lineares) (Grus, 2021) e random forest (robustez e generalização) (Breiman, 2001). Os hiperparâmetros foram otimizados com RandomizedSearchCV, GridSearchCV e validação cruzada de 5 dobras. O desempenho foi avaliado no conjunto de teste com um conjunto abrangente de métricas: Área Sob a Curva ROC (AUC-ROC), Área Sob a Curva Precisão-Sensibilidade (AUC-PR), índice de Gini, acurácia, precisão, sensibilidade, F1-score, Coeficiente de Correlação de Matthews (MCC) e Brier score, garantindo uma análise multidimensional.

Os resultados da regressão logística mostraram que a regularização L2 (Ridge) foi a melhor configuração, o que é esperado em cenários com multicolinearidade (Hastie et al., 2009). A manutenção de todas as variáveis foi justificada pela busca de desempenho preditivo global (Fávero e Belfiore, 2017). A estratégia de exclusão de registros ausentes, sem balanceamento ou com undersampling, produziu os melhores resultados globais, com AUC-ROC de 0,803 e sensibilidade de 0,627. As técnicas de imputação (mediana, KNN, MICE) tiveram impacto marginal. O uso de SMOTE elevou a sensibilidade para 0,670, mas prejudicou a acurácia e a precisão. Contudo, a combinação de MICE com SMOTE alcançou o melhor Brier score (0,168), indicando calibração superior. Isso evidencia um trade-off: a exclusão de dados favorece o desempenho geral, enquanto MICE e SMOTE podem ser preferíveis quando a redução de falsos negativos e a calibração são prioritárias.

O modelo de árvore de decisão, sem balanceamento, exibiu alta acurácia (0,933) mas sensibilidade nula, falhando em identificar inadimplentes, um fenômeno documentado (Breiman et al., 1984). O uso de SMOTE promoveu ganhos, elevando a sensibilidade para aproximadamente 0,30. A combinação de imputação pela mediana com SMOTE apresentou o melhor equilíbrio, com AUC-ROC de 0,836 e Brier score de 0,057. Já o undersampling maximizou a sensibilidade (próximo a 0,77), mas com queda expressiva na acurácia e piora na calibração, reforçando o trade-off entre detectar inadimplentes e manter a robustez geral (Thomas et al., 2017).

O random forest foi o algoritmo mais robusto, com AUC-ROC consistente em torno de 0,86. Para desempenho global, a combinação de imputação por mediana sem balanceamento se destacou, com AUC-ROC de 0,861, AUC-PR de 0,384 e Brier score de 0,126. Para minimizar falsos negativos, a imputação por mediana com undersampling foi a mais eficaz, atingindo a maior sensibilidade do estudo (0,795) e o melhor AUC-ROC (0,864), embora com perdas em acurácia. Em contraste, as estratégias com SMOTE maximizaram a acurácia, mas reduziram a sensibilidade.

A comparação final, usando AUC-PR como critério principal devido ao desbalanceamento, confirmou a superioridade do random forest para desempenho global. Este modelo apresentou o melhor equilíbrio, com a maior AUC-PR (0,384), sensibilidade de 0,418 e o menor Brier score (0,126), indicando excelente discriminação e calibração. A regressão logística superou a árvore de decisão em sensibilidade, mas com perdas em outras métricas, corroborando estudos que apontam ensembles como mais estáveis (Isidoros e Arcozzi, 2024). Na análise focada na minimização de falsos negativos (sensibilidade), os modelos baseados em árvores foram superiores. O random forest liderou com sensibilidade de 0,795, seguido pela árvore de decisão com 0,779. Ambos incorreram em custos de precisão e calibração, exemplificando o trade-off na gestão de risco: reduzir falsos negativos mitiga perdas de capital, enquanto o aumento de falsos positivos pode levar à perda de oportunidades de negócio.

A relevância das variáveis e a performance dos modelos devem ser contextualizadas. A significância de variáveis tradicionais pode diminuir em cenários de choque econômico (Gambacorta et al., 2024), e a performance pode ser aprimorada com dados alternativos, como informações psicométricas, especialmente para populações com histórico de crédito limitado (Djeundje et al., 2021). A escolha de um modelo não deve se basear apenas em métricas estatísticas. Modelos com alta acurácia nem sempre minimizam os custos regulatórios e de capital associados aos erros (Xia et al., 2022). A decisão final deve integrar a análise estatística com os objetivos estratégicos da instituição, considerando os custos financeiros de cada tipo de erro. Este estudo fornece uma estrutura para essa análise, demonstrando como diferentes combinações de algoritmos e pré-processamento se alinham a diferentes apetites de risco.

O trabalho demonstrou que não existe um modelo universalmente superior para previsão de inadimplência, mas sim trade-offs entre desempenho, interpretabilidade e impacto operacional. A regressão logística mostrou-se um benchmark competitivo e transparente. As árvores de decisão, sensíveis ao desbalanceamento, melhoraram com técnicas de reamostragem. O random forest foi o modelo mais equilibrado e robusto, com os melhores desempenhos globais em discriminação (AUC-ROC ≈ 0,86) e calibração. A análise evidenciou o papel crítico do pré-processamento: o undersampling foi mais eficaz para aumentar a sensibilidade, enquanto o SMOTE, em alguns cenários, favoreceu a acurácia, ressaltando a necessidade de alinhar a metodologia aos objetivos estratégicos.

As limitações do estudo incluem o uso de uma única base de dados norte-americana e a não exploração de algoritmos como gradient boosting ou redes neurais. Pesquisas futuras podem expandir a análise para bases de dados brasileiras, incorporar outros modelos e integrar métricas de custo de erro para quantificar o impacto financeiro. Conclui-se que o objetivo foi atingido: demonstrou-se que a escolha do algoritmo de machine learning e das estratégias de pré-processamento de dados para previsão de inadimplência depende fundamentalmente dos objetivos estratégicos da instituição financeira, evidenciando um claro trade-off entre desempenho preditivo global e a minimização de perdas por falsos negativos.

Referências:
Aniceto, G. F.; Barboza, F. L. C.; Kimura, H. 2020. Credit risk analysis using machine learning classifiers. Brazilian Review of Finance 18(4): 1–28.
Baesens, B.; Roesch, D.; Scheule, H. 2016. Credit risk analytics: measurement techniques, applications and examples in SAS. John Wiley & Sons, Hoboken, NJ, EUA.
Breiman, L. 1984. Classification and regression trees. Chapman & Hall/CRC, Boca Raton, FL, EUA.
Breiman, L. 2001. Random forests. Machine Learning 45(1): 5–32.
Bücker, M.; Szepannek, G.; Gosiewska, A.; Biecek, P. 2020. Transparency, auditability and explainability of machine learning models in credit scoring. Journal of the Operational Research Society 71(8): 1281–1290.
Carvalho, J. R. 2015. Análise de risco de crédito: fundamentos, metodologias e aplicações. Atlas, São Paulo, SP, Brasil.
Djeundje, V . B.; Crook, J.; Calabrese, R.; Hamid, M. 2021. Enhancing credit scoring with alternative data. Expert Systems with Applications 167: 113766.
Dumitrescu, E.; Hué, S.; Hurlin, C.; Tokpavi, S. 2022. Machine learning for credit scoring: improving logistic regression with non-linear decision-tree effects. European Journal of Operational Research 297(3): 1178–1192.
Fávero, L. P.; Belfiore, P. P. 2017. Manual de análise de dados: estatística e modelagem multivariada com Excel®, SPSS® e Stata®. Elsevier, Rio de Janeiro, RJ, Brasil.
Fávero, L. P.; Belfiore, P. P. 2024. Análise de dados: técnicas multivariadas exploratórias e confirmatórias. Elsevier, Rio de Janeiro, RJ, Brasil.
Freshcorn, B. 2011. Give Me Some Credit: 2011 Competition Data. Disponível em: https://www. kaggle. com/datasets/brycecf/give-me-some-credit-dataset.
Gambacorta, L.; Huang, Y.; Qiu, H.; Wang, J. 2024. How do machine learning and non-traditional data affect credit scoring? New evidence from a Chinese fintech firm. Journal of Financial Stability 73: 101284.
Grus, J. 2021. Data science do zero: noções fundamentais com Python. 2ed. Alta Books, Rio de Janeiro, RJ, Brasil.
Hastie, T.; Tibshirani, R.; Friedman, J. 2009. The elements of statistical learning: data mining, inference, and prediction. 2ed. Springer, New York, NY, EUA.
He, H.; Garcia, E. A. 2009. Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering 21(9): 1263–1284.
Hosmer, D. W.; Lemeshow, S.; Sturdivant, R. X. 2013. Applied logistic regression. 3ed. John Wiley & Sons, Hoboken, NJ, EUA.
ISIDOROS, I.; ARCOZZI, N. 2024. Improved convergence rates for some kernel random forest algorithms. Mathematics in Engineering 6(2): 1-22.
Kotsiantis, S. B. 2007. Supervised machine learning: a review of classification techniques. Informatica 31(3): 249–268.
Lessmann, S.; Baesens, B.; Seow, H. V.; Thomas, L. C. 2015. Benchmarking state-of-the-art classification algorithms for credit scoring: an update of research. European Journal of Operational Research 247(1): 124–136.
Pinto, R. S.; Ywata, A.; Tessmann, R. H.; Lima, F. 2024. Are machine learning models more effective than logistic regressions in predicting bank credit risk? An assessment of the Brazilian financial markets. International Journal of Monetary Economics and Finance 17(1): 1–22.
Thomas, L. C.; Crook, J. N.; Edelman, D. B. 2017. Credit scoring and its applications. 2ed. SIAM, Philadelphia, PA, EUA.
Xia, Y.; Zhang, C.; Li, Y.; Chen, W. 2022. A comparative study of credit scoring models. Knowledge-Based Systems 235: 107629.
Zou, H.; Hastie, T. 2005. Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B (Statistical Methodology) 67(2): 301–320.


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

Saiba mais sobre o curso; clique aqui:

Quem editou este artigo

Mais recentes

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