Resumen Ejecutivo

16 de enero de 2026

Análisis comparativo de técnicas de Machine Learning para predicción de incumplimiento

Autor/a: Luciane Berger da Silva — Director/a: Daniel Alvarez Firmino

Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.

Este estudio analiza y compara el rendimiento de algoritmos de machine learning en la predicción de morosidad en crédito. La investigación compara modelos lineales (regresión logística) y basados en árboles (árbol de decisión, random forest), investigando el efecto de estrategias de preprocesamiento, como imputación de valores ausentes y balanceo de clases. El objetivo es identificar los modelos más adecuados, considerando métricas de rendimiento y aplicabilidad práctica para instituciones financieras, especialmente en escenarios de datos desbalanceados, característicos de riesgo de crédito.

La concesión de crédito es fundamental para la economía, pero implica el riesgo de incumplimiento, el no cumplimiento de las obligaciones contractuales por parte del prestatario (Baesens et al., 2016). La gestión eficaz de este riesgo es crucial para la sostenibilidad de las instituciones financieras. Las herramientas de análisis predictivo son indispensables para identificar patrones de riesgo basados en datos históricos, permitiendo medidas preventivas como el ajuste de límites o la denegación de operaciones de alto riesgo (Lessmann et al., 2015; Pinto et al., 2024).

La literatura sobre riesgo de crédito transita de modelos estadísticos tradicionales a algoritmos de machine learning. Métodos basados en árboles, como random forest, demuestran mejor desempeño al capturar interacciones no lineales (Aniceto et al., 2020). Sin embargo, la Regresión Logística mantiene su prominencia en el sector financiero debido a su interpretabilidad y aceptación regulatoria (Bücker et al., 2020). El desafío es conciliar el poder predictivo de modelos avanzados con la necesidad de transparencia, motivando investigaciones en enfoques híbridos (Dumitrescu et al., 2022).

A pesar de los avances, persisten lagunas en la aplicación de estas técnicas. Muchos estudios no exploran el impacto del tratamiento de datos desbalanceados, una característica común en bases de incumplimiento, donde la clase cumplidora es mayoritaria. El desbalanceamiento puede inducir a los algoritmos a un sesgo en favor de la clase mayoritaria, resultando en modelos con alta precisión general, pero baja capacidad de identificar los casos de incumplimiento. Este trabajo contribuye a la literatura al ofrecer un análisis comparativo sistemático que evalúa diferentes algoritmos e investiga cómo las estrategias de preprocesamiento, especialmente las de balanceo de clases, influyen en el rendimiento predictivo. Al analizar los resultados bajo múltiples métricas, el estudio busca proporcionar ideas prácticas para instituciones financieras sobre cómo seleccionar y configurar modelos que se alineen a sus objetivos, ya sea maximizando el rendimiento o minimizando pérdidas por falsos negativos.

La metodología es una investigación cuantitativa aplicada, que utiliza técnicas de machine learning supervisado para comparar enfoques predictivos en la identificación de clientes con riesgo de incumplimiento. Se utilizó la base de datos pública “Give me Some Credit” (Freshcorn, 2011), con 150.000 registros anonimizados y variables conductuales. Aunque el origen norteamericano de la base limita la generalización al contexto brasileño, su volumen y uso en estudios académicos la convierten en un entorno robusto para validar técnicas de modelado en escenarios de datos desbalanceados.

El preprocesamiento de los datos comenzó con el análisis de valores ausentes, presentes en las variables de ingresos (19,82%) y cantidad de dependientes (2,62%). Una prueba de chi-cuadrado indicó que la ausencia no era aleatoria. Se evaluaron cuatro estrategias de tratamiento: exclusión de los registros; imputación por la mediana; imputación mediante K-Vecinos Más Cercanos (KNN); e imputación interactiva (MICE). Cada enfoque generó una versión de la base de datos para el análisis comparativo del impacto del tratamiento de datos ausentes en el rendimiento de los modelos.

El desequilibrio de la variable objetivo, con solo el 7% de morosos, fue otro desafío. Para mitigar el riesgo de sesgo a favor de la clase mayoritaria, se probaron tres estrategias de balanceo: ninguna (línea base); submuestreo (undersampling), que reduce la clase mayoritaria; y sobremuestreo de minoría sintética (SMOTE), que genera observaciones sintéticas de la clase minoritaria (He y Garcia, 2009). La comparación evaluó el impacto de cada una en métricas sensibles al desequilibrio, como sensibilidad y F1-score.

La base de datos se dividió en 70% para entrenamiento y 30% para prueba, de forma estratificada. Se implementaron tres algoritmos de clasificación (Kotsiantis, 2007): regresión logística (interpretabilidad), árbol de decisión (patrones no lineales) (Grus, 2021) y random forest (robustez y generalización) (Breiman, 2001). Los hiperparámetros se optimizaron con RandomizedSearchCV, GridSearchCV y validación cruzada de 5 pliegues. El rendimiento se evaluó en el conjunto de prueba con un conjunto completo de métricas: Área Bajo la Curva ROC (AUC-ROC), Área Bajo la Curva Precisión-Sensibilidad (AUC-PR), índice de Gini, exactitud, precisión, sensibilidad, F1-score, Coeficiente de Correlación de Matthews (MCC) y Brier score, garantizando un análisis multidimensional.

Los resultados de la regresión logística mostraron que la regularización L2 (Ridge) fue la mejor configuración, lo cual se espera en escenarios con multicolinealidad (Hastie et al., 2009). El mantenimiento de todas las variables se justificó por la búsqueda de un rendimiento predictivo global (Fávero y Belfiore, 2017). La estrategia de exclusión de registros ausentes, sin balanceo o con undersampling, produjo los mejores resultados globales, con AUC-ROC de 0,803 y sensibilidad de 0,627. Las técnicas de imputación (mediana, KNN, MICE) tuvieron un impacto marginal. El uso de SMOTE elevó la sensibilidad a 0,670, pero perjudicó la precisión y la exactitud. Sin embargo, la combinación de MICE con SMOTE alcanzó el mejor Brier score (0,168), indicando una calibración superior. Esto evidencia un trade-off: la exclusión de datos favorece el rendimiento general, mientras que MICE y SMOTE pueden ser preferibles cuando la reducción de falsos negativos y la calibración son prioritarias.

El modelo de árbol de decisión, sin balanceo, exhibió alta precisión (0,933) pero sensibilidad nula, fallando en identificar morosos, un fenómeno documentado (Breiman et al., 1984). El uso de SMOTE promovió ganancias, elevando la sensibilidad a aproximadamente 0,30. La combinación de imputación por la mediana con SMOTE presentó el mejor equilibrio, con AUC-ROC de 0,836 y Brier score de 0,057. Por su parte, el undersampling maximizó la sensibilidad (cercana a 0,77), pero con una caída expresiva en la precisión y empeoramiento en la calibración, reforzando el trade-off entre detectar morosos y mantener la robustez general (Thomas et al., 2017).

El bosque aleatorio fue el algoritmo más robusto, con un AUC-ROC consistente alrededor de 0,86. Para el rendimiento global, la combinación de imputación por mediana sin balanceo destacó, con un AUC-ROC de 0,861, un AUC-PR de 0,384 y una puntuación de Brier de 0,126. Para minimizar los falsos negativos, la imputación por mediana con submuestreo fue la más eficaz, alcanzando la mayor sensibilidad del estudio (0,795) y el mejor AUC-ROC (0,864), aunque con pérdidas en precisión. En contraste, las estrategias con SMOTE maximizaron la precisión, pero redujeron la sensibilidad.

La comparación final, utilizando AUC-PR como criterio principal debido al desbalanceo, confirmó la superioridad del random forest para el rendimiento global. Este modelo presentó el mejor equilibrio, con la mayor AUC-PR (0,384), sensibilidad de 0,418 y el menor Brier score (0,126), indicando una excelente discriminación y calibración. La regresión logística superó al árbol de decisión en sensibilidad, pero con pérdidas en otras métricas, corroborando estudios que señalan a los ensembles como más estables (Isidoros y Arcozzi, 2024). En el análisis enfocado en la minimización de falsos negativos (sensibilidad), los modelos basados en árboles fueron superiores. El random forest lideró con una sensibilidad de 0,795, seguido por el árbol de decisión con 0,779. Ambos incurrieron en costos de precisión y calibración, ejemplificando el trade-off en la gestión de riesgos: reducir falsos negativos mitiga pérdidas de capital, mientras que el aumento de falsos positivos puede llevar a la pérdida de oportunidades de negocio.

La relevancia de las variables y el rendimiento de los modelos deben contextualizarse. La significancia de las variables tradicionales puede disminuir en escenarios de shock económico (Gambacorta et al., 2024), y el rendimiento puede mejorarse con datos alternativos, como información psicométrica, especialmente para poblaciones con historial crediticio limitado (Djeundje et al., 2021). La elección de un modelo no debe basarse únicamente en métricas estadísticas. Los modelos con alta precisión no siempre minimizan los costos regulatorios y de capital asociados a los errores (Xia et al., 2022). La decisión final debe integrar el análisis estadístico con los objetivos estratégicos de la institución, considerando los costos financieros de cada tipo de error. Este estudio proporciona un marco para este análisis, demostrando cómo diferentes combinaciones de algoritmos y preprocesamiento se alinean con diferentes apetitos de riesgo.

El trabajo demostró que no existe un modelo universalmente superior para la predicción de incumplimiento, sino compensaciones entre rendimiento, interpretabilidad e impacto operativo. La regresión logística demostró ser un benchmark competitivo y transparente. Los árboles de decisión, sensibles al desequilibrio, mejoraron con técnicas de remuestreo. El random forest fue el modelo más equilibrado y robusto, con los mejores rendimientos globales en discriminación (AUC-ROC ≈ 0,86) y calibración. El análisis evidenció el papel crítico del preprocesamiento: el undersampling fue más eficaz para aumentar la sensibilidad, mientras que el SMOTE, en algunos escenarios, favoreció la precisión, resaltando la necesidad de alinear la metodología a los objetivos estratégicos.

Las limitaciones del estudio incluyen el uso de una única base de datos norteamericana y la no exploración de algoritmos como gradient boosting o redes neuronales. Investigaciones futuras pueden expandir el análisis a bases de datos brasileñas, incorporar otros modelos e integrar métricas de costo de error para cuantificar el impacto financiero. Se concluye que el objetivo fue alcanzado: se demostró que la elección del algoritmo de machine learning y de las estrategias de preprocesamiento de datos para la predicción de incumplimiento depende fundamentalmente de los objetivos estratégicos de la institución financiera, evidenciando un claro trade-off entre rendimiento predictivo global y la minimización de pérdidas por falsos negativos.

Referencias:
Aniceto, G. F.; Barboza, F. L. C.; Kimura, H. 2020. Análisis de riesgo crediticio utilizando clasificadores de aprendizaje automático. 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. Análisis de riesgo crediticio: fundamentos, metodologías y aplicaciones. 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 análisis de datos: estadística y modelado multivariante con Excel®, SPSS® y Stata®. Elsevier, Rio de Janeiro, RJ, Brasil.
Fávero, L. P.; Belfiore, P. P. 2024. Análisis de datos: técnicas multivariantes exploratorias y confirmatorias. Elsevier, Rio de Janeiro, RJ, Brasil.
Freshcorn, B. 2011. Give Me Some Credit: 2011 Competition Data. Disponible en: 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.


Resumen ejecutivo del Trabajo de Conclusión de Curso de Especialización en Data Science y Analytics del MBA USP/Esalq

Más información sobre el curso; haga clic aquí:

Quién editó este artículo

Más recientes

También te puede interesar

17 de noviembre de 2026

Detección y Diagnóstico de Enfermedades en Maíz y Arroz en Mozambique con Deep Learning

La agricultura mozambiqueña depende del maíz y el arroz, cultivos fundamentales para la seguridad alimentaria, pero su productividad se ve fuertemente afectada por enfermedades fitosanitarias, cuya identificación temprana y precisa sigue siendo un desafío en contextos de recursos limitados. El estudio tuvo como objetivo desarrollar y comparar modelos basados en Deep Learning para la detección y el diagnóstico automático de enfermedades en hojas de maíz y arroz en Mozambique. Se utilizaron tres enfoques: una Red Neuronal Convolucional (CNN) clásica desarrollada desde cero, y dos modelos de transfer learning, ResNet50 y MobileNetV2. El conjunto de datos se compuso de imágenes de bases públicas y recolectadas en campo, que pasaron por etapas de limpieza, balanceo y aumento artificial. Los modelos fueron entrenados y evaluados con métricas de desempeño estándar, incluyendo precisión (accuracy), precisión (precision), recall, F1-score, Log Loss y Kappa de Cohen. La CNN clásica presentó el mejor desempeño global, con 94% de precisión (precision), recall y F1-score, y 93% de precisión (accuracy) y Kappa de Cohen. La MobileNetV2 alcanzó 91% de F1-score y 90% de precisión (accuracy), destacándose por el menor Log Loss (0,30) y tiempo de entrenamiento (6h32min59s). La ResNet50 alcanzó 80% de F1-score y 79% de precisión (accuracy). Se concluyó que las técnicas de Deep Learning poseen un elevado potencial para apoyar el diagnóstico fitopatológico en contextos agrícolas reales, contribuyendo a decisiones más rápidas y precisas en el manejo de enfermedades en maíz y arroz.

Palabras clave: Aprendizaje profundo; Arroz; Enfermedades en plantas; Maíz; Visión computacional.

17 de noviembre de 2026

Estructuración del proceso de cierre de proyectos de una industria de la construcción civil

Un estudio abordó el grupo de procesos de cierre de proyectos en una industria de manufactura de la construcción civil, utilizando la guía PMBOK como referencia principal. El proceso existente en la industria presentaba superficialidad y fragilidades, especialmente en el registro de lecciones aprendidas. Ante este escenario, el objetivo fue desarrollar un procedimiento para el cierre de proyectos de la organización, visando agregar valor por medio de la estandarización del proceso, registro del conocimiento adquirido, formalización de la conclusión y entrega de los proyectos, y mejoramiento de la comunicación, compromiso, integración y transparencia con los stakeholders. La investigación se clasificó como descriptiva, empleó datos cualitativos y adoptó la investigación-acción como delineamiento. El alcance del estudio se estructuró conforme a los cinco grupos de procesos de la guía PMBOK y fue representado por una Estructura Analítica de Proyecto (EAP). Los principales resultados obtenidos incluyeron el procedimiento desarrollado y diversas plantillas de documentos, que constituyeron los entregables del nuevo proceso de cierre de proyectos. Se verificó que el trabajo alcanzó el objetivo esperado, pues el procedimiento desarrollado viabilizó la estandarización del cierre de proyectos, el mejoramiento de la integración y el compromiso con los stakeholders, y la promoción de seguridad y transparencia en el proceso.

Palabras clave: Gestión del conocimiento; Lecciones aprendidas; PMBOK; Plantillas; Término de aceptación de proyecto.

17 de noviembre de 2026

Machine Learning y priorización de funcionalidades en productos digitales: un estudio de caso en una fintech

Una investigación analizó el potencial del uso de técnicas de machine learning aplicadas al análisis del comportamiento de los usuarios en la priorización de funcionalidades en productos digitales. El objetivo fue comprender los procesos de priorización utilizados en la práctica, el papel de los datos de comportamiento en la toma de decisiones y las percepciones sobre la aplicación de técnicas de machine learning en este contexto. Se adoptó un enfoque cualitativo y exploratorio, estructurado como un estudio de caso en productos desarrollados bajo el modelo Software as a Service (SaaS). La recolección de datos se realizó a través de entrevistas semiestructuradas con profesionales de las áreas de producto y de datos. El análisis de los datos siguió la técnica de análisis de contenido. Los resultados indicaron que, aunque los datos de comportamiento ya se utilizaban como apoyo a la decisión, los procesos de priorización aún presentaban baja formalización y enfrentaban limitaciones técnicas y organizacionales. Se observó, también, el reconocimiento del potencial del machine learning como soporte estratégico a la priorización de funcionalidades, aunque su aplicación práctica fuera incipiente. Como principal contribución, el estudio propuso un modelo conceptual que integra datos de comportamiento, procesos de priorización y el uso de machine learning como soporte a la decisión.

Palabras clave: Análisis de datos; Comportamiento del usuario; Datos de comportamiento; Software as a Service (SaaS); Toma de decisiones.

17 de noviembre de 2026

Inteligencia artificial en las rutinas operativas contables y en la eficiencia financiera

La incorporación de Inteligencia Artificial (IA) y de herramientas de automatización ha reconfigurado las rutinas de las oficinas contables brasileñas, impactando la productividad, la mitigación de errores y la eficiencia financiera. Se analizaron estos impactos en una oficina contable de pequeño tamaño, especializada en la atención a prestadores de servicios del área médica en São Caetano do Sul, São Paulo. La investigación adoptó un enfoque cualitativo, con un diseño de estudio de caso único y unidades de análisis incorporadas. Los datos se recolectaron mediante un cuestionario estructurado, aplicado vía Google Forms entre enero y febrero de 2026, a cinco profesionales de la estructura operativa de la oficina en un relevamiento censal. El tratamiento siguió un análisis de contenido con categorías a priori y emergentes. Todos los encuestados declararon uso de herramientas automatizadas o con recursos de IA. La percepción de reducción del tiempo de ejecución, de disminución de errores operacionales, de retrabajo y de mejor aprovechamiento del tiempo del equipo convergió en el 80% de las respuestas afirmativas y el 20% parciales. Las actividades más beneficiadas fueron la conciliación bancaria, la importación de documentos fiscales y la liquidación tributaria, con ganancias visibles sobre errores de digitación, asientos duplicados y clasificación incorrecta. La intervención humana permaneció indispensable en la planificación tributaria, el análisis de escenarios y la verificación de obligaciones accesorias. La evaluación general de la contribución de la IA fue predominantemente favorable, con moderación vinculada a la complejidad normativa fiscal.

Palabras clave: Análisis de contenido; Automatización de procesos; Contabilidad 4.0; Pequeño tamaño; Transformación digital.

17 de noviembre de 2026

Factores que influyen en la gestión de plazos en proyectos de “retrofit” de estaciones de tratamiento de aguas residuales

Los proyectos de “retrofit” en Plantas de Tratamiento de Aguas Residuales (PTAR) se caracterizan por su alta complejidad, restricciones operativas y múltiples interfaces técnicas. El estudio analizó la percepción de los profesionales involucrados sobre la gestión y el cumplimiento de los plazos en proyectos de “retrofit” de plantas de tratamiento de aguas residuales, considerando factores técnicos, operativos y organizacionales. La investigación se caracterizó como un estudio aplicado, con un enfoque cuali-cuantitativo, delineado como un levantamiento de campo de tipo “survey”. El análisis de los datos se realizó mediante estadística descriptiva y categorización cualitativa, utilizando las herramientas SWOT, matriz de riesgo (Probabilidad x Impacto) y plan de acción 5W2H. Los resultados indicaron una alta percepción de claridad (77,8%) y realismo de los plazos (100% de acuerdo), evidenciando una planificación inicial consistente. Sin embargo, el 77,7% de los encuestados señaló que los retrabajos y cambios de alcance impactaron directamente el cumplimiento de los plazos. La integración entre ingeniería, fabricación y Planificación y Control de la Producción (PCP) presentó una evaluación intermedia (77,7% de acuerdo parcial/total), indicando fragilidad en la coordinación interfuncional. La matriz de riesgo destacó como críticos: cambios de alcance, limitaciones operativas de la PTAR y complejidad técnica, todos con nivel alto. Como mejora central, se propuso la estandarización del control de cambios de alcance, análisis y aprobación, con el fin de reducir retrabajos y aumentar la previsibilidad del cronograma.

Palabras clave: Desempeño; Integración; Planificación; Retrabajo; Riesgo.

17 de noviembre de 2026

Captación B2C en medicina diagnóstica: acuerdos estratégicos con consultorios médicos especializados

El sector de la medicina diagnóstica en Brasil opera con una alta dependencia de las aseguradoras de planes de salud, lo que limita la autonomía financiera de los prestadores. Este estudio propuso y analizó un modelo de captación directa de pacientes (B2C) para una institución de medicina diagnóstica de alta complejidad, estructurado a partir de alianzas con consultorios de Oncología y Cardiología y operado por un servicio de atención personalizada denominado conserjería. La investigación adoptó un enfoque mixto en tres fases: levantamiento de campo con cuestionario estructurado aplicado a 87 pacientes, mapeo del flujo operativo mediante “Service Blueprint” y análisis de la tasa de conversión a partir de 312 indicaciones médicas registradas en el proyecto piloto. Los resultados indicaron que la confianza en la indicación médica obtuvo un 92,0% de concordancia, configurándose como el principal factor de adhesión. La conveniencia de realizar el examen el mismo día alcanzó el 78,2%, y la disposición al pago directo llegó al 55,2%, con una polarización asociada a la predominancia de usuarios de planes de salud. El “Service Blueprint” identificó tres puntos críticos en las transiciones entre etapas del recorrido. La tasa de conversión global fue del 51,0%, con un desempeño superior en Oncología (58,2%) en relación con Cardiología (45,0%), y la mayor pérdida se concentró en la etapa de aceptación y agendamiento (28,3%). Se concluyó que el modelo demostró posible viabilidad operativa e indicios de aceptación por parte de los pacientes, condicionado a la transparencia de precios y a la reducción del intervalo entre la consulta y el abordaje por la conserjería.

Palabras clave: Desembolso directo; Recorrido del paciente; Salud suplementaria; Servicio de conserjería; Tasa de conversión.

17 de noviembre de 2026

El papel del director escolar en la promoción de una cultura inclusiva: liderazgo y políticas educativas

La investigación analizó el desempeño del director escolar en la promoción de una cultura inclusiva, considerando la necesidad de transformar directrices legales y fundamentos pedagógicos en prácticas institucionales efectivas. Se partió del supuesto de que la inclusión escolar exige planificación, organización y liderazgo estratégico en el día a día de la escuela. Se adoptó un enfoque cualitativo de naturaleza aplicada, desarrollado en tres etapas complementarias: análisis documental de las legislaciones brasileñas sobre educación inclusiva, revisión bibliográfica sobre liderazgo y gestión escolar, y sistematización de los datos por medio de herramientas gerenciales como la matriz FODA y el ciclo PDCA. Los resultados indicaron que el desempeño de la gestión escolar influyó directamente en la consolidación de ambientes inclusivos, especialmente en la organización de procesos, formación continua del equipo y fortalecimiento de una cultura institucional colaborativa y respetuosa de la diversidad. También se identificaron desafíos estructurales, pedagógicos y relacionales que demandaron intervenciones planificadas. Al final, se elaboró una Guía Práctica para Directores Escolares, con directrices, protocolos y orientaciones operacionales para la toma de decisiones y organización de los procesos inclusivos. Se concluyó que la construcción de una cultura inclusiva dependió de la capacidad de gestión para articular políticas públicas, prácticas pedagógicas y procesos institucionales, consolidando la inclusión como un compromiso permanente en el contexto escolar.

Palabras clave: Accesibilidad educativa; Equidad educativa; Gestión participativa; Planificación estratégica; Procesos institucionales.

17 de noviembre de 2026

Un artefacto de IA basado en Design Thinking para apoyar la elicitación de requisitos de software a partir de las necesidades de los usuarios

El desarrollo de software orientado a las necesidades de los usuarios a menudo enfrenta desafíos en la elicitación de requisitos, derivados de ambigüedades en el lenguaje natural y fallos de comunicación. Ante esto, se propuso y validó un artefacto inteligente que integra Design Thinking e Inteligencia Artificial, con foco en las etapas de Empatía y Definición, para apoyar la recolección, interpretación y estructuración de las necesidades de los usuarios. La investigación, de naturaleza aplicada, cualitativa y exploratoria, condujo una Prueba de Concepto en un ambiente controlado, empleando escenarios hipotéticos. El artefacto operó mediante entrevistas guiadas en lenguaje natural, organizando información en elementos como dolor, contexto e impacto, y generando síntesis de problemas rastreables. Los resultados indicaron que el sistema organizó relatos no estructurados, redujo ambigüedades y preservó el sentido de la información original en la mayoría de los casos. Se observó también la capacidad de reorganización lógica en escenarios complejos, aunque con limitaciones en la separación de múltiples problemas y dependencia de las instrucciones. Se concluyó que el artefacto tiene potencial como apoyo a la elicitación de requisitos, mejorando la claridad y la estructuración de la información, pero requiere supervisión y control contextual.

Palabras clave: Design Thinking; Elicitación de Requisitos; Ingeniería de Requisitos; Inteligencia Artificial; Procesamiento del Lenguaje Natural.

17 de noviembre de 2026

La Extinción de la Sistemática de Retención en la Industria Farmacéutica a la Luz de la Reforma Tributaria

La Reforma Tributaria del consumo, establecida por la Enmienda Constitucional nº 132/2023, introdujo alteraciones estructurales en el sistema tributario brasileño, con la sustitución del Programa de Integración Social (PIS) y de la Contribución para el Financiamento de la Seguridad Social (COFINS) por la Contribución sobre Bienes y Servicios (CBS), en un modelo de Impuesto sobre el Valor Añadido (IVA dual). El objetivo fue analizar los impactos de la extinción de la sistemática monofásica en la industria farmacéutica, a la luz del nuevo diseño normativo y de sus efectos económicos y jurídicos. Se realizó una investigación cualitativa, de naturaleza exploratoria, por medio de estudio de caso y análisis documental de la legislación y la doctrina especializada. Se examinó si el fin de la monofasia implicaría un aumento relevante de la carga tributaria para el sector. Los resultados indicaron que, aunque la superación formal de la sistemática monofásica ha ocurrido, la desgravación material de los medicamentos fue preservada, sobre todo en razón de la aplicación de alícuotas reducidas del 60% y, en determinados casos, de alícuota cero del Impuesto sobre Bienes y Servicios (IBS) y de la CBS. El cambio de modelo puede provocar variaciones puntuales en la recaudación, sin caracterizar un aumento estructural de la carga tributaria, tendiendo a la neutralidad a lo largo del tiempo. Se concluyó, preliminarmente, que la Reforma Tributaria reorganizó la técnica de tributación en la industria farmacéutica, sustituyendo un régimen concentrado por mecanismos más transparentes de desgravación. Este enfoque se mostró compatible con los principios de neutralidad, de no acumulatividad plena y de extrafiscalidad, manteniendo la protección tributaria a los medicamentos esenciales y alineando la política fiscal al derecho fundamental a la salud.

Palabras clave: CBS; COFINS; IBS; IVA Dual; PIS.