Resumen Ejecutivo

02 de febrero de 2026

Ciencia de datos para predicción de venta de neumáticos en el mercado brasileño

Dalton Gonçalves Silva dos Reis; Elisa Morandé Sales

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

El objetivo de este trabajo fue desarrollar y validar un modelo predictivo para la venta de neumáticos de pasajeros en Brasil, segmentado entre el mercado de fabricantes de equipos originales (OEM) y el de reposición, con el fin de proporcionar una herramienta estratégica para la planificación de la producción y la gestión de inventarios. La investigación buscó identificar las variables más influyentes en cada segmento y aplicar modelos de series temporales para generar pronósticos asertivos, optimizando recursos y reduciendo costos. La necesidad de dicho modelo surge de la complejidad de la cadena productiva de neumáticos; una previsión de demanda imprecisa puede llevar a desequilibrios como altos costos de almacenamiento por exceso de insumos o interrupciones en la producción por subestimación de la demanda.

La relevancia del estudio se basa en la magnitud del mercado brasileño de neumáticos, que mueve más de 50 millones de unidades anualmente y está influenciado por factores como el desempeño de la industria automotriz e indicadores macroeconómicos. La ciencia de datos es fundamental para transformar datos brutos en conocimiento accionable. Según Grus (2019), el análisis de datos permite extraer patrones ocultos. Este proceso de transformar datos en información y conocimiento constituye lo que Fávero y Belfiore (2024) describen como la jerarquía del conocimiento, un pilar para la toma de decisiones estratégicas y para la consolidación de una ventaja competitiva.

El enfoque se centra en modelos estadísticos robustos e interpretables como SARIMA y SARIMAX. La literatura, como el estudio de Taylor (2015) que utilizó redes neuronales artificiales (ANN) y alcanzó un coeficiente de determinación (R-squared) de 66%, sirve como referencia. Este estudio busca avanzar probando modelos alternativos e incorporando variables exógenas del contexto brasileño para obtener un rendimiento predictivo superior, permitiendo que las empresas de la cadena de suministro ajusten sus planes de producción y optimicen la logística.

La aplicación de técnicas como el análisis de series temporales representa una evolución en la gestión, permitiendo una postura proactiva en lugar de reactiva. VanderPlas (2016) destaca que la Data Science / Ciencia de datos capacita a los profesionales para resolver problemas concretos, como la incertidumbre en la demanda de neumáticos. Al proporcionar un modelo predictivo confiable, el estudio ofrece un subsidio práctico para decisiones más informadas, alineando oferta y demanda. La investigación se justifica por su aplicabilidad directa en la industria, con la expectativa de que los modelos desarrollados generen un impacto medible en la eficiencia operativa y refuercen el valor del análisis de datos como activo estratégico para la competitividad industrial.

La metodología es una investigación cuantitativa y aplicada, fundamentada en el análisis de series temporales con datos públicos y estructurados. La variable objetivo, venta de neumáticos de turismo, se obtuvo de informes mensuales de la Asociación Nacional de la Industria de Neumáticos (ANIP) de enero de 2018 a diciembre de 2024, totalizando 84 observaciones. Este período fue elegido para capturar diferentes ciclos económicos, incluyendo la pandemia de COVID-19. Para enriquecer los modelos, se incorporaron variables exógenas: producción y venta de vehículos (ANFAVEA), indicadores sectoriales de productos de caucho (CNI), importación de neumáticos (ComexStat) e indicadores de coyuntura como el impago del consumidor (Serasa). Según Joseph y Tackes (2024), la incorporación de variables correlacionadas construye modelos más robustos. Las series temporales utilizadas son de naturaleza estocástica, con valores futuros parcialmente aleatorios, pero descriptibles por patrones.

El procesamiento y la modelización se realizaron en Python, utilizando bibliotecas como Pandas y Numpy para la manipulación de datos, y Matplotlib y Seaborn para la visualización. La modelización estadística se implementó con la biblioteca statsmodels. La función seasonaldecompose se utilizó para descomponer las series en tendencia, estacionalidad y residuo (Oliveira et al., 2024). La estacionariedad, requisito previo para los modelos ARIMA, se verificó con la prueba de Dickey-Fuller Aumentada (adfuller), que rechaza la hipótesis nula de no estacionariedad para valores p inferiores a 0,05. Para la selección de los parámetros (p, d, q) y (P, D, Q), se utilizó la función autoarima del paquete pmdarima, que selecciona la configuración que minimiza el Criterio de Información de Akaike (AIC), una métrica que equilibra el ajuste y la parsimonia (Hyndman y Athanasopoulos, 2021). Los modelos centrales fueron el SARIMA y el SARIMAX, que extiende el SARIMA al incluir variables exógenas. El rendimiento se evaluó mediante el Error Porcentual Absoluto Medio (MAPE), calculado con la función del paquete sklearn. La serie de 84 observaciones se dividió en un conjunto de entrenamiento con 72 observaciones (enero de 2018 a diciembre de 2023) y uno de prueba con 12 observaciones (enero a diciembre de 2024).

El análisis del segmento de ventas para fabricantes de equipos originales (OEM) reveló una caída abrupta en 2020 debido a la pandemia y un fuerte componente de estacionalidad anual. La prueba de Dickey-Fuller Aumentada confirmó la estacionariedad de la serie (valor p = 0,000896), no necesitando diferenciación (d=0). La herramienta auto_arima sugirió un modelo SARIMA(2, 0, 0)(0, 1, 1), que, tras entrenamiento y validación, resultó en un MAPE de 8,74%, equivalente a una asertividad del 91,26%.

Para mejorar el modelo, se investigó la correlación con la producción de vehículos de pasajeros, que resultó fuerte y positiva (0,9). La inclusión de esta variable exógena en el modelo, transformándolo en un SARIMAX, mantuvo el mismo orden de parámetros ARIMA(2, 0, 0)(0, 1, 1). Al entrenar y validar el nuevo modelo, el MAPE obtenido fue del 7,92%, mejorando la asertividad al 92,08%. Esta reducción en el error confirma el valor predictivo de la variable. La comparación de las predicciones para los primeros cuatro meses de 2025 con datos reales mostró la superioridad del SARIMAX, con una diferencia acumulada de 210.139 unidades frente a 218.523 del modelo SARIMA.

El análisis se replicó para el mercado de repuestos. La serie temporal también resultó estacionaria. El auto_arima identificó el modelo SARIMA(1, 0, 0)(1, 1, 1) como el más adecuado, que tras entrenamiento y validación presentó un MAPE de 12,38% (asertividad del 87,62%). El error superior al del mercado de fabricantes de equipos originales es esperado, ya que el mercado de repuestos está influenciado por una gama mayor de factores aleatorios ligados a la decisión del consumidor final, como señala Morettin (2018).

Para el modelo SARIMAX del mercado de repuestos, el análisis de correlación reveló una correlación negativa moderada (-0,5) entre las ventas de neumáticos y el índice de morosidad de Serasa. La lógica es que un aumento en el endeudamiento lleva a posponer gastos como el cambio de neumáticos. Al incorporar el índice de morosidad como variable exógena, se entrenó y validó el modelo SARIMAX, con el mismo orden ARIMA(1, 0, 0)(1, 1, 1). El resultado fue una mejora significativa en el rendimiento, con el MAPE cayendo al 9,71% (asertividad del 90,29%). La previsión para los primeros cuatro meses de 2025 con este modelo también resultó ser más precisa, con una diferencia acumulada de 475.660 unidades en relación con la real, frente a 687.898 del modelo SARIMA.

Los resultados para el mercado de fabricantes de automóviles indicaron que el modelo con dos variables (Venta Neumáticos, Prod. Vehículos nuevos) presentó el menor AIC y el menor MAPE (7,92%), siendo la opción más eficiente. La adición de una tercera variable (Índice Industria IBGE) no trajo mejoras, sugiriendo redundancia de la información. Para el mercado de reposición, el modelo con dos variables (Venta Neumáticos, Índice Morosidad) obtuvo el menor MAPE (9,71%), confirmándose como la mejor elección. Aunque su AIC fue ligeramente superior al del modelo univariado, la mejora sustancial en el MAPE justificó la elección del SARIMAX. El intento de añadir una tercera variable (Actividad del Comercio de Vehículos) resultó en un empeoramiento del MAPE a 14,33%, validando que no toda variable correlacionada contribuye positivamente a la predicción, un principio en la selección de features discutido por Nielsen (2021).

Los resultados demuestran que la aplicación del modelo SARIMAX es altamente eficaz para la predicción de venta de neumáticos en Brasil. Para el mercado de fabricantes de automóviles, la inclusión de la producción de vehículos fue crucial para alcanzar una asertividad superior al 92%. Para el mercado de reposición, la incorporación del índice de morosidad del consumidor permitió elevar la asertividad a más del 90%. La discusión de los resultados refuerza la distinción entre los dos mercados. El segmento de fabricantes de automóviles opera de forma más determinista, con una relación directa con la producción de vehículos. En contrapartida, el mercado de reposición es más estocástico, sujeto a las fluctuaciones de la confianza del consumidor y de la salud económica. La investigación valida la hipótesis de que modelos personalizados para cada segmento, utilizando variables exógenas apropiadas, superan a los modelos univariados. La asertividad alcanzada, en ambos casos superior al 90%, representa un avance en relación a benchmarks anteriores, como el estudio de Taylor (2015), y ofrece una herramienta de gran valor práctico.

El estudio demostró con éxito la viabilidad y la eficacia de la aplicación de modelos de series temporales SARIMA y SARIMAX para la predicción de ventas de neumáticos de turismo en el mercado brasileño. Los modelos desarrollados alcanzaron índices de asertividad superiores al 90% para ambos segmentos analizados, validándolos como herramientas robustas para el soporte a la planificación de producción y gestión de inventarios. La investigación identificó que la incorporación de variables exógenas específicas para cada mercado, como la producción de vehículos para el segmento de ensambladoras y el índice de morosidad para el de reposición, fue fundamental para mejorar la exactitud de las predicciones. Las implicaciones prácticas de estos resultados son directas, ofreciendo a las industrias un método cuantitativo para anticipar la demanda y optimizar la asignación de recursos.

A pesar de los resultados positivos, el estudio tiene limitaciones. La principal reside en el horizonte de previsión; los modelos son más adecuados para previsiones a corto plazo, idealmente de tres a cuatro meses, ya que la incertidumbre de las variables aumenta en horizontes más largos. Se recomienda una aplicación continua, con reajustes mensuales. Como sugerencia para trabajos futuros, la exploración de modelos de machine learning y redes neuronales como LSTM o GRU podría aportar mejoras. Además, la expansión del análisis para incluir otras categorías de neumáticos, como los de camiones y autobuses, representaría un próximo paso lógico. Se concluye que se alcanzó el objetivo: se demostró que es posible crear modelos predictivos de alto rendimiento para la venta de neumáticos en Brasil utilizando datos públicos y técnicas estadísticas consolidadas, generando conocimiento aplicable para la toma de decisiones estratégicas en el sector industrial.

Referencias:
Asociación de Fabricantes de Vehículos Automotores [ANFAVEA]. 2025. Informes de ventas de automóviles. Disponible en: https://anfavea. com. br/site/edicoes-em-excel/ . Acceso en: 01 Jul. 2025.
Asociación Nacional de la Industria de Neumáticos [ANIP]. 2025. Informes de ventas de neumáticos. Disponible en: https://www. anip. org. br/anip-em-numeros/publicacoes/ . Acceso en: 01 Jul. 2025.
Comex Stat. 2025. Estadísticas de importación de neumáticos, caucho natural y tela de neumáticos. Disponible en: https://www. gov. br/mdic/pt-br/assuntos/comercio-exterior/estatisticas/base-de-dados-bruta. Acceso en: 01 Jul. 2025.
Confederación Nacional de la Industria [CNI]. 2025. Indicadores. Disponible en: https://indicadores. sistemaindustria. com. br/indicadores/externo/estatisticaAcessoSistemaExterno. faces . Acceso en: 01 Jul. 2025.
Fávero, Luis Paulo; Belfiore, Patrícia. 2024. Manual de Análisis de Datos: estadística y machine learning con Excel®, SPSS®, R® y Python®. 2ed. LTC, Río de Janeiro, Brasil.
Grus, Joel. 2019. Data Science from Scratch. 2ed. O’Reilly, Sebastopol, EUA.
Hyndman, R. J., Athanasopoulos, G. 2021. Forecasting: principles and practice. 3rd edition. OTexts, Melbourne, Australia. Disponible en: < https://otexts. com/fpppg/arima-estima%C3%A7%C3%A3o. html >. Acceso en: 01 Jul 2025.
Joseph, Manu; Tackes, Jeffrey. 2024. Modern Time Series Forecasting with Python. 2ed. Packt, Birmingham, Reino Unido.
Morettin, Pedro A. 2018. Análisis de Series Temporales. 1ed. Editora Blusher, São Paulo, Brasil.
Nielsen, Aileen. 2021. Análisis Práctico de Series Temporales: predicción con estadística y aprendizaje automático. 1ed. Alta Books, Río de Janeiro, Brasil.
Oliveira et al. 2024. Introducción a las series temporales: un enfoque práctico en Python. 1ed. Editora Mackenzie, São Paulo, Brasil.
Serasa. 2025. Indicadores de morosidad. Disponible en: <https://www. serasaexperian. com. br/conteudos/indicadores-economicos/ >. Acceso en: 05 Jul 2025.
Taylor, Brent S. 2015. Utilizing ANNs to Improve the Forecast for Tire Demand. In partial fulfillment of the requirements for the degree Master of Science. Russ College of Engineering and Technology of Ohio University, Ohio University, Ohio, USA.
VanderPlas, Jake. 2016. Python Data Science Handbook. Essential Tools for Working with Data. 1 ed. O’Reilly, Sebastopol, EUA.

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.