Resumo Executivo

02 de fevereiro de 2026

Comparação de modelos de previsão de demanda para o varejo de eletroeletrônicos

Carlos Eduardo Amorim de Oliveira; Elisa Morandé Sales

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

Este trabalho desenvolve e avalia modelos de previsão de demanda baseados em séries temporais para a categoria de informática em uma empresa varejista, comparando abordagens estatísticas com foco na acurácia e aplicabilidade para a gestão de estoque. A previsão de demanda é fundamental na gestão da cadeia de suprimentos, especialmente em setores voláteis como o de eletroeletrônicos. A categoria de informática, com itens como notebooks e componentes, apresenta desafios singulares: forte sazonalidade (Black Friday, volta às aulas), rápida obsolescência tecnológica e o impacto de campanhas promocionais que geram flutuações abruptas no consumo.

A ausência de um sistema de previsão robusto acarreta consequências financeiras e operacionais. A superestimação da demanda leva ao excesso de estoque, imobilizando capital e aumentando custos de armazenagem e risco de obsolescência. A subestimação resulta em rupturas de estoque (stockouts), que comprometem a receita e a lealdade do cliente. Nesse contexto, a aplicação de modelos estatísticos para analisar dados históricos de vendas é uma solução estratégica para mitigar riscos. A capacidade de transformar dados em inteligência preditiva é um diferencial competitivo (Fawcett & Provost, 2013).

Modelos de séries temporais são ferramentas consolidadas para análise de dados sequenciais, partindo da premissa de que padrões passados contêm informações sobre o comportamento futuro (Morettin & Toloi, 2006). Técnicas como Holt-Winters e ARIMA (Média Móvel Auto-Regressiva Integrada) decompõem uma série em tendência, sazonalidade e ruído para projetar valores futuros. A vantagem dessas abordagens é a capacidade de gerar previsões acuradas baseando-se unicamente no histórico da variável de interesse, o que é útil quando dados externos são escassos (Nielsen, 2020).

A aplicação desses modelos no varejo de informática permite quantificar padrões de consumo, oferecendo uma base para decisões de compra e alocação de estoque. A análise sistemática dos dados históricos possibilita a construção de modelos com maior poder preditivo e fomenta uma cultura orientada a dados. Ao ajustar os modelos para refletir os ciclos de vendas específicos da categoria, é possível antecipar picos e vales de demanda, permitindo um planejamento mais eficaz de campanhas e gestão de capital de giro.

O desenvolvimento de um modelo eficaz requer um processo metodológico que se inicia com uma análise exploratória dos dados, incluindo a inspeção de gráficos, a verificação de pressupostos como a estacionariedade e a decomposição da série para entender sua estrutura (Hamilton, 1994). A escolha de métricas de avaliação alinhadas aos objetivos de negócio também é um passo crítico. Este estudo, portanto, busca construir um framework analítico que possa ser compreendido, validado e replicado para outras categorias de produtos da empresa.

A metodologia adota uma abordagem quantitativa, alinhada aos princípios da ciência de dados aplicados a problemas de negócio (Fawcett & Provost, 2013). A base de dados utilizada consiste no histórico de vendas mensais da linha de Informática, cobrindo 30 meses, de janeiro de 2023 a junho de 2025. Os dados foram agregados mensalmente usando a biblioteca Pandas em Python (McKinney, 2018). Para assegurar a integridade da série, os meses sem vendas foram preenchidos com o valor zero, refletindo a ausência de demanda.

Antes da modelagem, uma análise exploratória foi conduzida. Cada série temporal foi decomposta em seus três componentes: Tendência, Sazonalidade e Resíduos (Morettin & Toloi, 2006). Em seguida, para avaliar a adequação de modelos ARIMA, foi aplicado o Teste de Dickey-Fuller Aumentado (ADF) para verificar a estacionariedade da série, um pré-requisito para muitos modelos estocásticos (Fávero et al., 2014; Hamilton, 1994). Uma série é não estacionária quando suas propriedades estatísticas, como média e variância, mudam ao longo do tempo.

Foram implementados quatro modelos com diferentes níveis de complexidade, uma prática recomendada para evitar complexidade desnecessária (Nielsen, 2020). O Sazonal Ingênuo (SNAIVE) foi usado como benchmark, prevendo que o valor futuro será igual ao do mesmo período da estação anterior. A Suavização Exponencial Simples (SEX) foi aplicada como modelo base. O Método de Holt-Winters Aditivo foi escolhido por sua capacidade de modelar nível, tendência e sazonalidade. Finalmente, a abordagem Auto-ARIMA foi empregada, utilizando o algoritmo auto_arima para encontrar a combinação de parâmetros (p,d,q)(P,D,Q) que minimiza o Critério de Informação de Akaike (AIC), garantindo um modelo parcimonioso.

Para a validação, a série foi dividida em um conjunto de treinamento (janeiro de 2023 a dezembro de 2024) e um de teste (janeiro de 2025 a junho de 2025). Os modelos foram treinados no primeiro período para prever os seis meses do período de teste. O desempenho foi avaliado comparando as previsões com os valores reais, utilizando o Erro Quadrático Médio (RMSE) e o Erro Percentual Absoluto Médio (MAPE). O RMSE foi priorizado por ser mais robusto e penalizar mais severamente grandes erros, sendo menos sensível a valores de demanda próximos de zero. O MAPE pode apresentar valores inflacionados em séries com baixa demanda, um fenômeno comum no varejo (Makridakis et al., 1998).

A aplicação da metodologia revelou uma heterogeneidade significativa no comportamento das famílias de produtos. O Teste de Estacionariedade ADF mostrou que, das sete famílias analisadas, apenas duas (“CORE I5” e “CORE I7”) eram estacionárias (p-valor ≤ 0.05), enquanto as cinco restantes (“ACESSÓRIOS”, “NOTEBOOK GAMER”, “MONITOR”, “CORE I3” e “IMPRESSORAS”) eram não estacionárias. Este resultado validou a necessidade de modelos como Auto-ARIMA e Holt-Winters, capazes de lidar com não estacionariedade (Hamilton, 1994). A decomposição da série agregada confirmou a presença de uma tendência de crescimento e forte sazonalidade anual.

A avaliação quantitativa do desempenho dos modelos mostrou que nenhum se destacou como universalmente superior. A métrica MAPE mostrou-se instável, ultrapassando 100% para famílias como “IMPRESSORAS” e “NOTEBOOK GAMER”. Este comportamento ocorre quando o erro absoluto médio é maior que o valor real médio, um artefato comum em séries de baixo volume que torna o MAPE um indicador pouco confiável. A distribuição do RMSE, em contrapartida, foi mais estável, reforçando a decisão de priorizá-lo como principal métrica de avaliação (Nielsen, 2020).

A análise da decomposição de cada série, cruzada com os resultados de RMSE, revelou a principal descoberta do estudo: o melhor modelo de previsão está diretamente correlacionado ao padrão de demanda da série, um pilar da ciência de dados aplicada a negócios (Fawcett & Provost, 2013). Três padrões emergiram. O primeiro foi o de séries dominadas por forte tendência de crescimento, como a família “CORE I5”. Para esta, o modelo Auto-ARIMA apresentou o menor RMSE (895.6), pois sua estrutura captura e projeta trajetórias de crescimento de forma robusta.

O segundo padrão foi o de séries dominadas por forte sazonalidade, com tendência menos definida, como a família “NOTEBOOK GAMER”. A decomposição mostrou picos de vendas claros e recorrentes. Nesse cenário, o modelo Sazonal Ingênuo (SNAIVE), apesar de sua simplicidade, teve o melhor desempenho, com um RMSE de 584.1. A premissa do SNAIVE de que o padrão do ano anterior se repetirá alinhou-se à natureza cíclica da demanda, superando modelos mais complexos. Isso evidencia que a adequação ao padrão dos dados, e não a complexidade do modelo, é o fator determinante.

O terceiro segmento de produtos foi o de demanda intermitente ou esporádica. A família “IMPRESSORAS” foi o principal exemplo, com uma série temporal caracterizada por vendas muito baixas, muitos períodos com valor zero e ausência de padrão claro de tendência ou sazonalidade. Como consequência, nenhum dos modelos tradicionais conseguiu gerar predições acuradas. O melhor resultado, obtido pela Suavização Exponencial Simples, ainda apresentou um MAPE de 344.7% e um RMSE de 272.3. Este resultado não é uma falha na modelagem, mas uma descoberta analítica crucial: as técnicas clássicas de séries temporais são ineficazes para dados de demanda intermitente.

A descoberta de que diferentes padrões de demanda requerem diferentes abordagens de modelagem tem implicações estratégicas. Em vez de buscar um modelo único para todo o portfólio, a análise aponta para a necessidade de uma estratégia de previsão segmentada. O valor de negócio reside na capacidade de alocar recursos de modelagem de forma inteligente: aplicar modelos simples como o SNAIVE para produtos sazonais; concentrar modelos complexos como o Auto-ARIMA em produtos estratégicos com forte tendência; e reconhecer os produtos de demanda intermitente, que devem ser gerenciados por outras políticas de estoque, como pontos de ressuprimento.

Os resultados corroboram parcialmente estudos como o de Simanungkalit (2024), que destacam a eficácia de modelos ARIMA para séries com tendência. No entanto, este trabalho avança ao propor uma estratégia segmentada baseada em um diagnóstico prévio do padrão da série. Além disso, evidencia a limitação dos modelos tradicionais em cenários de demanda intermitente, abrindo caminho para a exploração de modelos mais adequados para esse tipo de dado, como o método de Croston, ou a incorporação de variáveis exógenas.

Este trabalho demonstrou que a etapa de diagnóstico e análise exploratória dos dados é tão ou mais importante que a modelagem preditiva. A decomposição das séries temporais foi a ferramenta que revelou a heterogeneidade do portfólio, mostrando que ele se divide em segmentos com padrões de demanda distintos: dominados por tendência, por sazonalidade e intermitentes. Esta descoberta explica por que nenhum modelo único apresentou a melhor performance em todos os cenários. A principal contribuição do estudo não é a identificação de um algoritmo superior, mas a proposição de um processo analítico em duas fases — diagnosticar o padrão da série e depois selecionar o modelo adequado — como a abordagem mais robusta para a previsão de demanda no varejo. A implementação deste framework permite à empresa otimizar recursos, aplicando modelos simples onde são eficazes, complexos onde são necessários, e reconhecendo os casos em que a previsão tradicional é inadequada. Conclui-se que o objetivo foi atingido: demonstrou-se que a abordagem mais eficaz para a previsão de demanda na categoria de informática é uma estratégia segmentada, na qual a escolha do modelo preditivo é condicionada pelo padrão de demanda específico de cada família de produtos, superando a busca por um modelo único e universal.

Referências:
Favero, L. P.; Belfiore, P.; Silva, F. L.; Chan, B. L. 2014. Manual de Análise de Dados. 1ed. Elsevier, Rio de Janeiro, RJ, Brasil.
Fawcett, T.; Provost, F. 2013. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O’Reilly Media, Sebastopol, CA, USA.
Hamilton, J. D. 1994. Time Series Analysis. 1ed. Princeton University Press, Princeton, NJ, USA.
Lazzeri, F. 2020. Machine Learning for Time Series Forecasting with Python. 1ed. Wiley, Hoboken, NJ, USA.
Makridakis, S.; Wheelwright, S. C.; Hyndman, R. J. 1998. Forecasting: Methods and Applications. 3ed. John Wiley & Sons, New York, NY, USA.
Mckinney, W. 2018. Python para Análise de Dados: tratamento de dados com Pandas, NumPy e IPython. 2ed. Novatec Editora, São Paulo, SP, Brasil.
Morettin, P. A.; Toloi, C. M. C. 2006. Análise de Séries Temporais. 2ed. Edgard Blücher, São Paulo, SP, Brasil.
Nielsen, A. 2020. Análise Prática de Séries Temporais: Predição com Estatística e Aprendizado de Máquina. 1ed. O’Reilly Media, Sebastopol, CA, USA.
Simanungkalit, E. 2024. Evaluation of ARIMA model performance in projecting future sales: case study on electronic products. Journal of Intelligent Decision Support System 7(4): 309-317.
Singer, C. D. P.; Motta, J. 2020. Análise de dados categorizados. 1ed. Edgard Blücher, São Paulo, SP, Brasil.


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