Resumen Ejecutivo

02 de febrero de 2026

Comparación de modelos de predicción de demanda para el comercio minorista de productos electrónicos

Carlos Eduardo Amorim de Oliveira; Elisa Morandé Sales

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

Este trabajo desarrolla y evalúa modelos de pronóstico de demanda basados en series temporales para la categoría de informática en una empresa minorista, comparando enfoques estadísticos con énfasis en la precisión y aplicabilidad para la gestión de inventario. El pronóstico de demanda es fundamental en la gestión de la cadena de suministro, especialmente en sectores volátiles como el de la electrónica de consumo. La categoría de informática, con artículos como portátiles y componentes, presenta desafíos singulares: fuerte estacionalidad (Black Friday, vuelta a clases), rápida obsolescencia tecnológica y el impacto de campañas promocionales que generan fluctuaciones abruptas en el consumo.

La ausencia de un sistema de previsión robusto acarrea consecuencias financieras y operativas. La sobreestimación de la demanda conduce al exceso de inventario, inmovilizando capital y aumentando los costos de almacenamiento y el riesgo de obsolescencia. La subestimación resulta en roturas de stock (stockouts), que comprometen los ingresos y la lealtad del cliente. En este contexto, la aplicación de modelos estadísticos para analizar datos históricos de ventas es una solución estratégica para mitigar riesgos. La capacidad de transformar datos en inteligencia predictiva es un diferencial competitivo (Fawcett & Provost, 2013).

Los modelos de series temporales son herramientas consolidadas para el análisis de datos secuenciales, partiendo de la premisa de que los patrones pasados contienen información sobre el comportamiento futuro (Morettin & Toloi, 2006). Técnicas como Holt-Winters y ARIMA (Promedio Móvil Autorregresivo Integrado) descomponen una serie en tendencia, estacionalidad y ruido para proyectar valores futuros. La ventaja de estos enfoques es la capacidad de generar predicciones precisas basándose únicamente en el historial de la variable de interés, lo que es útil cuando los datos externos son escasos (Nielsen, 2020).

La aplicación de estos modelos en el comercio minorista de informática permite cuantificar patrones de consumo, ofreciendo una base para decisiones de compra y asignación de inventario. El análisis sistemático de datos históricos posibilita la construcción de modelos con mayor poder predictivo y fomenta una cultura orientada a datos. Al ajustar los modelos para reflejar los ciclos de ventas específicos de la categoría, es posible anticipar picos y valles de demanda, permitiendo una planificación más eficaz de campañas y gestión de capital de trabajo.

El desarrollo de un modelo eficaz requiere un proceso metodológico que se inicia con un análisis exploratorio de los datos, incluyendo la inspección de gráficos, la verificación de supuestos como la estacionariedad y la descomposición de la serie para entender su estructura (Hamilton, 1994). La elección de métricas de evaluación alineadas a los objetivos de negocio también es un paso crítico. Este estudio, por lo tanto, busca construir un framework analítico que pueda ser comprendido, validado y replicado para otras categorías de productos de la empresa.

La metodología adopta un enfoque cuantitativo, alineado con los principios de la ciencia de datos aplicados a problemas de negocio (Fawcett & Provost, 2013). La base de datos utilizada consiste en el historial de ventas mensuales de la línea de Informática, cubriendo 30 meses, de enero de 2023 a junio de 2025. Los datos fueron agregados mensualmente usando la biblioteca Pandas en Python (McKinney, 2018). Para asegurar la integridad de la serie, los meses sin ventas fueron rellenados con el valor cero, reflejando la ausencia de demanda.

Antes del modelado, se realizó un análisis exploratorio. Cada serie temporal se descompuso en sus tres componentes: Tendencia, Estacionalidad y Residuos (Morettin & Toloi, 2006). Luego, para evaluar la idoneidad de los modelos ARIMA, se aplicó la Prueba de Dickey-Fuller Aumentada (ADF) para verificar la estacionariedad de la serie, un requisito previo para muchos modelos estocásticos (Fávero et al., 2014; Hamilton, 1994). Una serie no es estacionaria cuando sus propiedades estadísticas, como la media y la varianza, cambian con el tiempo.

Se implementaron cuatro modelos con diferentes niveles de complejidad, una práctica recomendada para evitar complejidad innecesaria (Nielsen, 2020). El Naive Estacional (SNAIVE) se utilizó como punto de referencia, prediciendo que el valor futuro será igual al del mismo período de la estación anterior. El Suavizado Exponencial Simple (SEX) se aplicó como modelo base. El Método Aditivo de Holt-Winters fue elegido por su capacidad para modelar nivel, tendencia y estacionalidad. Finalmente, se empleó el enfoque Auto-ARIMA, utilizando el algoritmo auto_arima para encontrar la combinación de parámetros (p,d,q)(P,D,Q) que minimiza el Criterio de Información de Akaike (AIC), garantizando un modelo parsimonioso.

Para la validación, la serie se dividió en un conjunto de entrenamiento (enero de 2023 a diciembre de 2024) y uno de prueba (enero de 2025 a junio de 2025). Los modelos se entrenaron en el primer período para predecir los seis meses del período de prueba. El rendimiento se evaluó comparando las predicciones con los valores reales, utilizando el Error Cuadrático Medio (RMSE) y el Error Porcentual Absoluto Medio (MAPE). Se priorizó el RMSE por ser más robusto y penalizar más severamente los errores grandes, siendo menos sensible a valores de demanda cercanos a cero. El MAPE puede presentar valores inflados en series con baja demanda, un fenómeno común en el comercio minorista (Makridakis et al., 1998).

La aplicación de la metodología reveló una heterogeneidad significativa en el comportamiento de las familias de productos. La Prueba de Estacionariedad ADF mostró que, de las siete familias analizadas, solo dos (“CORE I5” y “CORE I7”) eran estacionarias (valor p ≤ 0.05), mientras que las cinco restantes (“ACCESORIOS”, “NOTEBOOK GAMER”, “MONITOR”, “CORE I3” e “IMPRESORAS”) eran no estacionarias. Este resultado validó la necesidad de modelos como Auto-ARIMA y Holt-Winters, capaces de lidiar con la no estacionariedad (Hamilton, 1994). La descomposición de la serie agregada confirmó la presencia de una tendencia de crecimiento y una fuerte estacionalidad anual.

La evaluación cuantitativa del rendimiento de los modelos mostró que ninguno destacó como universalmente superior. La métrica MAPE demostró ser inestable, superando el 100% para familias como “IMPRESORAS” y “NOTEBOOK GAMER”. Este comportamiento ocurre cuando el error absoluto medio es mayor que el valor real medio, un artefacto común en series de bajo volumen que hace del MAPE un indicador poco fiable. La distribución del RMSE, en contrapartida, fue más estable, reforzando la decisión de priorizarlo como principal métrica de evaluación (Nielsen, 2020).

El análisis de la descomposición de cada serie, cruzado con los resultados de RMSE, reveló el principal hallazgo del estudio: el mejor modelo de predicción está directamente correlacionado con el patrón de demanda de la serie, un pilar de la ciencia de datos aplicada a los negocios (Fawcett & Provost, 2013). Emergieron tres patrones. El primero fue el de series dominadas por una fuerte tendencia de crecimiento, como la familia “CORE I5”. Para esta, el modelo Auto-ARIMA presentó el menor RMSE (895.6), ya que su estructura captura y proyecta trayectorias de crecimiento de manera robusta.

El segundo patrón fue el de series dominadas por una fuerte estacionalidad, con una tendencia menos definida, como la familia “NOTEBOOK GAMER”. La descomposición mostró picos de ventas claros y recurrentes. En este escenario, el modelo Naive Estacional (SNAIVE), a pesar de su simplicidad, tuvo el mejor desempeño, con un RMSE de 584.1. La premisa del SNAIVE de que el patrón del año anterior se repetirá se alineó a la naturaleza cíclica de la demanda, superando modelos más complejos. Esto evidencia que la adecuación al patrón de los datos, y no la complejidad del modelo, es el factor determinante.

El tercer segmento de productos fue el de demanda intermitente o esporádica. La familia “IMPRESORAS” fue el principal ejemplo, con una serie temporal caracterizada por ventas muy bajas, muchos períodos con valor cero y ausencia de patrón claro de tendencia o estacionalidad. Como consecuencia, ninguno de los modelos tradicionales logró generar predicciones precisas. El mejor resultado, obtenido por Suavización Exponencial Simple, aún presentó un MAPE de 344.7% y un RMSE de 272.3. Este resultado no es una falla en la modelización, sino un descubrimiento analítico crucial: las técnicas clásicas de series temporales son ineficaces para datos de demanda intermitente.

El descubrimiento de que diferentes patrones de demanda requieren diferentes enfoques de modelado tiene implicaciones estratégicas. En lugar de buscar un modelo único para toda la cartera, el análisis apunta a la necesidad de una estrategia de pronóstico segmentada. El valor de negocio reside en la capacidad de asignar recursos de modelado de manera inteligente: aplicar modelos simples como SNAIVE para productos estacionales; concentrar modelos complejos como Auto-ARIMA en productos estratégicos con fuerte tendencia; y reconocer los productos de demanda intermitente, que deben gestionarse con otras políticas de inventario, como puntos de reabastecimiento.

Los resultados corroboran parcialmente estudios como el de Simanungkalit (2024), que destacan la eficacia de modelos ARIMA para series con tendencia. Sin embargo, este trabajo avanza al proponer una estrategia segmentada basada en un diagnóstico previo del patrón de la serie. Además, evidencia la limitación de los modelos tradicionales en escenarios de demanda intermitente, abriendo camino para la exploración de modelos más adecuados para este tipo de dato, como el método de Croston, o la incorporación de variables exógenas.

Este trabajo demostró que la etapa de diagnóstico y análisis exploratorio de los datos es tan o más importante que la modelización predictiva. La descomposición de las series temporales fue la herramienta que reveló la heterogeneidad de la cartera, mostrando que se divide en segmentos con patrones de demanda distintos: dominados por tendencia, por estacionalidad e intermitentes. Este descubrimiento explica por qué ningún modelo único presentó el mejor rendimiento en todos los escenarios. La principal contribución del estudio no es la identificación de un algoritmo superior, sino la proposición de un proceso analítico en dos fases —diagnosticar el patrón de la serie y luego seleccionar el modelo adecuado— como el enfoque más robusto para la previsión de demanda en el comercio minorista. La implementación de este marco permite a la empresa optimizar recursos, aplicando modelos simples donde son eficaces, complejos donde son necesarios, y reconociendo los casos en que la previsión tradicional es inadecuada. Se concluye que el objetivo fue alcanzado: se demostró que el enfoque más eficaz para la previsión de demanda en la categoría de informática es una estrategia segmentada, en la cual la elección del modelo predictivo está condicionada por el patrón de demanda específico de cada familia de productos, superando la búsqueda de un modelo único y universal.

Referencias:
Favero, L. P.; Belfiore, P.; Silva, F. L.; Chan, B. L. 2014. Manual de Análisis de Datos. 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 Análisis de Datos: tratamiento de datos con Pandas, NumPy e IPython. 2ed. Novatec Editora, São Paulo, SP, Brasil.
Morettin, P. A.; Toloi, C. M. C. 2006. Análisis de Series Temporales. 2ed. Edgard Blücher, São Paulo, SP, Brasil.
Nielsen, A. 2020. Análisis Práctico de Series Temporales: Predicción con Estadística y Aprendizaje 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. Análisis de datos categorizados. 1ed. Edgard Blücher, São Paulo, SP, Brasil.


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.