Resumo Executivo

26 de fevereiro de 2026

Modelagem Preditiva de Inadimplência com Algoritmos Supervisionados de Machine Learning

João Gabriel de Medeiros Luz Pedro; Carlos Nabil Ghobril

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

O objetivo desta pesquisa foi analisar e tratar um conjunto de dados do Banco Central do Brasil (Bacen) para implementar, treinar e validar modelos de Machine Learning, utilizando os algoritmos supervisionados CatBoost, Random Forest e XGBoost, a fim de mensurar a capacidade preditiva na identificação de inadimplência. A complexidade do cenário econômico brasileiro, com o aumento do endividamento familiar, exige que instituições financeiras possuam ferramentas precisas para gestão de risco de crédito. A capacidade de antecipar o comportamento de pagamento dos consumidores é um pilar para a sustentabilidade do setor, e a aplicação de técnicas de ciência de dados surge como solução para aprimorar a precisão das análises.

O panorama do endividamento no Brasil justifica a urgência de estudos na área. Dados da Pesquisa de Endividamento e Inadimplência do Consumidor (PEIC) de abril de 2024 mostram que 78,5% das famílias brasileiras possuíam dívidas, e 12,1% admitiram não ter condições de honrar seus compromissos (CNC, 2024). Uma pesquisa da CNDL e do SPC Brasil registrou 68,62 milhões de brasileiros inadimplentes, correspondendo a 41,51% da população adulta (Poder360, 2024). Esses números sinalizam um risco sistêmico que pode afetar a estabilidade das instituições financeiras. Uma prática que contribui para o endividamento é a extensão dos prazos de pagamento, que compromete a renda futura e aumenta a probabilidade de inadimplência em cenários de instabilidade (CNC, 2024). Diante disso, a análise de crédito tradicional, baseada em regras estáticas, é insuficiente. A necessidade de aprimorar os mecanismos de análise de risco é imperativa para mitigar perdas.

A presente pesquisa propõe uma abordagem baseada em aprendizado de máquina para a previsão de inadimplência. A utilização de algoritmos supervisionados permite a construção de modelos que aprendem padrões a partir de dados históricos, identificando relações não lineares que seriam difíceis de detectar por métodos estatísticos convencionais (Kotsiantis, 2007). Um dos desafios técnicos enfrentados foi a presença de um grande número de variáveis categóricas, como ‘ocupacao’, ‘modalidade’ de crédito e ‘uf’, que são cruciais para a caracterização do perfil do cliente, mas exigem tratamentos específicos para serem utilizadas por algoritmos como Random Forest e XGBoost. A escolha de técnicas de pré-processamento e a seleção de features foram etapas fundamentais para garantir a geração de modelos preditivos robustos.

O escopo do trabalho abrangeu um ciclo completo de um projeto de ciência de dados: extração e tratamento dos dados, análise exploratória, treinamento, avaliação e comparação de múltiplos modelos de Machine Learning. A validação dos resultados foi realizada por meio de métricas como acurácia, F1-Score e a área sob a curva ROC (AUC-ROC), garantindo uma avaliação objetiva do desempenho de cada algoritmo. O estudo buscou identificar o modelo mais eficaz para o cenário proposto, fornecendo uma base para a implementação de sistemas de apoio à decisão em instituições financeiras.

A metodologia iniciou com a coleta de dados históricos de crédito do Sistema de Informações de Crédito (SCR) do Bacen (Banco Central do Brasil, 2024). O conjunto de dados inicial compreendia 12 arquivos CSV, correspondentes aos meses de 2024. Para a manipulação e processamento, foi utilizado o framework Apache Spark, que permitiu a unificação e limpeza dos arquivos, incluindo a remoção de linhas mal formatadas e a especificação do separador de colunas e codificação (UTF-8). A etapa de pré-processamento é fundamental, pois a eficácia dos algoritmos depende da qualidade dos dados de entrada (Fávero & Belfiore, 2024). Após a limpeza, foi realizada a padronização dos formatos numéricos, substituindo vírgulas por pontos como separador decimal e removendo os separadores de milhar. O conjunto de dados consolidado foi armazenado no formato Apache Parquet, otimizado para operações de leitura. A infraestrutura tecnológica incluiu a linguagem Python no IDE Spyder e bibliotecas como Pandas, Matplotlib, Seaborn, e os frameworks CatBoost, Random Forest e XGBoost.

A análise exploratória de dados (EDA) foi conduzida para compreender a estrutura do dataset, composto por 13 variáveis categóricas e 12 numéricas. A variável alvo, vencidoacimade15dias, foi transformada em uma variável binária (0 para adimplente, 1 para inadimplente), enquadrando o problema como classificação binária. A análise de correlação foi realizada para o conjunto de dados completo e para um subconjunto focado em clientes Pessoa Física (PF), pois clientes Pessoa Jurídica (PJ) possuem perfis distintos. A análise revelou que a proporção de inadimplência era maior no grupo de PF. Visualizações gráficas exploraram a relação entre inadimplência e variáveis como UF, indexador e modalidade de crédito, confirmando a relevância dessas features.

A seleção dos algoritmos baseou-se em sua eficácia em problemas de classificação. O Random Forest foi escolhido por sua robustez contra overfitting, obtida pela agregação de árvores de decisão (Breiman, 2001). O XGBoost foi selecionado por sua alta performance e velocidade, sendo uma implementação otimizada do gradient boosting (Chen & Guestrin, 2016; Friedman, 2001). O CatBoost foi incluído por sua capacidade nativa de lidar com variáveis categóricas, simplificando o pré-processamento (Prokhorenkova et al., 2018). A avaliação do desempenho utilizou Acurácia, Precisão, Recall e F1-Score. Adicionalmente, a curva ROC e o cálculo da AUC-ROC foram usados para avaliar a capacidade discriminativa dos modelos (Fawcett, 2006). Para garantir a robustez, foi empregada a validação cruzada k-fold, que mitiga o risco de o desempenho ser dependente de uma divisão específica entre treino e teste (Fávero & Belfiore, 2024).

Os resultados obtidos revelaram desempenhos distintos. O CatBoost Classifier demonstrou um desempenho superior, exigindo mínimo ajuste de hiperparâmetros e pré-processamento simplificado. Sua principal vantagem foi lidar nativamente com variáveis categóricas. A matriz de confusão inicial mostrou alta taxa de acertos, e a curva AUC-ROC apresentou valores próximos a 1.0 para treino e teste, com uma AUC de 0.99, sinalizando excelente capacidade de discriminação e ausência de overfitting. A análise de importância das variáveis indicou que a feature carteirainadimplidaarrastada possuía a maior significância. Contudo, sua alta correlação com a variável alvo poderia levar a um vazamento de dados conceitual. Para investigar esse efeito, foi realizado um segundo treinamento do CatBoost removendo essa variável. Os resultados mostraram uma leve queda no desempenho, mas o gráfico de importância das variáveis tornou-se mais distribuído, com outras features como ativo_problematico e modalidade ganhando relevância. A validação cruzada k-fold confirmou a estabilidade e robustez dos resultados em ambas as versões do modelo.

O Random Forest Classifier apresentou resultados satisfatórios, porém inferiores aos do CatBoost. A implementação exigiu um pré-processamento mais intensivo, com remoção de variáveis com alta multicolinearidade e a transformação de variáveis categóricas via one-hot encoding. Esse processo aumentou a dimensionalidade do dataset, resultando em um tempo de treinamento maior. A matriz de confusão e a curva AUC-ROC do Random Forest indicaram bom poder preditivo, mas com valores de AUC ligeiramente inferiores aos do CatBoost. O XGBoost Classifier, utilizando o mesmo pré-processamento do Random Forest, demonstrou um desempenho notável, superando o Random Forest em todas as métricas e se aproximando do CatBoost. Sua vantagem mais evidente foi a velocidade de processamento, significativamente mais rápido que o Random Forest. A curva AUC-ROC do XGBoost também apresentou valores excelentes, e a robustez do modelo foi confirmada pela validação cruzada.

Em análise comparativa, o CatBoost se destacou como o algoritmo de melhor desempenho geral. Sua vantagem reside na combinação de alta acurácia com a simplicidade no pré-processamento de variáveis categóricas. O XGBoost emergiu como uma alternativa forte, com desempenho quase tão bom quanto o do CatBoost e velocidade superior à do Random Forest. O Random Forest, embora robusto, mostrou-se menos adequado para este cenário, devido à sua sensibilidade ao pré-processamento de categóricas e ao maior custo computacional. A discussão dos resultados evidencia que a escolha do algoritmo deve se adaptar às características dos dados e aos requisitos do problema.

A superioridade dos algoritmos baseados em boosting de gradiente (XGBoost e CatBoost) sobre o método de bagging (Random Forest) sugere que a construção sequencial de árvores; cada nova árvore corrige os erros da anterior, foi mais eficaz para capturar os padrões de inadimplência. A performance do CatBoost reforça a importância de algoritmos com mecanismos otimizados para features categóricas, um desafio comum em datasets financeiros. A necessidade de aplicar one-hot encoding para Random Forest e XGBoost aumentou a complexidade computacional e pode ter diluído o poder informativo de algumas variáveis. A importância das variáveis revelada pelos modelos oferece insights para a gestão de risco. Features como carteirainadimplidaarrastada e ativo_problematico foram os preditores mais fortes, mas a capacidade dos modelos de extrair poder de outras variáveis, como modalidade de crédito e indexador, demonstra o potencial do Machine Learning. A identificação de que certas modalidades de crédito estão mais associadas à inadimplência pode permitir que instituições financeiras ajustem suas políticas de forma mais granular.

A robustez dos modelos, confirmada pela validação cruzada, é crucial para sua aplicabilidade no mundo real. A consistência do desempenho do CatBoost e do XGBoost através das diferentes dobras da validação indica que os modelos aprenderam padrões generalizáveis, não apenas ruído do conjunto de treinamento. Isso confere maior confiabilidade aos resultados e segurança para sua implementação em sistemas de produção. A pesquisa, portanto, valida um processo metodológico rigoroso que pode ser replicado por instituições financeiras para desenvolver suas próprias soluções de modelagem preditiva.

Este trabalho demonstrou a viabilidade e a eficácia da aplicação de modelos de Machine Learning para a previsão de inadimplência com dados do Banco Central do Brasil. O processo abrangeu desde o tratamento rigoroso dos dados até a implementação e comparação de três algoritmos supervisionados. A análise exploratória foi fundamental para direcionar tratamentos específicos, como o foco em clientes pessoa física. A comparação entre os modelos revelou que, para o conjunto de dados analisado, o algoritmo CatBoost obteve os melhores resultados globais. Sua capacidade de lidar nativamente com variáveis categóricas simplificou o pré-processamento e resultou em um modelo com excelente acurácia e confiabilidade. O XGBoost também apresentou desempenho excepcional, posicionando-se como uma alternativa competitiva. O Random Forest, apesar de gerar resultados aceitáveis, foi o menos performático e o mais custoso em tempo de processamento. Conclui-se que o objetivo foi atingido: demonstrou-se que os algoritmos de boosting, especialmente o CatBoost, em conjunto com um pré-processamento de dados adequado, oferecem uma solução robusta e precisa para a previsão de inadimplência, podendo aprimorar as estratégias de risco de crédito em instituições financeiras.

Referências:
Banco Central do Brasil (BACEN). 2024. Disponível em: <https://dadosabertos. bcb. gov. br/dataset/scrdata>. Acesso em: 03 abr. 2025.
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. doi: 10.1023/A:1010933404324.
Chen, T.; Guestrin, C. 2016. XGBoost: A scalable tree boosting system. 1. ed. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794.
(CNC) Confederação Nacional do Comércio de Bens, Serviços e Turismo. 2024. Pesquisa de Endividamento e Inadimplência do Consumidor (Peic) – abril de 2024. Disponível em: <https://portaldocomercio. org. br/publicacoes
posts/pesquisa-de-endividamento-e-inadimplencia-do-consumidor-peic-abril-de-2024/:>. Acesso em: 03 abr. 2025.
Fávero, L. P.; Belfiore, P. 2024. Manual de Análise de Dados: estatística e Machine Learning com EXCEL®, SPSS®, STATA®, R® e Python®. 2ed. LTC, Rio de Janeiro, RJ, Brasil.
Fawcett, T. (2006). An Introduction to ROC Analysis. Pattern Recognition Letters, 27(8), 861–874. doi: 10.1016/j. patrec.2005.10.010.
Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. doi: 10.1214/aos/1013203451.
Kotsiantis, S. B. (2007). Supervised Machine Learning: A Review of Classification Techniques. Informatica, 31(3), 249–268.
Poder360. 2024. Inadimplência no Brasil atinge 41,51% da população adulta em novembro. Disponível em:<https://www. poder360. com. br/poder-economia/inadimplencia-no-brasil-atinge-4151-da-populacao-adulta-em-novembro/>. Acesso em: 17 jun. 2025.
Prokhorenkova, L.; Gusev, G.; Vorobev, A.; Dorogush, A. V.; Gulin, A. 2018. CatBoost: unbiased boosting with categorical features. 1. ed. Advances in Neural Information Processing Systems (NeurIPS)., 31.

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