Resumen Ejecutivo

30 de enero de 2026

Modelo Predictivo de Churn para retención de clientes en empresas SaaS

Ana Flávia de Toledo Serrain; Daniel de Souza Valotto

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

El objetivo de esta investigación fue desarrollar un modelo predictivo de “churn” para clientes del segmento “Software as a Service” (SaaS), que identificara patrones de riesgo de cancelación para optimizar la actuación de los equipos de “Customer Success” y fortalecer las estrategias de retención. El estudio buscó crear una herramienta que integrara múltiples indicadores de comportamiento y satisfacción del cliente, proporcionando una base de datos estructurada para decisiones proactivas y para la mitigación de pérdidas de ingresos recurrentes, un factor crítico para la sostenibilidad de negocios por suscripción.

La transición a modelos de negocio centrados en servicios de suscripción ha cambiado la relación entre empresas y consumidores. Como ilustran Steinman et al. (2017), el paradigma ha pasado de la posesión de un bien al acceso continuo a un servicio, lo que exige un enfoque en la entrega constante de valor para garantizar la fidelización. En este escenario, la sostenibilidad de un negocio depende de su capacidad para construir relaciones duraderas (Baxter, 2020), lo que convierte la retención en un pilar estratégico más importante que la adquisición. Esta lógica es prominente en el sector tecnológico; el modelo SaaS se ha consolidado. Según define Satyanarayana (2012), el SaaS ofrece software como un servicio en la nube, con acceso remoto y pago recurrente, lo que permite mejoras continuas (Melo et al., 2007), pero también facilita la cancelación por parte del cliente.

En este contexto, la relación con el cliente comienza a partir de la venta (Tzuo, 2018), lo que llevó al surgimiento del área de “Customer Success”. El “Customer Success Manager” (CSM) es responsable de garantizar que los clientes alcancen sus objetivos al utilizar la solución (Damin, 2019), siendo esencial para mitigar el “churn” – la cancelación de contratos y la consecuente pérdida de ingresos. La creciente expectativa por valor continuo hace que la actuación del “Customer Success” sea un factor crucial para la lealtad y el mantenimiento de contratos (Santos, 2021), alineando el éxito del cliente al crecimiento de la empresa (Rigonatti, 2024).

La relevancia de la retención se ve corroborada por datos de mercado. La investigación “State of SaaS LatAm 2024” (2024) demostró una fuerte correlación entre el crecimiento de los Ingresos Anuales Recurrentes (ARR) y la satisfacción del cliente, con las empresas más exitosas registrando tasas de cancelación cercanas al 1%. Ante esto, los modelos predictivos de “churn” emergen como herramientas para anticipar riesgos y orientar acciones preventivas (Gold, 2020), analizando datos históricos para identificar patrones que preceden a la cancelación. Aunque el fenómeno del “churn” se estudia en contextos B2C, existe una brecha de análisis aplicados al entorno B2B en el sector SaaS (Çalli y Kasim, 2022); el impacto en los ingresos recurrentes y en el tiempo de vida del cliente (LTV) es más significativo.

Este estudio se propone llenar parte de esa brecha desarrollando un modelo que combina diferentes fuentes de datos para una visión holística del riesgo de cancelación. El enfoque integra métricas de compromiso, satisfacción, soporte técnico y la evaluación cualitativa del CSM, reconociendo que el “churn” es un fenómeno multifactorial. El modelo no solo pretende predecir, sino proporcionar diagnósticos que permitan a los equipos de “Customer Success” actuar de manera asertiva y personalizada, fortaleciendo las relaciones con el cliente y la salud financiera de la organización.

La investigación se llevó a cabo con un enfoque descriptivo de naturaleza mixta, combinando datos cualitativos y cuantitativos para una comprensión profunda (Creswell, 2010). El diseño fue el de Levantamiento de Campo, centrado en el análisis de información histórica y conductual de clientes para identificar patrones (Sampieri et al., 2013). La recopilación de datos secundarios se realizó entre abril y mayo de 2025. Se utilizaron cinco categorías de fuentes de datos: 1) registros internos de una empresa brasileña de tecnología (motivos de cancelación, NPS, accesos, llamadas de soporte); 2) “benchmarks” de mercado, como informes de Agile Growth Labs (2025) y de Patrick Campbell (2020); 3) informes de consultorías e investigaciones, como el “Report SaaS Brasil 2023” y el “SaaS Survey Results” (SaaS Capital; KeyBanc Capital Markets, 2022); 4) literatura especializada del área; y 5) encuestas de terceros, como el “Customer Insights 2024” (Zenvia et al., 2024).

La muestra estuvo compuesta por datos secundarios, destacando la base de la empresa de tecnología socia: una organización con más de 30 años en el mercado, 15 mil clientes activos y 3 mil colaboradores, activa en los segmentos jurídico y empresarial. Su alto nivel de madurez operativa permitió un análisis en profundidad de patrones asociados al “churn”. La diversidad de fuentes fue fundamental para minimizar sesgos y contextualizar las métricas analizadas. La confidencialidad de la información fue garantizada.

Los datos cualitativos, como los comentarios de los clientes, se sometieron a un análisis de contenido. Los datos cuantitativos se sometieron a un tratamiento estadístico descriptivo, incluyendo estandarización y análisis de frecuencia, utilizando Microsoft Excel (Levine et al., 2008). El cálculo del riesgo de “churn” se realizó mediante una puntuación agregada, obtenida por la suma ponderada de los indicadores seleccionados, resultando en un índice clasificado en rangos de riesgo (bajo, medio y alto). El estudio siguió las directrices éticas aplicables, utilizando el Consentimiento Informado cuando fue necesario.

El análisis se estructuró en tres etapas: levantamiento del escenario SaaS, desarrollo del modelo predictivo y análisis de la aplicación del modelo en la rutina del CSM. El “Report SaaS Brasil 2023” reveló que el 89,7% de las empresas SaaS brasileñas operan en el modelo B2B, pero solo el 9,4% tenía la retención como foco estratégico. El mismo estudio mostró que las estrategias de crecimiento guiadas por ventas presentan las menores tasas de “churn” (4,7%), en contraste con las guiadas por comunidad (8,2%). La investigación de Agile Growth Labs (2025) señaló una tasa media de “churn” mensual del 4,1%, diferenciando entre cancelaciones voluntarias (3,0%) e involuntarias (1,1%). Análisis de ProfitWell (Campbell, 2020) y de SaaS Capital (2022) indican que las empresas SaaS saludables mantienen tasas de “churn” anual por debajo del 5% en el mercado B2B. La investigación “Customer Insights 2024” (Zenvia et al., 2024) mostró que el 67% de las organizaciones con LTV superior a un año poseen un área de CS o CX consolidada desde hace más de dos años, reforzando la correlación entre la madurez del área y la longevidad del cliente.

Con base en este escenario, el modelo predictivo se construyó sobre cuatro indicadores con pesos distintos. El primero, Indicador Humano, recibió el mayor peso (30%), reflejando la importancia de la interacción humana. Este indicador cualitativo evalúa la relación con el cliente desde la percepción del CSM, clasificándolo como “comprometido”, “sin riesgo” o “con riesgo mapeado”, funcionando como un calibrador que captura matices no revelados por datos brutos. El segundo, el Net Promoter Score (NPS), con un peso del 20%, mide la satisfacción y la lealtad (Reichheld, 2003). El modelo considera una señal de alerta cuando un cliente permanece en la zona de riesgo (NPS de -100 a 0) durante dos meses consecutivos. El tercer indicador, Compromiso, con un peso del 30%, evalúa el uso de la plataforma, considerando variables como días sin acceso y número de usuarios activos, comparando el comportamiento de los últimos tres meses con el período anterior. Una caída consistente en el compromiso es un fuerte predictor de “churn” silencioso.

El cuarto indicador, Llamadas de Soporte, con un peso del 20%, analiza la cantidad y naturaleza de las llamadas abiertas. Un alto volumen de problemas puede indicar un desgaste en la experiencia, aunque el acto de abrir una llamada también demuestra compromiso. La puntuación final de riesgo se calcula sumando los pesos de los indicadores en estado de alerta, clasificando al cliente en tres rangos: Bajo Riesgo (0-20%), Riesgo Medio (21-50%) y Alto Riesgo (superior al 50%). Por ejemplo, un cliente con NPS en zona de riesgo (20%) entra en bajo riesgo. Si manifiesta insatisfacción en una reunión, se activa el Indicador Humano, sumando un 30% más y elevándolo a riesgo medio (50%). Si, posteriormente, el compromiso disminuye, se añaden un 30% más, totalizando el 80% y clasificándolo como alto riesgo.

La validación del modelo se realizó con datos históricos de 2024, utilizando una muestra de 26 clientes estratégicos. Los resultados demostraron alta eficacia: de los clientes que realizaron algún tipo de cancelación (34,6% de la muestra), el modelo identificó correctamente al 77,8% de ellos como estando en riesgo medio o alto. Un hallazgo crucial fue que el 100% de los clientes que cancelaron algún servicio presentaron el indicador de bajo compromiso como señal de alerta, confirmando la relevancia de su peso del 30%. De igual manera, el Indicador Humano estuvo presente en el 100% de los casos de cancelación, validando su importancia. El 22,2% de cancelaciones no previstas estuvieron relacionadas con interacciones con otras áreas de la empresa, apuntando a la necesidad de un flujo de comunicación interna más integrado.

Entre los clientes que no cancelaron (65,4% de la muestra), el modelo identificó correctamente al 17,6% como estando en riesgo, permitiendo la implementación de planes de acción preventivos que revirtieron la situación de insatisfacción. El análisis también reveló que el NPS, aunque útil, tiene limitaciones para predecir cancelaciones parciales, ya que la percepción de un usuario puede no reflejar problemas de otro sector de la misma empresa. Esto sugiere la necesidad de segmentar la aplicación de la encuesta NPS para usuarios clave. El modelo demostró ser una herramienta robusta para dirigir la atención del CSM, priorizando clientes de alto riesgo y monitoreando proactivamente los de riesgo medio.

El modelo predictivo demostró ser una herramienta eficiente para la identificación de clientes en riesgo de “churn”, especialmente en cuentas estratégicas; la combinación de datos cuantitativos y percepción humana es fundamental. La investigación evidenció que indicadores como bajo compromiso y la evaluación cualitativa del CSM son los predictores más fuertes de cancelación, justificando sus pesos elevados. En la práctica, el estudio ofrece un instrumento estructurado que permite a los gestores de “Customer Success” optimizar la asignación de recursos, priorizar acciones de retención y basar decisiones en un análisis de datos completo. Al fortalecer la capacidad de retención, el modelo contribuye a la salud financiera y la estabilidad de empresas SaaS. Adicionalmente, al proponer mejoras en la gestión de clientes, la investigación se alinea al ODS 9 (Industria, Innovación e Infraestructura).

A pesar de su eficacia, el modelo presenta limitaciones, como el enfoque en clientes de alto valor, lo que puede restringir la generalización de los resultados, y la inherente subjetividad del Indicador Humano. Investigaciones futuras podrían explorar la inclusión de nuevos indicadores, como la morosidad, probar algoritmos más sofisticados y evaluar la aplicabilidad del modelo en diferentes sectores o con segmentación por perfil de cliente. Se concluye que el objetivo se alcanzó: se demostró que el modelo predictivo propuesto, que combina indicadores cuantitativos y cualitativos, es una herramienta relevante y eficaz para identificar patrones de riesgo de cancelación, apoyar decisiones estratégicas de retención y fortalecer la relación con clientes de alto valor en el segmento SaaS.

Referencias:
AGILE GROWTH LABS. 2025. SaaS churn rate benchmarks 2025. Disponible en: https://www. agilegrowthlabs. com/blog/saas-churn-rate-benchmarks-2025/. Acceso en: 5 de mayo de 2025.
BAXTER, Robbie Kellman. 2020. The forever transaction: how to build a subscription model so compelling, your customers will never want to leave. 1 ed. McGraw-Hill Education, Nueva York, NY, EE. UU..
BUILDERS 2 BUILDERS. 2023. Report SaaS Brasil 2023. Disponible en: https://blog. vindi. com. br/saas-brasil-2023/. Acceso en: 5 de mayo de 2025.
CRESWELL, John W. 2010. Projeto de pesquisa: métodos qualitativo, quantitativo e misto. 3 ed. Artmed, Porto Alegre, RS, Brasil.
ÇALLI, Levent; KASIM, Sena. 2022. Using Machine Learning Algorithms to Analyze Customer Churn in the Software as a Service (SaaS) Industry. Academic Platform Journal of Engineering and Smart Systems. Disponible en: https://dergipark. org. tr/en/pub/apjess/article/1139862? issueid=72618. Acceso en: 16 de dic. de 2025.
DAMIN, Hiram B. 2019. Customer Success: o sucesso das empresas focadas em clientes. 1 ed. DVS Editora, São Paulo, SP, Brasil.
FORRESTER. 2023. Net Promoter Score℠ (NPS) essentials. Disponible en: https://www. forrester. com/report/net-promoter-score-tm-nps-essentials/RES60925. Acceso en: 8 de sep. de 2025.
GOLD, Carl. 2020. Fighting churn with data: the science and strategy of customer retention. 1 ed. Manning Publications, Shelter Island, NY, EE. UU..
LEVINE, D. M.; STEPHENS, C. F.; KREBSBACH, L. L. 2008. Estatística: teoria e aplicações usando Excel. 5 ed. Pearson Prentice Hall, São Paulo, SP, Brasil.
MELO, Cássio A.; ARCOVERDE, Daniel F.; MORAES, Éfrem R. A.; PIMENTEL, João H. C.; FREITAS, Rodrigo Q. 2007. Software como serviço: um modelo de negócio emergente. Centro de Informática – Universidade Federal de Pernambuco (UFPE), Recife, PE, Brasil.
PATRICK CAMPBELL. 2020. Where SaaS stands today: benchmarks and lessons from 17,479 SaaS companies. Disponible en: https://www. slideshare. net/slideshow/where-saas-stands-today-benchmarks-and-lessons-from-17479-saas-companies-with-profitwell/232718628. Acceso en: 5 de mayo de 2025.
REICHHELD, Frederick F. 2003. The one number you need to grow. Disponible en: https://hbr. org/2003/12/the-one-number-you-need-to-grow. Acceso en: 17 de ago. de 2025.
SAAS CAPITAL; KEYBANC CAPITAL MARKETS (KBCM). 2022. SaaS survey results: growth, churn, and financial metrics. Disponible en: https://www. cfodesk. co. il/wp-content/uploads/2022/11/2022
kbcmsaassurvey10-20-22vf. pdf. Acceso en: 5 de mayo de 2025.
SAMPIERI, Roberto Hernández; COLLADO, Carlos Fernández; LUCIO, Pilar Baptista. 2013. Metodologia de pesquisa. 5 ed. McGraw-Hill, São Paulo, SP, Brasil.
SANTOS, Erick Rodrigo dos. 2021. O papel e as práticas de Customer Success Management de empresas de base tecnológica de Florianópolis. Trabalho de Conclusão de Curso (Graduação em Administração). Universidade Federal de Santa Catarina, Florianópolis, SC, Brasil.
SATYANARAYANA, S. 2012. Cloud computing: SaaS. Computer Sciences and Telecommunications. Sri Venkateswara Institute of Science & Information Technology, Tadepalligudem, AP, India.
STATE OF SAAS LATAM. 2024. O estado das SaaS na América Latina em 2024. Disponible en: https://stateofsaaslatam. com/. Acceso en: 23 de feb. de 2025.
STEINMAN, Dan; MURPHY, Lincoln; MEHTA, Nick. 2017. Customer Success: como as empresas inovadoras descobriram que a melhor forma de aumentar a receita é garantir o sucesso dos clientes. 4 ed. Autêntica Business, Belo Horizonte, MG, Brasil.
TZUO, Tien; WEISERT, Gabe. 2018. Subscribed: why the subscription model will be your company’s future – and what to do about it. 1 ed. Portfolio, Nueva York, NY, EE. UU..
ZENVIA; MINDMINERS; CS ACADEMY; SENSEDATA. 2024. Customer insights 2024: panorama do Customer Success no Brasil. Disponible en: https://materiais. zenvia. com/customer-insights-2024. Acceso en: 1 de jun. de 2025.

Resumen ejecutivo proveniente de Trabajo de Conclusión de Curso de Especialización en Negocios Digitales del MBA USP/Esalq

Sepa más sobre el curso; haga clic aquí:

Quién editó este artículo

Más recientes

También te puede interesar

16 de octubre de 2026

Reforma tributaria y empresas de tecnología: adaptación de la controladoría al nuevo modelo de créditos tributarios

La Reforma Tributaria brasileña, instituida por la Enmienda Constitucional n° 132/2023 y regulada por la Ley Complementaria n° 214/2025, alteró la tributación sobre el consumo, sustituyendo impuestos por Impuesto sobre Bienes y Servicios (IBS) y Contribución Social sobre Bienes y Servicios (CBS), bajo el principio de no acumulabilidad plena. El estudio tuvo como objetivo describir los principales desafíos percibidos por profesionales de contraloría de empresas de tecnología en la adaptación al nuevo modelo de no acumulabilidad y liquidación de créditos tributarios. Se realizó una investigación aplicada, descriptiva, con enfoque mixto (cualitativo-cuantitativo), mediante un estudio de campo. Se recopilaron datos de 15 profesionales de contraloría o gestión fiscal, utilizando un cuestionario estructurado. Las respuestas fueron analizadas por distribución de frecuencia y análisis de contenido temático. Los resultados revelaron que los profesionales perciben la Reforma como un evento de impacto multifuncional, que demanda revisiones en sistemas Enterprise Resource Planning (ERP), criterios de liquidación de créditos, capacitación de equipos e integración interáreas. La limitación del aprovechamiento de créditos sobre costos de mano de obra emergió como un desafío estructural específico para el sector. Se constató el fortalecimiento del papel estratégico de la contraloría en la transición tributaria, especialmente en fijación de precios, planificación tributaria y estructura de contratación, contribuyendo al debate sobre las implicaciones gerenciales y operacionales de la Reforma Tributaria.

Palabras clave: contraloría; créditos tributarios; empresas de tecnología; no acumulabilidad; reforma tributaria.

16 de octubre de 2026

Previsión de alta precipitación en Rio Grande do Sul para la prevención de desastres hidrometeorológicos

En abril de 2024, Rio Grande do Sul enfrentó la mayor tragedia climática de su historia, evidenciando la necesidad de mejorar las estrategias de predicción y prevención de desastres hidrometeorológicos. El estudio tuvo como objetivo desarrollar un modelo predictivo basado en redes neuronales de tipo Long Short-Term Memory (LSTM) para clasificar eventos de alta precipitación en el estado. Se utilizaron datos históricos del Instituto Nacional de Meteorología (INMET) entre 2013 y 2025, recolectados de 44 estaciones meteorológicas automáticas. La metodología comprendió la selección de variables por el algoritmo Random Forest, que identificó la precipitación total horaria y la temperatura del punto de rocío como las características de mayor poder predictivo, y el modelado con arquitectura LSTM de dos capas, entrenada con aplicación del SMOTE para el tratamiento del desbalance entre clases. El modelo alcanzó un AUC-ROC de 0,9373 y un recall del 82,4% para eventos extremos, definidos como precipitación superior al percentil 95 de la distribución histórica (8,60 mm/hora). Se demostró la capacidad de identificar la gran mayoría de las ocurrencias de alta precipitación con antelación, confirmando la viabilidad del uso de redes neuronales LSTM para la predicción de eventos hidrometeorológicos extremos. El trabajo ofrece una contribución potencial a los sistemas de monitoreo climático y a las políticas públicas de prevención de desastres naturales en Brasil.

Palabras clave: Desastres hidrometeorológicos; LSTM; Precipitación extrema; Redes Neuronales Artificiales; Rio Grande do Sul.

16 de octubre de 2026

Análisis Espacial de la Edad de los Condominios en São Paulo como Herramienta Estratégica para Administradoras

El adensamiento habitacional en São Paulo, donde el 29,4% de la población reside en apartamentos, estableció un mercado de gestión de condominios altamente competitivo que demanda estrategias de prospección basadas en datos espaciales. El estudio objetivó mapear la evolución urbana de la capital paulista por medio de algoritmos de análisis espacial e indicadores de edad predial para el desarrollo de herramientas de inteligencia competitiva. La metodología comprendió la extracción e integración de datos públicos del CNPJ vía plataforma KNIME, resultando en una base de 32.040 condominios, de los cuales el 98% fueron geocodificados con la API de Google Maps. El análisis macroespacial identificó que las Zonas Este y Sur lideraron el crecimiento inmobiliario reciente, mientras que picos de registros en 1984 y 1985 fueron asociados a cambios en la legislación tributaria y no a ciclos constructivos reales. Paralelamente, el análisis microespacial utilizó el algoritmo BallTree para comparar cada condominio con sus 20 vecinos más cercanos, revelando que el 29% de las unidades representaron puntos de renovación local en áreas consolidadas. Los resultados fueron consolidados en un dashboard interactivo que permite la visualización estratégica del mercado en diferentes niveles de granularidad. Se concluyó que la integración de la ciencia de datos al territorio permitió que administradoras sustituyeran enfoques genéricos por prospecciones personalizadas al ciclo de vida y a la realidad competitiva de cada condominio, optimizando la asignación de recursos de marketing y la efectividad de los equipos comerciales.

Palabras clave: Algoritmo BallTree; Análisis Espacial; Ciencia de Datos Urbanos; Gestión Condominial.

16 de octubre de 2026

Criterios y usabilidad de documentos en el proceso de elección de materiales didácticos

Un estudio analizó documentos pedagógicos que orientan la elección de materiales didácticos en el Programa Nacional del Libro y del Material Didáctico (PNLD), considerando su relevancia para la práctica docente y la gestión escolar. El objetivo fue analizar la claridad, la organización y la aplicabilidad de la Guía Digital del PNLD 2023 – Años Iniciales y de la Guía de Apoyo al Análisis de Materiales Didácticos del Instituto Reúna, identificando sus límites, potencialidades e implicaciones para la práctica pedagógica. Se realizó una investigación cualitativa, exploratoria y descriptiva, fundamentada en el análisis documental orientado por la técnica de análisis de contenido. Se examinaron aspectos como estructura, navegabilidad, organización de los criterios, densidad textual y estimación de tiempo de lectura. El análisis reveló tensiones entre la regulación estatal, el mercado editorial y la autonomía escolar, y los resultados presentaron diferencias significativas entre los documentos. La Guía del PNLD se mostró extensa, técnicamente densa y predominantemente normativa. En contraste, la Guía del Instituto Reúna se organizó de forma progresiva y didáctica, con recursos gráficos que favorecieron la comprensión y el uso colectivo por parte de las escuelas. Se concluyó que las características estructurales y discursivas de los documentos influyen directamente en su usabilidad y pueden impactar el grado de autonomía y participación de los equipos escolares en el proceso de elección de los materiales didácticos.

Palabras clave: formación docente; materiales didácticos; PNLD; políticas curriculares; proceso decisorio.

16 de octubre de 2026

Automatización de la Auditoría Fiscal y Contable: Herramienta de verificación de la Calidad para el Ranking SICONFI

La transparencia y la integridad de la información contable son requisitos fundamentales para la conformidad fiscal de las entidades públicas, evaluadas por la Secretaría del Tesoro Nacional (STN) a través del Ranking del Sistema de Información Contable y Fiscal del Sector Público Brasileño (SICONFI). El estudio tuvo como objetivo desarrollar una herramienta de auditoría proactiva para una entidad de la federación, con el fin de mitigar inconsistencias fiscales en la Dimensión 1 (Gestión de la Información) antes del resultado oficial. La metodología se basó en Ciencia de Datos, utilizando el lenguaje Python para la extracción automatizada de la Matriz de Saldos Contables (MSC) vía Interfaz de Programación de Aplicaciones (API) del Tesoro Transparente, y el software Power BI para la construcción de un panel de conformidad. El proyecto se centró en la integración de datos para garantizar la simetría de plazos y entregas entre los registros contables y los demonstrativos fiscales. Los resultados demostraron que la automatización del flujo de datos permitió la identificación anticipada de divergencias, promoviendo la confiabilidad de la información y la eficiencia del control interno gubernamental, con una arquitectura estructurada para su expansión a las demás dimensiones del ranking. La aplicación de la herramienta en datos del ejercicio de 2025 demostró su pleno funcionamiento, con el 100% de conformidad en las 38 verificaciones de control de la Dimensión 1. Se concluyó que la solución actuó como un modelo innovador y escalable para la modernización de la gestión pública, entregando una herramienta capaz de mitigar inconsistencias fiscales previamente a la consolidación del Ranking SICONFI.

Palabras clave: Ciencia de datos; Conformidad gubernamental; Control interno; Gestión pública; Inteligencia de negocios.

16 de octubre de 2026

Modelo estructurado de gestión de alto riesgo en la salud suplementaria: eficiencia operativa y coordinación del cuidado

La creciente presión por la sostenibilidad económico-asistencial en la salud complementaria brasileña impulsó la adopción de modelos de gestión para poblaciones de mayor riesgo. El estudio tuvo como objetivo describir y analizar la estructuración y operacionalización de un modelo de gestión de una cartera de alto riesgo asistencial, así como comparar, de forma descriptiva, los indicadores agregados de hospitalizaciones y visitas a urgencias de la misma cohorte de 100 beneficiarios entre 2023 y 2025. Se realizó un estudio de caso único, descriptivo y retrospectivo, integrando análisis documental cualitativo y análisis cuantitativo descriptivo de datos administrativos. El modelo se implementó en una operadora verticalizada, con 100 beneficiarios de alto riesgo identificados por marcador electrónico. El proceso implicó la captación diaria de eventos asistenciales, categorización por especialidad, distribución de los casos al equipo responsable y protocolo multiprofesional de seguimiento durante 28 días después de visitas a urgencias o altas hospitalarias. El análisis documental reveló mayor estandarización de los flujos, definición de las responsabilidades y trazabilidad de los seguimientos en el modelo reformulado. En la comparación entre los períodos, las hospitalizaciones disminuyeron de 166 en 2023 a 52 en 2025, una reducción del 68,67%, y las visitas a urgencias cayeron de 238 a 130, una variación del 45,38%. Las reducciones ocurrieron en el período en que el modelo ya se encontraba incorporado a la rutina institucional, configurando una asociación temporal favorable. Sin embargo, debido al diseño descriptivo, la ausencia de grupo de comparación y la imposibilidad de ajuste de factores clínicos y contextuales, las variaciones observadas no pudieron ser atribuidas exclusivamente a la implantación del modelo. El estudio contribuyó a sistematizar una experiencia organizacional de gestión de una cartera de alto riesgo en la salud complementaria, ofreciendo elementos para análisis y adaptación en contextos institucionales similares.

Palabras clave: Coordinación del cuidado; Gestión de alto riesgo; Gestión poblacional; Seguimiento post-evento; Salud complementaria.

16 de octubre de 2026

Monitoreo ambiental utilizando IoT y “servidor web”

El monitoreo y control de variables ambientales es un factor crítico en la industria, el comercio y la agricultura. El objetivo fue construir un sistema basado en Internet de las Cosas (IoT) para la automatización y el control ambiental remoto, utilizando sensores y actuadores de forma eficaz y flexible. Para ello, la humedad del aire fue seleccionada como variable a monitorear y controlar. Se desarrollaron módulos para el sensoreamiento y la modificación de las variables ambientales, junto con un servidor central para procesar la información recopilada. La arquitectura incluyó un sensor DHT-11, un microcontrolador ATMEGA328, un módulo Wi-Fi ESP-8266 y una Raspberry Pi como servidor web. Las pruebas de funcionamiento se realizaron en un prototipo físico con ambiente aislado, donde un micro ventilador actuó en el control de la humedad. El sistema demostró capacidad para recopilar datos, responder a variaciones ambientales y controlar la humedad del aire dentro del rango especificado, reduciéndola por exaustión. Sin embargo, la reducción de la humedad por exaustión resultó limitada por la humedad externa. Se concluyó que el sistema cumplió su objetivo de monitorear y controlar variables ambientales de forma automatizada, ofreciendo flexibilidad y arquitectura modular para diversas aplicaciones, como laboratorios y invernaderos, y promoviendo la democratización del acceso a la tecnología en el campo.

Palabras clave: Automatización; Control; ESP-8266; Raspberry Pi; Wi-Fi.

16 de octubre de 2026

Cultura digital, automatización y uso del CRM: un estudio de caso en el mercado inmobiliario.

La transformación digital ha ampliado la disponibilidad de sistemas de Gestión de Relaciones con Clientes (CRM), automatización e inteligencia artificial en el proceso comercial, pero su apropiación estratégica no es automática. El estudio analizó cómo la cultura digital organizacional, la automatización comercial y el uso del CRM influyen en la gestión y el rendimiento comercial en una organización del mercado inmobiliario, investigando prácticas de uso del CRM, fricciones operacionales, percepciones de corredores y liderazgo, y mecanismos de gobernanza orientados a datos. Se adoptó un enfoque mixto, aplicado y descriptivo, con cuestionarios estructurados aplicados a 48 corredores y 4 profesionales de liderazgo, además de análisis estadístico descriptivo, construcción de índices sintéticos y análisis temático. Los hallazgos indicaron que el CRM está incorporado a la rutina de acceso, pero no a la producción consistente de datos. Se observó convergencia entre corredores y liderazgo en cuanto a las debilidades de registro y fragmentación por canales paralelos, aunque con percepciones distintas de los efectos. El tiempo de actuación no se relacionó linealmente con la madurez digital, y el aumento de la carga de oportunidades se asoció a una mayor dificultad de seguimiento manual. Como contribución, se propuso el framework GCOD (Gobernanza Comercial Orientada a Datos), que integra CRM, inteligencia analítica, orquestación comercial y gobernanza continua. Se concluyó que la eficiencia comercial depende de la capacidad organizacional de integrar tecnología, comportamiento y gobernanza para reducir fricciones, preservar la calidad de los datos y orquestar la atención humana y automatizada a lo largo de la jornada del lead.

Palabras clave: Automatización comercial; CRM; Cultura de datos; Gobernanza comercial; Transformación digital.

16 de octubre de 2026

Aplicaciones de Inteligencia Artificial y Simulación Computacional en la Fijación de Precios y Gestión de Liquidez

El estudio, de carácter exploratorio, investigó cómo técnicas de Inteligencia Artificial y Simulación Computacional pueden ser aplicadas a la formación de precios con foco en la gestión de la liquidez empresarial. El objetivo fue proponer e ilustrar un método de Fijación de Precios Dinámica Adaptativa Orientada por la Caja, en el cual la definición de precios dependió de sus efectos esperados sobre las ventas y, subsecuentemente, sobre la trayectoria del flujo de caja. Para ello, se desarrolló un caso hipotético con datos sintéticos de precios y ventas, un modelo predictivo de ventas en función del precio propio y del precio medio de la competencia, un modelo de proyección de flujo de caja capaz de incorporar plazos de cobro, morosidad, costos transaccionales, reposición de inventario y costos fijos, y un simulador computacional para evaluación de escenarios competitivos. El proceso de modelado predictivo comparó diferentes algoritmos de aprendizaje automático, siendo seleccionada una regresión lineal con términos cuadráticos y de interacción por presentar un desempeño predictivo competitivo, buena capacidad de generalización y mayor interpretabilidad. Los resultados de las simulaciones indicaron que el enfoque propuesto superó un escenario base de precio fijo desde la perspectiva de la liquidez, produciendo trayectorias de caja superiores en la mayor parte del horizonte analizado. Se concluyó que la fijación de precios puede ser tratada no solo como un problema comercial, sino también como un problema de gestión de caja, abriendo espacio para aplicaciones prácticas y estudios futuros con datos reales, múltiples productos y métodos más avanzados de decisión secuencial.

Palabras clave: Aprendizaje Automático; flujo de caja; Fijación de Precios; Simulación Computacional; Toma de Decisiones.