Previsão da geração de energia fotovoltaica por meio de aprendizado de máquina: um estudo aplicado a uma usina no Nordeste do Brasil

Stagnitta, Vincenzo; Felício, Adâmara Santos Gonçalves

doi:10.22167/2675-6528-202603963

Artigo

06 de novembro de 2026

Previsão da geração de energia fotovoltaica por meio de aprendizado de máquina: um estudo aplicado a uma usina no Nordeste do Brasil

Vincenzo Stagnitta; Adâmara Santos Gonçalves Felício

DOI: 10.22167/2675-6528-202603963

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

O incremento das energias renováveis no Brasil, em especial da energia fotovoltaica, evidenciou a necessidade de aprimorar a previsão da produção das usinas, em função da elevada dependência de fatores climáticos e da consequente variabilidade da geração elétrica. Desenvolveu-se e avaliou-se modelos de aprendizado de máquina para a previsão da geração de energia elétrica de uma usina fotovoltaica no Nordeste do Brasil, analisando o impacto da inclusão progressiva de variáveis meteorológicas, temporais, derivadas e defasadas. Utilizaram-se dados horários de geração de energia e variáveis meteorológicas provenientes de bases oficiais e públicas. Implementaram-se três algoritmos de regressão baseados em árvores (Árvore de Decisão, Random Forest e XGBoost) em uma modelagem estruturada em três fases: variáveis meteorológicas, temporais e cíclicas e de defasagens. Os resultados indicaram forte correlação entre a radiação solar e a geração de energia. Observou-se desempenho preditivo moderado nas fases iniciais da modelagem, com melhora expressiva na terceira fase, onde o XGBoost se destacou com um R² de 0,898. Concluiu-se que a inclusão de variáveis temporais e técnicas de engenharia de atributos foi determinante para o aprimoramento da capacidade preditiva dos três modelos, configurando-se como uma estratégia para aplicações práticas no setor fotovoltaico.

Palavras-chave: Algoritmo baseado em árvores; Dados meteorológicos; Dependência temporal; Engenharia de atributos; Parque solar.

1. Introdução

O setor fotovoltaico tem apresentado um crescimento exponencial global na última década, consolidando-se como uma das fontes energéticas de maior expansão no mundo (IEA, 2024). No Brasil, essa expansão é igualmente notável, com a capacidade instalada saltando de dez MW em 2015 para aproximadamente 16.000 MW em 2025 (ONS, 2025a). Tal crescimento posiciona a energia fotovoltaica como um componente essencial da matriz energética diversificada do país, que já integra outras fontes renováveis como eólica, biomassa e hidrelétrica (Bondarik, 2018). As projeções indicam que a geração de fontes fotovoltaica e eólica deverá dobrar até 2035, respondendo por cerca de 40% de toda a eletricidade gerada nacionalmente (BP Energy, 2025).

A geração de energia elétrica a partir de fontes renováveis, em particular a solar fotovoltaica, é intrinsecamente dependente das condições climáticas e geográficas locais (Pereira et al., 2017). Essa característica confere a essas fontes um caráter intermitente e as sujeita a uma variabilidade temporal significativa. Fatores como o ciclo sazonal, o ciclo diário, a presença de nuvens e aerossóis na atmosfera influenciam diretamente a radiação solar recebida, que é crucial para a conversão energética nos sistemas fotovoltaicos (Pereira et al., 2017). Consequentemente, a variabilidade das condições atmosféricas ao longo do tempo aumenta a incerteza na previsão da geração de energia fotovoltaica, afetando sua previsibilidade.

Nesse contexto, a variabilidade das condições meteorológicas representa um desafio considerável para a previsão da geração de energia fotovoltaica, com implicações diretas para o planejamento e a operação do sistema elétrico nacional (EPE, 2025). A capacidade de prever com precisão as flutuações na geração de energia, com base em dados históricos de produção e variáveis meteorológicas, é um desafio relevante para o setor fotovoltaico brasileiro. A lacuna reside na necessidade de modelos preditivos mais robustos que possam capturar a complexidade dessas interações e a dependência temporal da geração.

A superação desse desafio é fundamental para otimizar a integração da energia solar na rede elétrica, garantindo maior segurança e eficiência operacional. A aplicação de algoritmos de aprendizado de máquina surge como uma abordagem promissora para desenvolver modelos preditivos capazes de lidar com a não linearidade e a alta dimensionalidade dos dados envolvidos na previsão da geração fotovoltaica. A hipótese que norteia este trabalho é que a combinação de variáveis meteorológicas, atributos temporais e transformações derivadas pode aprimorar significativamente a precisão da previsão da geração de energia elétrica de usinas fotovoltaicas, permitindo uma melhor exploração dos padrões sazonais e cíclicos.

Assim, o presente estudo justifica-se pela necessidade de aprimorar as ferramentas de previsão para o setor fotovoltaico, contribuindo para o avanço da pesquisa em aprendizado de máquina aplicada à energia. O escopo principal deste estudo consiste em desenvolver e avaliar modelos de aprendizado de máquina para previsão da geração de energia elétrica de uma usina fotovoltaica, analisando o impacto da inclusão progressiva de variáveis meteorológicas, temporais e derivadas no desempenho preditivo.

2. Material e Métodos

O presente trabalho caracterizou-se como uma pesquisa de natureza quantitativa, fundamentada na análise de dados e na aplicação de métodos estatísticos e algoritmos de aprendizado de máquina. Adotou-se uma abordagem exploratória, visando identificar padrões e relações entre variáveis meteorológicas e a produção de energia fotovoltaica. Configurou-se, ainda, como um estudo de caso, concentrando a investigação em uma unidade específica de análise, com foco na previsão da geração de energia de uma usina fotovoltaica no Nordeste do Brasil.

O objeto empírico do estudo foi o Complexo Solar Alex, uma usina fotovoltaica localizada no estado do Ceará, entre os municípios de Limoeiro do Norte e Tabuleiro do Norte, a aproximadamente 230 km da cidade de Fortaleza (Portal do Governo do Ceará, 2026). O complexo, pertencente à empresa Elera Renováveis, iniciou operação comercial em 2021, com capacidade instalada de 360 MWp, distribuídos em nove subcampos (Canal Solar, 2022). A análise dos dados abrangeu o período de 2022 a 2024.

Os dados utilizados foram obtidos de bases de dados públicas. As informações sobre a geração horária de energia elétrica foram extraídas dos portais do Operador Nacional do Sistema Elétrico (ONS, 2025b) e da Câmara de Comercialização de Energia Elétrica (CCEE, 2025). Os dados meteorológicos foram coletados da estação do Instituto Nacional de Meteorologia (INMET, 2025) mais próxima da usina, denominada Morada Nova, e complementados com dados da base NASA POWER (NASA, 2025).

As variáveis explicativas incluíram temperatura do ar (°C), velocidade do vento (m/s), precipitação total (mm), umidade relativa do ar (%) e radiação solar global (W/m²). A variável dependente foi a geração horária de energia elétrica (MWh). Os dados extraídos compreendem todas as horas dos dias dos anos analisados. Após a coleta, os dados foram submetidos a etapas de limpeza e pré-processamento para remover ruídos e inconsistências, garantindo a qualidade do conjunto de dados.

Realizou-se uma inspeção da estrutura do banco de dados para identificar as características das variáveis, verificando que a maioria era numérica, exceto a variável de instante de observação, que era temporal. Para avaliar a associação linear entre as variáveis meteorológicas e a geração de energia, utilizou-se a correlação linear de Pearson (Fávero; Belfiore, 2017). O banco de dados foi dividido cronologicamente em conjuntos de treino (janeiro de 2022 a dezembro de 2023, com 17.336 observações) e teste (ano de 2024, com 8.774 observações).

Foram implementados e comparados três algoritmos de regressão baseados em árvores: Árvore de Decisão (James et al., 2021), Random Forest (Breiman, 2001) e XGBoost (Chen; Guestrin, 2016). A modelagem foi estruturada em três fases para avaliar o impacto da inclusão progressiva de variáveis. Na Fase 1, os algoritmos foram treinados exclusivamente com as variáveis meteorológicas originais, estabelecendo um modelo de referência.

Na Fase 2, foram adicionadas variáveis temporais simples, extraídas do instante de observação, como hora do dia, dia da semana, mês, ano e dia do ano. Na Fase 3, incluíram-se variáveis cíclicas e de defasagem da geração de energia. As variáveis cíclicas, como seno e cosseno da hora do dia, do mês e do ano, foram criadas a partir de transformações trigonométricas. Adicionalmente, foram geradas três variáveis defasadas da geração de energia (t-1, t-2 e t-3) para capturar a dependência temporal da série.

O desempenho preditivo dos modelos foi avaliado no conjunto de teste utilizando métricas como Erro Quadrático Médio (MSE), Raiz do Erro Quadrático Médio (RMSE), Erro Absoluto Médio (MAE) e Coeficiente de Determinação (R²) (James et al., 2021). Para otimizar o desempenho e mitigar o sobreajuste, realizou-se a busca sistemática pelos melhores hiperparâmetros de cada algoritmo por meio da técnica GridSearchCV, que combina validação cruzada com busca exaustiva (Kohavi, 1995). A modelagem foi desenvolvida na linguagem Python, utilizando bibliotecas como pandas, NumPy, matplotlib, seaborn e scikit-learn, garantindo a robustez da análise e a coerência com os objetivos propostos.

3. Resultados e Discussão

Os resultados obtidos neste estudo revelaram insights importantes sobre a previsão da geração de energia fotovoltaica em uma usina no Nordeste do Brasil, utilizando modelos de aprendizado de máquina. Inicialmente, a análise exploratória dos dados permitiu caracterizar as variáveis meteorológicas e a geração de energia elétrica. Observou-se que a radiação solar global (ghi_wm2) e a geração horária de energia elétrica (geracao_mwh) apresentaram uma forte associação positiva, com uma elevada frequência de valores nulos correspondendo aos períodos noturnos, quando a radiação solar é inexistente. As estatísticas descritivas indicaram uma média de geração horária de 72,98 MWh e uma radiação solar média de 249,14 W/m², ao longo do período analisado.

A análise de correlação linear de Pearson confirmou uma forte associação entre a radiação solar e a geração de energia fotovoltaica, com um coeficiente de correlação de 0,845. Variáveis como a temperatura do ar (r = 0,591) e a umidade relativa do ar (r = -0,513) também demonstraram correlações lineares moderadas com a geração de energia. Em contraste, a precipitação total e a velocidade do vento exibiram associações lineares reduzidas. Esses achados são consistentes com a literatura, que frequentemente aponta a radiação solar como o principal fator explicativo da geração fotovoltaica, com coeficientes de correlação superiores a 0,80, refletindo o papel direto da irradiância na conversão energética (Atiea et al., 2024).

Desempenho dos modelos de aprendizado de máquina

Fase 1: base original

Na primeira fase da modelagem, onde os algoritmos Árvore de Decisão, Random Forest e XGBoost foram treinados exclusivamente com as variáveis meteorológicas originais, o desempenho preditivo foi moderado. Os coeficientes de determinação (R²) variaram de 0,5240 para a Árvore de Decisão, 0,5448 para o Random Forest e 0,5475 para o XGBoost. Os valores de Raiz do Erro Quadrático Médio (RMSE) e Erro Absoluto Médio (MAE) foram elevados, indicando que, embora os modelos explicassem aproximadamente metade da variabilidade da geração de energia, ainda havia uma margem significativa de erro. O XGBoost destacou-se ligeiramente como o modelo com melhor desempenho nesta fase inicial.

A importância relativa das variáveis explicativas na Fase 1 revelou que a radiação solar global (ghi_wm2) foi, de longe, a variável de maior relevância para os três modelos, especialmente para a Árvore de Decisão, que atribuiu toda a importância a ela. As demais variáveis meteorológicas, como temperatura do ar, umidade relativa, velocidade do vento e precipitação, apresentaram menor importância relativa, com poucas diferenças entre Random Forest e XGBoost. A dispersão observada entre os valores reais e previstos, conforme ilustrado nas análises de dispersão, sugeriu limitações na capacidade preditiva dos modelos, indicando a necessidade de refinamento ou a inclusão de variáveis explicativas mais representativas.

Fase 2: variáveis temporais

A inclusão de variáveis temporais simples, como hora do dia, dia da semana, mês, ano e dia do ano, na Fase 2 da modelagem, resultou em uma melhora moderada no desempenho preditivo dos modelos Random Forest e XGBoost. O R² para o Random Forest aumentou para 0,5636 e para o XGBoost para 0,5792, acompanhado por uma redução nos valores de MSE, RMSE e MAE. Contudo, o desempenho da Árvore de Decisão permaneceu inalterado, sugerindo menor sensibilidade desse modelo à incorporação de informações temporais adicionais.

A matriz de correlação linear da Fase 2 confirmou a persistência da forte correlação entre a radiação solar e a geração de energia (r = 0,84). Entre as variáveis temporais adicionadas, a hora do dia apresentou uma correlação moderada com a geração de energia (r = 0,27), o que reflete o ciclo diurno da produção fotovoltaica. As demais variáveis temporais demonstraram correlações lineares fracas. A radiação solar global (ghi_wm2) manteve-se como a variável mais importante em todos os modelos, enquanto a hora do dia ganhou relevância nos modelos Random Forest e XGBoost, indicando a contribuição das informações temporais para a explicação da variabilidade da geração.

Fase 3: variáveis cíclicas e defasadas

A terceira fase da modelagem, que incorporou variáveis cíclicas (transformações seno e cosseno da hora do dia, dia do ano e mês) e variáveis de defasagem temporal da própria geração de energia (geracao_mwh_lag1, geracao_mwh_lag2 e geracao_mwh_lag3), demonstrou uma melhora significativa e expressiva no desempenho preditivo dos três modelos. O coeficiente de determinação (R²) da Árvore de Decisão aumentou para 0,8873, do Random Forest para 0,8923 e do XGBoost para 0,8985. Essa melhoria foi acompanhada por uma redução substancial nos erros, com o RMSE da Árvore de Decisão caindo de aproximadamente 60,6 MWh para 29,5 MWh.

O XGBoost apresentou o melhor desempenho global nesta fase, com o maior R² (0,8985) e os menores valores de MSE, RMSE e MAE, seguido pelo Random Forest e pela Árvore de Decisão. Esses resultados corroboram a importância das informações temporais cíclicas e de defasagem para aprimorar a capacidade dos modelos em prever a geração de energia fotovoltaica, permitindo a captura de padrões sazonais e a dependência temporal da série. A radiação solar global (ghi_wm2) permaneceu como a variável de maior importância, embora sua relevância relativa tenha diminuído em comparação com as fases anteriores devido à ascensão das variáveis de defasagem, especialmente geracao_mwh_lag1, que se tornou altamente relevante.

A matriz de correlação linear da Fase 3 evidenciou que as variáveis de defasagem da geração de energia apresentaram correlações elevadas com a geração, com r = 0,90 para geracao_mwh_lag1, r = 0,73 para geracao_mwh_lag2 e r = 0,54 para geracao_mwh_lag3. Isso reforça a forte dependência temporal da série de geração fotovoltaica. As variáveis cíclicas, particularmente as transformações trigonométricas do dia do ano e da hora do dia, também mostraram correlações moderadas com a geração, com r = -0,70 para o cosseno da hora do dia, indicando que a periodicidade diária contribui para a capacidade dos modelos de capturar os padrões de geração.

A otimização dos hiperparâmetros dos modelos por meio da técnica GridSearchCV foi crucial para maximizar o desempenho preditivo e mitigar o risco de sobreajuste. Os melhores conjuntos de hiperparâmetros foram identificados para cada algoritmo em cada fase, contribuindo para os resultados robustos alcançados na Fase 3. As análises gráficas da Fase 3 mostraram uma maior concentração dos pontos ao longo da linha de referência, indicando um ajuste preditivo significativamente melhor em comparação com as fases anteriores. Houve maior aderência entre os valores reais e estimados ao longo do período de teste, com redução das discrepâncias observadas previamente.

Apesar do bom desempenho geral, notou-se a ocorrência de discrepâncias pontuais, especialmente em períodos de maior variabilidade ou quedas abruptas na geração, sugerindo que os modelos ainda possuem limitações na capacidade de capturar todas as nuances da variabilidade. Esses resultados estão alinhados com estudos prévios que avaliaram modelos integrando dados meteorológicos e históricos, nos quais o coeficiente de determinação variou entre 0,85 e 0,95 (Amiri et al., 2024). O desempenho superior do XGBoost, seguido pelo Random Forest, também está em consonância com a literatura que destaca a maior capacidade de generalização desses algoritmos em cenários de alta variabilidade e não linearidade (Amiri et al., 2024; Atiea et al., 2024; Didavi et al., 2021).

Embora alguns estudos reportem valores de R² superiores a 0,90, próximos de 0,97 (Hassan et al., 2025), esses resultados são frequentemente associados a conjuntos de dados altamente controlados, séries temporais mais estáveis ou processos de otimização mais intensivos. Neste contexto, o desempenho obtido neste estudo, com R² próximo de 0,90 em dados de teste, pode ser considerado satisfatório para aplicações reais de previsão fotovoltaica, especialmente em ambientes operacionais onde há incertezas associadas à variabilidade climática e limitações na disponibilidade de dados meteorológicos mais detalhados.

As limitações metodológicas do estudo incluem a forte dependência de variáveis defasadas da própria geração (geracao_mwh_lag1), o que pode superestimar o desempenho preditivo e reduzir a aplicabilidade do modelo para horizontes de previsão mais longos ou em contextos sem medições recentes. Além disso, a disponibilidade limitada de dados meteorológicos de maior qualidade impediu a inclusão de variáveis atmosféricas diretamente relacionadas à atenuação da radiação solar, como nebulosidade e concentração de aerossóis, e fatores operacionais, como estado de limpeza dos painéis ou registros de indisponibilidade da usina.

A ausência dessas variáveis é uma limitação relevante, conforme apontado na literatura, e pode impactar negativamente a capacidade dos modelos de capturar variações mais complexas, especialmente em situações de maior variabilidade climática. Por fim, o estudo concentrou-se em uma única usina e em um período específico de observação, o que restringe a generalização dos resultados. A extrapolação para outros contextos geográficos, operacionais e climáticos deve ser realizada com cautela, exigindo validação prévia dos modelos em diferentes cenários para confirmar sua robustez e aplicabilidade.

Em síntese, os modelos de aprendizado de máquina baseados em árvores, especialmente o XGBoost, demonstraram capacidade preditiva aprimorada para a geração de energia fotovoltaica quando variáveis temporais, cíclicas e de defasagem são incorporadas. A radiação solar permanece como o principal preditor, mas a engenharia de atributos temporais e a dependência da série temporal da própria geração são cruciais para capturar a complexidade e a periodicidade da produção de energia, respondendo ao objetivo de aprimorar a previsão da geração de energia elétrica de usinas fotovoltaicas.

4. Conclusão

O presente estudo buscou desenvolver e avaliar modelos de aprendizado de máquina para a previsão da geração de energia elétrica de uma usina fotovoltaica, analisando o impacto da inclusão progressiva de variáveis meteorológicas, temporais e derivadas no desempenho preditivo. Verificou-se uma forte correlação entre a radiação solar e a geração de energia, com um coeficiente de Pearson de 0,845, confirmando a radiação solar como o principal fator explicativo. Na fase inicial da modelagem, que utilizou apenas variáveis meteorológicas, os modelos apresentaram desempenho preditivo moderado, com coeficientes de determinação (R²) variando entre 0,524 e 0,547. A inclusão de variáveis temporais simples na segunda fase resultou em uma melhora discreta. Contudo, a terceira fase, que incorporou variáveis cíclicas e de defasagem da própria geração, demonstrou uma melhoria significativa e expressiva no desempenho, com o modelo XGBoost alcançando um R² de 0,898. Esse resultado evidenciou que a engenharia de atributos temporais e a dependência da série temporal da própria geração foram determinantes para aprimorar a capacidade preditiva dos modelos, configurando-se como uma estratégia robusta para aplicações práticas no setor fotovoltaico.

Apesar do ajuste preditivo alcançado, o estudo apresentou limitações metodológicas. A forte dependência de variáveis defasadas da própria geração pode superestimar o desempenho e restringir a aplicabilidade do modelo para horizontes de previsão mais longos ou em contextos sem medições recentes. Adicionalmente, a disponibilidade limitada de dados meteorológicos de maior qualidade impediu a inclusão de variáveis atmosféricas como nebulosidade e concentração de aerossóis, e fatores operacionais, que poderiam impactar a capacidade dos modelos de capturar variações mais complexas. Por fim, a restrição a uma única usina e a um período específico de observação limita a generalização dos resultados. Para estudos futuros, recomenda-se a incorporação de variáveis meteorológicas mais abrangentes, a avaliação em diferentes horizontes de previsão e a inclusão de dados operacionais da usina. Sugere-se também a exploração de modelos híbridos e arquiteturas mais complexas, capazes de modelar explicitamente a evolução temporal dos dados, visando aprimorar a robustez e a generalização preditiva em diversos cenários.

Referências Bibliográficas

BONDARIK, R. Uma visão geral sobre o potencial de geração de energias renováveis no Brasil. v. 43, 2018.

BP Energy Outlook 2025 – Brazil insights., 2025.

Canal Solar., 2022. Disponível em: <https://canalsolar.com.br>

EPE. Empresa De Pesquisa Energética [EPE]. Geração solar e mudanças climáticas: fact sheet. Brasília: EPE, 2025., 2025. Disponível em: <https://www.epe.gov.br>

IEA. International Energy Agency [IEA]. Renewables 2024: Analysis and forecast to 2028. Paris: IEA, 2024., 2024. Disponível em: <https://www.iea.org>

ONS. Operador Nacional do

ONS. Operador Nacional do Sistema Elétrico [ONS] – Evolução da Capacidade Instalada de Geração Eólica e Fotovoltaica. 2025a. Disponível em: <https://www.ons.org.br >

PEREIRA, E. et al. Atlas brasileiro de energia solar. 2. ed. [S.I.]: Universidade Federal de São Paulo, 2017.

Portal do Governo do Ceará., 2026. Disponível em: <https://www.ceara.gov.br>

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

Mais recentes

06 de novembro de 2026

Influência do marketing digital no consumo de suplementos proteicos e alimentos enriquecidos com proteína

06 de novembro de 2026

Inovação na Gestão Operacional do Setor Elétrico com Apoio da Ciência de Dados

06 de novembro de 2026

Comportamento de clientes em cursos preparatórios: segmentação RFM, Cadeias de Markov e aprendizado supervisionado

06 de novembro de 2026

Otimização da Inteligência de Negócios no E-commerce Brasileiro: Fine-Tuning de LLMs para Aspect-Based Sentiment Analysis em Avaliações de Clientes

06 de novembro de 2026

Classificação de retornos de ações no Brasil com machine learning e técnicas de meta-labeling

06 de novembro de 2026

Influenciadores digitais, confiança e intenção de compra em marcas próprias de cosméticos

06 de novembro de 2026

Método AHP-Gaussiano na seleção de fornecedores: conformidade em contratações públicas

06 de novembro de 2026

Posicionamento de marcas globais de alimentação e a percepção do consumidor no mercado digital contemporâneo

06 de novembro de 2026

Entre a Crise e o Sucesso: impacto das finanças no desempenho esportivo de clubes brasileiros

Você também pode gostar

06 de novembro de 2026

Influência do marketing digital no consumo de suplementos proteicos e alimentos enriquecidos com proteína

O consumo de suplementos proteicos e alimentos com adição de proteína tem crescido significativamente nos últimos anos, com conteúdos digitais relacionados à saúde, estética e desempenho físico tornando-se parte relevante da rotina de brasileiros que buscam um estilo de vida disciplinado. O presente estudo teve como objetivo analisar o comportamento de consumo de suplementos e alimentos proteicos, bem como a influência das redes sociais e dos influenciadores digitais nas decisões de compra dos consumidores. Realizou-se uma pesquisa exploratória, que utilizou um questionário online aplicado a 62 participantes via Google Forms, disseminado no Instagram, e uma entrevista semiestruturada com o CEO de uma marca de suplementos. A análise dos dados foi quali-quantitativa. Os resultados indicaram que as redes sociais, especialmente o Instagram, desempenharam papel central no contato inicial dos consumidores com as marcas. A maioria dos entrevistados associou o consumo de produtos proteicos a um estilo de vida saudável e fitness, e considerou a influência de criadores de conteúdo digital no estímulo à experimentação e à compra. Identificou-se o impacto significativo do marketing digital e das narrativas aspiracionais no comportamento de consumo, reforçando a relação entre alimentação funcional, identidade social e pertencimento no ambiente digital no contexto da suplementação e alimentação proteica.

Palavras-chave: Alimentos com adição de proteína; Comportamento do consumidor; Consumo de suplementos proteicos; Influenciadores digitais; Marketing digital.

06 de novembro de 2026

Inovação na Gestão Operacional do Setor Elétrico com Apoio da Ciência de Dados

A aplicação da ciência de dados na gestão operacional da distribuição de energia elétrica foi investigada com o objetivo de otimizar processos e a tomada de decisão estratégica. O estudo analisou como algoritmos preditivos e painéis de Business Intelligence podem potencializar a gestão operacional, visando otimizar o despacho de equipes, prever demandas e monitorar indicadores em tempo real para decisões mais ágeis e sustentáveis. A pesquisa teve caráter aplicado e considerou dados históricos, geográficos e operacionais da EDP São Paulo em São José dos Campos, abrangendo o período de janeiro de 2018 a dezembro de 2024. Os dados foram tratados em ambiente de Business Intelligence e submetidos a algoritmos de machine learning, como regressão linear múltipla e redes neurais recorrentes, para previsão de demanda e identificação de padrões de falhas. Adicionalmente, utilizou-se clustering para identificar áreas críticas. Os resultados indicaram que a integração de modelos de previsão com indicadores operacionais em tempo real reduziu o tempo de resposta a ocorrências, aumentou a eficiência na alocação de recursos e promoveu a melhoria contínua da operação. As redes neurais recorrentes demonstraram maior precisão na previsão de demanda, e a análise de correlação apontou a precipitação como fator relevante para o aumento de interrupções. A identificação de áreas críticas por clustering permitiu priorizar ações de manutenção. Concluiu-se que a adoção de métodos de ciência de dados moderniza o setor, reduz custos, aumenta a confiabilidade e promove maior sustentabilidade, oferecendo subsídios para decisões mais ágeis e sustentáveis na gestão energética.

Palavras-chave: Algoritmos preditivos; Business Intelligence; Ciência de dados; Distribuição de energia; Gestão operacional.

06 de novembro de 2026

Comportamento de clientes em cursos preparatórios: segmentação RFM, Cadeias de Markov e aprendizado supervisionado

Construiu-se uma arquitetura analítica para compreender e predizer o comportamento de compra de clientes de um provedor de cursos livres preparatórios. O objetivo foi integrar segmentação RFM, modelagem de transições por Cadeias de Markov e predição de propensão por Regressão Logística, Random Forest e Gradient Boosting, sob a estrutura do CRISP-DM. Utilizaram-se dados transacionais de 7.123 clientes de um provedor de cursos livres, abrangendo novembro de 2022 a janeiro de 2026. A metodologia CRISP-DM guiou a segmentação RFM, a modelagem de transições por Cadeias de Markov e a predição de propensão à compra por modelos supervisionados (Regressão Logística, Random Forest e Gradient Boosting), com validação temporal ‘out-of-time’. A segmentação RFM revelou quatro perfis, com o segmento Muito Recorrente (25% da base) concentrando 60,5% da receita. A Cadeia de Markov indicou uma tendência de degradação da base no longo prazo, com o segmento Baixa Aquisição projetado para crescer de 25% para 31,3% no equilíbrio. Os modelos supervisionados alcançaram AUC entre 0,811 e 0,826, demonstrando que o poder preditivo reside nas variáveis RFM, com a recência emergindo como preditor dominante. Concluiu-se que a integração dessas abordagens fornece subsídios concretos para decisões estratégicas de retenção, segmentação e priorização de clientes em contextos educacionais, destacando a necessidade de ações estruturadas para reverter a degradação da base e a importância da recência na predição de recompra.

Palavras-chave: Cadeias de Markov; CRISP-DM; Predição de propensão; Random Forest; Segmentação RFM.

06 de novembro de 2026

Otimização da Inteligência de Negócios no E-commerce Brasileiro: Fine-Tuning de LLMs para Aspect-Based Sentiment Analysis em Avaliações de Clientes

O crescimento do e-commerce brasileiro consolidou as avaliações de clientes como rica fonte de dados não estruturados para a inteligência de negócios. Contudo, métricas tradicionais agregadas, como notas de estrelas, falham em capturar a complexidade de sentimentos mistos em um único comentário. O estudo objetivou desenvolver um modelo multi-label de Análise de Sentimento Baseada em Aspectos (ABSA) por meio do Fine-Tuning do modelo de linguagem BERTimbau, visando classificar sentimentos em quatro aspectos de negócio e comparar seu desempenho com baselines convencionais. Para isso, utilizou-se o Brazilian E-Commerce Public Dataset by Olist. Os resultados demonstraram desempenho superior do modelo ajustado, que alcançou um F1-Macro de 0,8149, representando uma melhoria de 23,7% em relação aos baselines de satisfação convencionais. Concluiu-se que o uso de LLMs especializados permite transformar feedbacks subjetivos em indicadores de diagnóstico acionáveis, fornecendo subsídios estratégicos para a gestão da cadeia de suprimentos e a otimização da experiência do cliente no ambiente digital.

Palavras-chave: Aprendizado de Máquina; Experiência do Cliente; Gestão da Cadeia de Suprimentos; Marketplace; Processamento de Linguagem Natural.

06 de novembro de 2026

Classificação de retornos de ações no Brasil com machine learning e técnicas de meta-labeling

A demanda por estratégias quantitativas em mercados de capitais impulsionou o desenvolvimento de modelos de machine learning. O presente estudo implementou um pipeline de aprendizado de máquina para a classificação ternária de retornos de ações brasileiras, visando diagnosticar sobreajuste, avaliar o uso de meta-rotulagem e Hierarchical Risk Parity (HRP) para gerar alpha positivo, e documentar modos de falha. Reuniu-se 276 ativos da B3 entre 2000 e 2026, totalizando 257.970 amostras rotuladas pelo esquema triple-barrier sobre eventos CUSUM. Um classificador primário XGBoost agrupado foi treinado com pesos de amostra corrigidos por concorrência e unicidade. A validação empregou PurgedKFold e validação cruzada combinatória purgada (CPCV), com diagnóstico de sobreajuste via PBO e DSR. A decisão de lado seguiu a softmax bruta do modelo primário, e a magnitude da aposta foi delegada a um meta-rotulador binário. A construção de carteira adotou Hierarchical Risk Parity e foi avaliada por comparação honesta A/B/C. Os resultados out-of-sample indicaram acurácia de 0,52 e aprovação nos três gates estatísticos. Contudo, no nível de carteira, o Sharpe da estratégia com timing foi de +0,23 contra +0,87 do buy-and-hold HRP, resultando em alpha de -0,63. Concluiu-se que a seleção do universo explicou substancialmente o desempenho observado, e não o timing do classificador, apesar da aprovação nos testes estatísticos de nível de operação. A contribuição metodológica foi um pipeline reprodutível, auditável e leakage-safe, com modos de falha documentados de forma transparente, e o diagnóstico do colapso do argmax sob calibração isotônica em rótulos ternários desbalanceados.

Palavras-chave: Deflated Sharpe Ratio; Diferenciação fracional; Finanças quantitativas; Meta-rotulagem; Sobreajuste em backtests.

06 de novembro de 2026

Influenciadores digitais, confiança e intenção de compra em marcas próprias de cosméticos

A influência de influenciadores digitais na confiança e intenção de compra de marcas próprias de cosméticos foi analisada, contextualizada pelo crescimento expressivo das redes sociais e do setor de beleza no Brasil. O estudo objetivou analisar a relação entre a identificação do consumidor com influenciadores digitais, a confiança e a intenção de compra de cosméticos de marcas próprias. Adotou-se uma abordagem quantitativa, descritiva e correlacional, com levantamento tipo survey aplicado a 108 respondentes válidos. Os dados foram processados no software R, utilizando análise fatorial exploratória e regressão linear múltipla. Os resultados indicaram que a confiança se consolidou como o principal preditor da intenção de compra, evidenciando sua relevância para o comportamento do consumidor. Em contrapartida, a identificação obteve a menor média e não demonstrou significância estatística no modelo de regressão, sugerindo um impacto limitado na decisão de compra. Concluiu-se que a fidedignidade e a segurança transmitidas pela marca são determinantes para a conversão em vendas, superando a necessidade de similaridade pessoal entre seguidor e influenciador no segmento de cosméticos.

Palavras-chave: Confiança; Cosméticos; Identificação; Intenção de compra; Marketing de influência.

06 de novembro de 2026

Método AHP-Gaussiano na seleção de fornecedores: conformidade em contratações públicas

A seleção de fornecedores em contratações públicas demandou instrumentos para ampliar a transparência e fortalecer a conformidade diante de riscos legais e reputacionais. O objetivo foi aplicar o método AHP-Gaussiano na seleção de fornecedores, com base em critérios quantitativos de integridade e capacidade operacional. A investigação, de natureza aplicada, documental e quantitativa, utilizou dados secundários do Cadastro Nacional de Empresas Inidôneas e Suspensas (CEIS), disponíveis no Portal da Transparência. Avaliaram-se dez fornecedores do segmento de limpeza e conservação, segundo seis critérios: recursos recebidos, sanções vigentes, contratos firmados, emendas parlamentares, serviços e participação em licitações. O método AHP-Gaussiano processou os dados, calculou os pesos dos critérios, agregou os desempenhos e gerou o ranking final das alternativas. Os resultados indicaram que o critério emendas parlamentares apresentou o maior peso relativo no modelo, seguido por participação em licitações e contratos firmados. A alternativa A4 foi a mais bem posicionada no ranking final, seguida por A5 e A6. Um teste de sensibilidade confirmou a coerência e robustez do modelo. Concluiu-se que o AHP-Gaussiano constituiu uma ferramenta adequada para apoiar a seleção de fornecedores no setor público, contribuindo para decisões mais consistentes, rastreáveis e alinhadas aos princípios de integridade e governança.

Palavras-chave: AHP-Gaussiano; Apoio multicritério à decisão; Conformidade; Contratações públicas; Fornecedores.

06 de novembro de 2026

Posicionamento de marcas globais de alimentação e a percepção do consumidor no mercado digital contemporâneo

A expansão de mercados globais impôs às marcas o desafio de superar a padronização digital e evitar a desconexão com consumidores de diferentes contextos culturais. O estudo analisou o posicionamento estratégico e a percepção das marcas McDonald’s, Starbucks e KFC no Brasil, França e Japão, buscando compreender como o tom de voz, a estética visual e os canais de comunicação foram moldados às preferências locais. A metodologia empregou um estudo de caso múltiplo com abordagem mista, que integrou a análise de conteúdo em perfis de Instagram e TikTok à aplicação de um formulário estruturado com 63 respondentes. Os resultados demonstraram contrastes significativos no posicionamento digital: no Brasil, a comunicação priorizou a expressividade e a proximidade emocional por meio de influenciadores; na França, o individualismo estético e o humor irônico predominaram como vetores de engajamento; e no Japão, a estratégia revelou uma comunicação de alto contexto, guiada pelo requinte visual, sazonalidade e uso de canais regionais como o aplicativo LINE. A pesquisa ratificou que 88,9% dos consumidores exigiram campanhas adaptadas, evidenciando a ressonância cultural como variável determinante para a sustentação do capital de marca. Concluiu-se que a eficácia do posicionamento digital dependeu do equilíbrio entre a identidade global e a localização profunda, tornando o consumo culturalmente relevante e autêntico.

Palavras-chave: Branding; Comportamento do Consumidor; Localização da Marca; Marketing Intercultural; Redes Sociais.

06 de novembro de 2026

Entre a Crise e o Sucesso: impacto das finanças no desempenho esportivo de clubes brasileiros

O futebol profissional brasileiro consolidou-se como uma indústria de elevada relevância econômica, marcada por crescente geração de receitas e, simultaneamente, por desafios relacionados à sustentabilidade financeira e à gestão dos clubes. Nesse contexto, o presente estudo teve como objetivo analisar em que medida o desempenho econômico-financeiro influenciou a competitividade esportiva dos clubes Corinthians, Flamengo, Palmeiras e Vasco da Gama no período de 2020 a 2024. Para tanto, realizou-se uma pesquisa de natureza aplicada, com abordagem quantitativa e qualitativa, baseada na análise das demonstrações financeiras divulgadas pelos clubes, a partir da apuração de indicadores de liquidez corrente, liquidez geral, endividamento e receita operacional líquida, posteriormente relacionados às conquistas esportivas observadas no período. Os resultados evidenciaram que clubes com maior equilíbrio econômico-financeiro, caracterizado por crescimento consistente de receitas, controle do endividamento e manutenção de níveis adequados de liquidez, apresentaram maior regularidade competitiva e maior recorrência de títulos. Em contrapartida, estruturas financeiras fragilizadas estiveram associadas à instabilidade esportiva e à ausência de conquistas relevantes. Concluiu-se que a sustentabilidade econômico-financeira atuou como condição necessária, ainda que não suficiente, para o sucesso esportivo no longo prazo, reforçando a importância da profissionalização da gestão e da governança no futebol brasileiro.

Palavras-chave: Competitividade esportiva; Desempenho financeiro; Futebol profissional; Governança.

Inovação

05 de novembro de 2026

Um parque tecnológico não termina nos limites do seu terreno

Ao aproximar competências e acompanhar resultados, sua contribuição alcança também organizações que não estão fisicamente instaladas nele Um parque tecnológico é um lugar de encontros. Nele, uma empresa pode encontrar o conhecimento necessário para desenvolver uma solução, um pesquisador pode descobrir uma aplicação para seu trabalho e um empreendedor pode conhecer o parceiro que faltava […]

Economia

19 de outubro de 2026

Fim da escala 6×1: o que os números permitem concluir?

Após promulgação do fim da escala 6×1, debate sobre a jornada menor passa à implementação e exige distinguir benefícios sociais de custos econômicos O fim da escala 6×1 passou da discussão legislativa para uma mudança constitucional no Brasil. Em 16 de outubro de 2026, o Congresso Nacional promulgou a emenda constitucional nº 141/2026, originada da Proposta […]

Inteligência Artificial

16 de outubro de 2026

Por que estudar se existe IA?

Quando respostas se tornam fáceis, aprender passa a significar mais do que chegar até elas Por que eu preciso aprender isso se posso perguntar para uma inteligência artificial? Esse tipo de pergunta acompanha a educação há décadas. Por que aprender uma operação se existe calculadora? Por que memorizar uma informação se ela pode ser encontrada […]

Gestão Tributária

15 de outubro de 2026

Pink tax e o gênero do preço

Como os diferentes tratamentos mercadológicos a homens e mulheres são incorporados pela tributação do consumo Imagine uma prateleira na qual duas lâminas de barbear da mesma marca e destinadas à mesma finalidade estão expostas lado a lado: uma tem embalagem escura e promete força, precisão e eficiência; a outra vem em tons de rosa ou […]

Saúde

13 de outubro de 2026

O elo perdido da transformação da saúde

Por que inovar não basta para provocar mudanças nas organizações e nos sistemas de saúde A transformação digital consolidou-se como prioridade estratégica para os sistemas de saúde em todo o mundo. Prontuários eletrônicos, inteligência artificial, telemedicina, monitoramento remoto e análise de dados passaram a integrar a agenda estratégica de governos e organizações de saúde. Paradoxalmente, […]

Marketing

09 de outubro de 2026

Bitcoin ou pets: o que a Inteligência Artificial não veria

Um caso real de consumer intelligence mostra o que fica fora do briefing Há alguns anos, uma seguradora americana contratou uma empresa especializada em consumer intelligence para responder a três perguntas: A seguradora também avaliava lançar seguros pagos em bitcoin. Na época, o processo de trabalho da consultoria funcionava assim: o analista criava uma query […]

Gestão Escolar

06 de outubro de 2026

A escola não é um cassino: quando figurinhas viram moeda no pátio

Por que, para determinados estudantes, a escola consegue oferecer tão poucas experiências de conquista? A Copa do Mundo acabou. O Brasil deixou a competição, vieram as férias escolares, a final foi disputada e o calendário do futebol seguiu adiante. Seria razoável imaginar que, com o fim do torneio e o retorno às aulas, também começasse […]

Transição Energética

30 de setembro de 2026

Energias renováveis: a vantagem brasileira

Brasil precisa investir na capacidade de transformar recursos naturais em inovação, produtividade e desenvolvimento Falar sobre energia é falar sobre desenvolvimento. Por trás da indústria, dos transportes, dos serviços, das cidades e, cada vez mais, da inteligência artificial, existe uma infraestrutura energética que sustenta a economia. Compreender a matriz energética de um país é compreender […]

Análise De Dados

30 de setembro de 2026

Quando o dado muda, a realidade mudou?

Análise de quase 20 milhões de vínculos-ano docentes entre 2020 e 2025 mostra como mudanças na composição da população e na produção dos registros podem alterar a interpretação de série histórica Entre 2020 e 2025, o número de vínculos formais de trabalho docente identificados na RAIS (Relação Anual de Informações Sociais), do Ministério do Trabalho, […]

Gestão Tributária

01 de setembro de 2026

Reforma tributária e planejamento patrimonial no campo

Eficiência para gerenciar os impostos facilita a governança e permite organizar a sucessão familiar A organização patrimonial rural virou uma medida estratégica diante da reforma tributária no Brasil, que entrou em vigor neste ano. O planejamento das atividades e da gestão do patrimônio rural, por meio de ferramentas como a transição da Pessoa Física para […]

Renata de Gaspari Valdejão Almeida

Inteligência Artificial

05 de agosto de 2026

Dentro da empresa e fora do radar: os riscos da Shadow AI

Segundo a Microsoft, 75% dos profissionais já utilizam inteligência artificial no trabalho sem homologação da empresa O uso da inteligência artificial generativa já faz parte da rotina corporativa. Ferramentas como ChatGPT, Copilot e outras plataformas ajudam profissionais a produzir textos, analisar dados, criar apresentações e acelerar tarefas em praticamente todos os setores. Mas esse avanço […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julho de 2026

O futuro como competência

Interesse acadêmico reforça a projeção de cenários como ferramenta essencial para a tomada de decisões Enquanto algumas empresas ainda tentam acertar o próximo passo, outras já trabalham com múltiplos futuros possíveis — e se preparam para todos eles. Mas afinal, o que significa “pensar o futuro”? É tendência, é estratégia ou uma nova competência que […]

Renata de Gaspari Valdejão Almeida

Inovação

Tecnologia

21 de maio de 2026

Corredor Agro SP: inovação, articulação institucional e futuro

Pecege comanda operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educação

27 de abril de 2026

Como transformar um TCC em negócio

Nova gestão do Parque Tecnológico de Piracicaba oferece consultoria a egressos de MBAs O novo diretor de projetos do Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, costuma dizer que uma das maiores recompensas que já teve na vida foi ver seus orientandos do MBA USP/Esalq estruturarem empresas a partir de seus trabalhos de conclusão de […]

Tecnologia

20 de março de 2026

O repertório humano na era da IA

Pensamento crítico e criatividade são insubstituíveis no trabalho do profissional de marketing A Inteligência Artificial (IA) é capaz de feitos incríveis, mas ainda não possui a capacidade de julgamento, empatia, intuição e criatividade estratégica necessárias para fazer o trabalho de um bom profissional de marketing. Nessa área, é importante saber usar a ferramenta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

23 de fevereiro de 2026

ESG como estratégia de crescimento em uma cooperativa do RS

Santa Clara equilibra responsabilidade social e ambiental com inovação Fundada em 1911 por imigrantes italianos em Carlos Barbosa, na serra gaúcha, a Cooperativa Santa Clara é um exemplo de que é possível equilibrar o crescimento econômico com a responsabilidade social e ambiental. De uma pequena empresa de produção de queijos, a organização evoluiu para um […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

22 de janeiro de 2026

Brasil livre de febre aftosa: o que muda para a carne brasileira?

Com um rebanho de mais de 200 milhões de cabeças de gado, o país é atualmente o líder em exportações O Brasil recebeu recentemente, pela primeira vez, a certificação de país livre de febre aftosa sem vacinação, conferida pela Organização Mundial de Saúde Animal (OMSA). O selo fortalece a posição do país como fornecedor de carne confiável para o […]

Renata de Gaspari Valdejão Almeida

Inovação

09 de dezembro de 2025

Inovação: o novo ciclo do Parque Tecnológico de Piracicaba

Instituto Pecege assume a gestão apostando na criação de novos negócios A partir de 2026, o Instituto Pecege assumirá a gestão do Parque Tecnológico de Piracicaba (PTP). Entre suas responsabilidades estarão a administração, operação, manutenção e expansão do parque, além do fomento de atividades de inovação, empreendedorismo e ciência e tecnologia. A escolha foi feita […]

Renata de Gaspari Valdejão Almeida

06 de julho de 2026

Arquitetura de Grande Porte: Gestão de Mudanças DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. A arquitetura e o urbanismo configuram-se como bases imprescindíveis em um espaço urbano cada vez mais complexo e desafiador, onde a intrínseca conexão entre questões sociais, ambientais e tecnológicas […]