<?xml version="1.0" encoding="UTF-8"?>
<rss  xmlns:atom="http://www.w3.org/2005/Atom" 
      xmlns:media="http://search.yahoo.com/mrss/" 
      xmlns:content="http://purl.org/rss/1.0/modules/content/" 
      xmlns:dc="http://purl.org/dc/elements/1.1/" 
      version="2.0">
<channel>
<title>Conscience Fast Forward</title>
<link>https://ciuffciuff.github.io/ciuffo_blog/dados-ia/</link>
<atom:link href="https://ciuffciuff.github.io/ciuffo_blog/dados-ia/index.xml" rel="self" type="application/rss+xml"/>
<description>CFF — ideias sobre pessoas, dados, estratégia, história e o Brasil no mundo. Por César Ciuffo.</description>
<image>
<url>https://ciuffciuff.github.io/ciuffo_blog/imagens/capa-dados-ia.svg</url>
<title>Conscience Fast Forward</title>
<link>https://ciuffciuff.github.io/ciuffo_blog/dados-ia/</link>
</image>
<generator>quarto-1.10.20</generator>
<lastBuildDate>Sun, 08 Nov 2026 00:00:00 GMT</lastBuildDate>
<item>
  <title>Um evento de tecnologia em que o assunto era gente</title>
  <dc:creator>César Ciuffo</dc:creator>
  <link>https://ciuffciuff.github.io/ciuffo_blog/gestao/2026-11-08-gartner-it-symposium-2026/</link>
  <description><![CDATA[ 






<p><img src="https://ciuffciuff.github.io/ciuffo_blog/gestao/2026-11-08-gartner-it-symposium-2026/capa.png" class="img-fluid" alt="Capa: IA, trabalho e pessoas — 6 lições de um evento de tecnologia para a Gestão de Pessoas. Gartner IT Symposium 2026."></p>
<p>De 19 a 22 de outubro, estive em Orlando no Gartner IT Symposium/Xpo 2026, o maior evento anual de CIOs e líderes de tecnologia. Assisti a 22 sessões. Fui esperando ouvir sobre modelos, nuvem e dados. Voltei com um caderno cheio de anotações sobre papéis, habilidades, carreira e confiança.</p>
<p>Não foi impressão minha. Na sessão de Frank Buytendijk sobre colaboração humano-IA, 62% dos participantes apontaram esse tema como prioridade. O fio condutor de toda a conferência era gerar valor com IA de forma composta, sem perder o controle do risco. E, em quase todas as trilhas, a resposta passava por redesenho do trabalho, habilidades e governança.</p>
<p>Trabalho com Gestão de Pessoas e People Analytics, então li o evento por essa lente. Abaixo estão as seis lições que, para mim, mais importam para quem cuida de gente. As opiniões são pessoais.</p>
<section id="o-valor-da-ia-cresce-devagar.-o-risco-cresce-rápido." class="level3">
<h3 class="anchored" data-anchor-id="o-valor-da-ia-cresce-devagar.-o-risco-cresce-rápido.">1. O valor da IA cresce devagar. O risco cresce rápido.</h3>
<p>O keynote de abertura trouxe um diagnóstico desconfortável. Segundo pesquisas do Gartner, 58% dos líderes de área dizem obter valor positivo das iniciativas de IA de 2025. Mas só 1 em cada 5 casos de uso entrega retorno positivo. E 86% dos Líderes de TI dizem que o risco da IA cresce mais rápido que o valor: em média, quatro vezes mais rápido.</p>
<p>O Gartner separou esse risco em três tipos. Há quem use IA para atacar a organização de fora. Há tecnologia insegura entrando no ambiente. E há o <strong>mau julgamento</strong>: empregados bem-intencionados que decidem mal usando IA.</p>
<p>Esse terceiro risco não se resolve com firewall. Depende de letramento em IA, de cultura e de clareza sobre quem decide o quê. Ou seja, é um tema de RH. O mesmo vale para a “IA paralela”, o uso de ferramentas sem aprovação nem supervisão. O recado do keynote foi direto: atividade de IA invisível vira, cedo ou tarde, risco visível.</p>
<p>O keynote também deu nome a quem mais gera valor: os “artesãos de IA”, usuários avançados que reinventam o próprio trabalho. São poucos em qualquer organização. A recomendação é encontrá-los, pedir que compartilhem o que fazem e dar espaço para experimentar, porque controle demais afasta exatamente essas pessoas.</p>
</section>
<section id="antes-de-automatizar-decida-quem-decide" class="level3">
<h3 class="anchored" data-anchor-id="antes-de-automatizar-decida-quem-decide">2. Antes de automatizar, decida quem decide</h3>
<p>A sessão de Lily Mok foi, para mim, a mais importante do evento. Os números mostram um consenso sem método: 78% dos Líderes de Recursos Humanos concordam que fluxos e papéis precisam mudar para extrair valor da IA. Mas 74% dizem que os líderes de negócio não sabem fazer esse redesenho. Entre os Líderes de TI, só 16% se sentem capazes.</p>
<p>A proposta dela é classificar as decisões pelo risco de a IA errar:</p>
<p><img src="https://ciuffciuff.github.io/ciuffo_blog/gestao/2026-11-08-gartner-it-symposium-2026/tabela-licao2-niveis-de-decisao.png" class="img-fluid" alt="Tabela: três níveis de decisão conforme o risco de a IA errar. Nível 1, risco baixo: decisão operacional, frequente, com erro reversível; IA altamente automatizável; exemplos em RH: agendamentos e dúvidas frequentes. Nível 2, risco moderado: decisão guiada por julgamento, que afeta pessoas ou a marca; a IA recomenda e um humano revisa e aprova; exemplos: triagem de currículos e trilhas de aprendizagem. Nível 3, risco alto: decisão crítica, com efeito reputacional, financeiro ou irreversível; o humano lidera a decisão; exemplos: promoções, desligamentos e medidas disciplinares. Os exemplos de RH são do autor."></p>
<p>Entre o “só humano” e o “totalmente autônomo”, o Gartner descreveu sete graus de delegação. O ponto central: a escolha deve seguir a necessidade da organização, não o que a tecnologia consegue fazer. E vale a pena: quem já planeja redesenhar papéis para equipes de humanos e agentes tem 2,4 vezes mais chance de gerar alto valor com IA.</p>
</section>
<section id="automatizamos-tarefas-não-empregos.-mas-os-papéis-ficaram-parados." class="level3">
<h3 class="anchored" data-anchor-id="automatizamos-tarefas-não-empregos.-mas-os-papéis-ficaram-parados.">3. Automatizamos tarefas, não empregos. Mas os papéis ficaram parados.</h3>
<p>Mandi Bishop falou de saúde, mas a ideia vale para qualquer organização. Os papéis foram desenhados para um mundo em que humanos executam. A IA absorve tarefas, e o papel continua igual. Ela descreveu três estágios:</p>
<ol type="1">
<li><strong>Papel 1.0, execução de tarefas:</strong> muitas decisões, pouca consequência.</li>
<li><strong>Papel 2.0, mediação de decisões:</strong> o humano cuida das exceções e da ambiguidade. O risco é virar gargalo.</li>
<li><strong>Papel 3.0, governança do sistema:</strong> o humano desenha, supervisiona e governa. Poucas decisões, alta consequência.</li>
</ol>
<p>O exemplo dela me marcou: o profissional assistido por IA deixou de fazer o trabalho burocrático, mas as metas continuaram as mesmas. Quando isso acontece, medir “quantos processos por dia” deixa de fazer sentido.</p>
<p>A frase que levei para casa: <strong>o planejamento da força de trabalho vai tratar mais de capacidade de decisão do que de headcount.</strong> Os casos apresentados vão nessa direção. Na CBRE, times de 8 a 9 pessoas com papéis rígidos viraram times de 3 a 4 com agentes, organizados por habilidade e não por cargo. No LinkedIn, atendentes passaram a cuidar dos casos complexos, enquanto a IA reúne a informação que antes eles buscavam.</p>
</section>
<section id="trate-habilidades-como-uma-carteira-de-investimentos" class="level3">
<h3 class="anchored" data-anchor-id="trate-habilidades-como-uma-carteira-de-investimentos">4. Trate habilidades como uma carteira de investimentos</h3>
<p>Esta foi a ideia mais prática que ouvi. Em vez de uma lista única de competências, o Gartner propõe separar as habilidades em cinco grupos, cada um com uma estratégia:</p>
<p><img src="https://ciuffciuff.github.io/ciuffo_blog/gestao/2026-11-08-gartner-it-symposium-2026/tabela-licao4-carteira-de-habilidades.png" class="img-fluid" alt="Tabela: habilidades como carteira de investimentos. Novas e emergentes, como orquestrar e supervisionar agentes: apostas pequenas e acompanhamento. Atrofia aceitável, o que pode ser delegado à IA: saída gradual e planejada. Atrofia arriscada, o que não podemos perder para a IA: proteger e não abrir mão cedo. Duradouras do cargo, o núcleo técnico que segue valioso: manter e crescer seletivamente. Fundação humana, como criatividade, comunicação e aprender a aprender: investir sempre."></p>
<p>A linha mais importante é a da “atrofia arriscada”. No exemplo do Gartner, para um engenheiro de software, programar tarefas rotineiras pode ir para a IA. Já revisar código a fundo e ensinar os mais novos não. Perder essas habilidades deixa a equipe frágil.</p>
<p>Para levar isso à conversa individual, Lily Mok sugeriu um “perfil de valor do empregado”. É um registro simples de onde a IA já ajuda, quais forças preservar, o que delegar e quais os próximos passos de desenvolvimento. Cabe em qualquer ciclo de desenvolvimento que já exista.</p>
</section>
<section id="o-jeito-de-falar-da-ia-define-a-adoção" class="level3">
<h3 class="anchored" data-anchor-id="o-jeito-de-falar-da-ia-define-a-adoção">5. O jeito de falar da IA define a adoção</h3>
<p>Helen Poitevin abriu a sessão dela com a história da milha em menos de 4 minutos. Depois que Roger Bannister provou que era possível, e com treino e tênis melhores, muitos atletas conseguiram. A IA seria o tênis: não substitui o atleta, muda o que é possível.</p>
<p>Ela comparou dois jeitos de comunicar a IA (frases em tradução livre):</p>
<ul>
<li><strong>Escassez:</strong> “Não vamos repor quem sair; a IA fará o trabalho.” Ou: “Quais das suas tarefas podemos passar para a IA?”</li>
<li><strong>Abundância:</strong> “A IA faz parte de como vamos cumprir a nossa missão.” Ou: “Pense em como a IA poderia ajudar a resolver o problema.”</li>
</ul>
<p>A mentalidade de escassez leva a jogo de soma zero e a decisões de curto prazo. E as pessoas percebem. Na pesquisa global do Gartner com 5.692 empregados que devem usar IA, cerca de metade está entusiasmada e menos de 1 em 4 está frustrada. Ainda assim, 47% foram classificados como resistentes à IA. Isso apesar de o Gartner prever que, a partir de 2028, a IA passa a criar mais empregos do que elimina.</p>
<p>Frank Buytendijk resumiu bem esse paradoxo: <strong>as pessoas não temem que a IA faça o seu trabalho; temem que a liderança acredite nisso.</strong> Transparência sobre a intenção é, portanto, tarefa de quem cuida da comunicação com as pessoas.</p>
<p>Há um efeito de longo prazo que me preocupa mais. Se a IA faz o trabalho de entrada, onde os profissionais em início de carreira vão aprender? O Gartner listou essa sequência de riscos: atrofia de habilidades, dependência da IA, impacto no bem-estar, colapso das trilhas de carreira e, por fim, um pipeline de talentos vazio.</p>
</section>
<section id="humano-no-circuito-não-basta.-é-preciso-humano-no-controle." class="level3">
<h3 class="anchored" data-anchor-id="humano-no-circuito-não-basta.-é-preciso-humano-no-controle.">6. “Humano no circuito” não basta. É preciso humano no controle.</h3>
<p>Sarah Baumunk trouxe o alerta mais incômodo do evento: aprovar não é o mesmo que supervisionar. Quem sempre clica em “Aprovar” não está governando a IA. Está apenas assumindo a responsabilidade pelo que ela fez.</p>
<p>A analogia dela foi o GPS. Primeiro, o mapa apoia o nosso raciocínio. Depois, o GPS pensa por nós e só seguimos. No fim, sem GPS, ficamos perdidos. Com a IA, delegamos também o julgamento, e ele enfraquece com o tempo.</p>
<p>A saída proposta tem três partes: <strong>transparência</strong> (saber o que foi feito por humano e o que foi feito por IA), <strong>controle</strong> proporcional ao risco (aprovar, editar, pausar ou desligar) e <strong>agência</strong> (o direito humano de escolher). Para o RH, isso vira capacitação: ensinar as pessoas a avaliar o que a IA entrega, e não só a usá-la.</p>
<p>Governança, aqui, não significa burocracia. O caminho seguro precisa ser o caminho fácil. A HEINEKEN mostrou um modelo simples: uma lista curta do que é livre (preparar reuniões, rascunhos para revisão) e do que exige pausa (dados sensíveis, publicação externa, decisões automatizadas). Para quem lida com dados de pessoas, e no Brasil com a LGPD, essa segunda lista é quase toda a nossa rotina.</p>
</section>
<section id="quando-a-ia-vira-infraestrutura-as-pessoas-são-o-diferencial" class="level3">
<h3 class="anchored" data-anchor-id="quando-a-ia-vira-infraestrutura-as-pessoas-são-o-diferencial">Quando a IA vira infraestrutura, as pessoas são o diferencial</h3>
<p>A frase que fechou minha participação veio de Mandi Bishop, em tradução livre: quando a IA vira infraestrutura, a força de trabalho é tudo. Tecnologia e boas práticas se espalham rápido. O que não se copia é como cada organização desenha o trabalho, protege a atenção das pessoas e governa o julgamento.</p>
<p>Por isso a mensagem para o RH é simples: o redesenho do trabalho com IA não pode ficar só com a TI. O Gartner recomenda que Líderes de TI e Líderes de Recursos Humanos sejam coautores desse redesenho. Na minha leitura, é o momento de o RH sair da posição de quem treina depois e entrar como quem desenha junto.</p>
<p>Volto de Orlando com três perguntas que ainda estou respondendo. Gostaria de ouvir as suas respostas nos comentários do <a href="https://www.linkedin.com/pulse/um-evento-de-tecnologia-em-que-o-assunto-era-gente-c%25C3%25A9sar-ciuffo-x9qhf/">artigo no LinkedIn</a>:</p>
<ol type="1">
<li>Qual processo de RH você redesenharia primeiro com IA?</li>
<li>Quais habilidades da sua equipe vocês não podem perder para a IA?</li>
<li>Que decisões sobre pessoas devem ser sempre humanas?</li>
</ol>
<div class="callout callout-style-simple callout-note no-icon">
<div class="callout-body d-flex">
<div class="callout-icon-container">
<i class="callout-icon no-icon"></i>
</div>
<div class="callout-body-container">
<p><em>Fontes: sessões do Gartner IT Symposium/Xpo 2026 (Orlando, 19 a 22 de outubro), entre elas o keynote “Shaping Momentum: Compounding AI Value and Risk” e as sessões de Lily Mok, Helen Poitevin, Mandi Bishop, Sarah Baumunk, Frank Buytendijk e Frank Iannella (HEINEKEN USA). Traduções livres. As opiniões são pessoais e não representam a instituição onde trabalho. Publicado originalmente no <a href="https://www.linkedin.com/pulse/um-evento-de-tecnologia-em-que-o-assunto-era-gente-c%25C3%25A9sar-ciuffo-x9qhf/">LinkedIn</a> em 8 de novembro de 2026.</em></p>
</div>
</div>
</div>


</section>

 ]]></description>
  <category>Gestão de Pessoas</category>
  <category>Inteligência Artificial</category>
  <category>People Analytics</category>
  <category>Futuro do Trabalho</category>
  <category>Eventos</category>
  <guid>https://ciuffciuff.github.io/ciuffo_blog/gestao/2026-11-08-gartner-it-symposium-2026/</guid>
  <pubDate>Sun, 08 Nov 2026 00:00:00 GMT</pubDate>
  <media:content url="https://ciuffciuff.github.io/ciuffo_blog/gestao/2026-11-08-gartner-it-symposium-2026/capa.png" medium="image" type="image/png" height="81" width="144"/>
</item>
<item>
  <title>Evento: IA no Setor Público — da capacitação à geração de impacto</title>
  <dc:creator>César Ciuffo</dc:creator>
  <link>https://ciuffciuff.github.io/ciuffo_blog/dados-ia/2026-11-01-ia-no-setor-publico-alura/</link>
  <description><![CDATA[ 






<p><img src="https://ciuffciuff.github.io/ciuffo_blog/dados-ia/2026-11-01-ia-no-setor-publico-alura/evento.png" class="img-fluid" alt="Alura para Empresas — evento online e gratuito: IA no Setor Público, da capacitação à geração de impacto. 24 de novembro, 16h, horário de Brasília, ao vivo e online."></p>
<p>No dia <strong>24 de novembro de 2026, às 16h</strong> (horário de Brasília), participo como convidado da roda de conversa <strong>“IA no Setor Público: da capacitação à geração de impacto”</strong>, promovida pela <strong>Alura para Empresas</strong>.</p>
<p>O encontro reúne especialistas e representantes do setor público para discutir como as instituições estão preparando seus profissionais, aplicando inteligência artificial e transformando desafios em resultados — com experiências reais, desafios e oportunidades da IA na prática.</p>
<ul>
<li><strong>Data:</strong> 24/11/2026</li>
<li><strong>Horário:</strong> 16h (horário de Brasília)</li>
<li><strong>Formato:</strong> ao vivo e online</li>
<li><strong>Participação:</strong> gratuita</li>
</ul>
<p><a href="https://empresas.alura.com.br/ia-no-setor-publico-da-capacitacao-a-gera%C3%A7%C3%A3o-de-impacto" class="btn btn-primary">Inscreva-se gratuitamente na página do evento</a></p>



 ]]></description>
  <category>Inteligência Artificial</category>
  <category>Setor Público</category>
  <category>Eventos</category>
  <guid>https://ciuffciuff.github.io/ciuffo_blog/dados-ia/2026-11-01-ia-no-setor-publico-alura/</guid>
  <pubDate>Sun, 01 Nov 2026 00:00:00 GMT</pubDate>
  <media:content url="https://ciuffciuff.github.io/ciuffo_blog/dados-ia/2026-11-01-ia-no-setor-publico-alura/evento.png" medium="image" type="image/png" height="104" width="144"/>
</item>
<item>
  <title>Meu primeiro gráfico em R dentro do blog</title>
  <dc:creator>César Ciuffo</dc:creator>
  <link>https://ciuffciuff.github.io/ciuffo_blog/dados-ia/2026-11-01-primeiro-grafico-r/</link>
  <description><![CDATA[ 






<p>Uma das vantagens de escrever o blog com <strong>Quarto</strong> é que o código R roda junto com o texto. O gráfico abaixo não é uma imagem colada: ele é gerado pelo próprio código quando o site é publicado.</p>
<p>Usei a base <code>mtcars</code>, que já vem com o R:</p>
<div class="cell">
<details open="" class="code-fold">
<summary>Código</summary>
<div class="code-copy-outer-scaffold"><div class="sourceCode cell-code" id="cb1" style="background: #f1f3f5;"><pre class="sourceCode r code-with-copy"><code class="sourceCode r"><span id="cb1-1"><span class="fu" style="color: #4758AB;
background-color: null;
font-style: inherit;">plot</span>(</span>
<span id="cb1-2">  mtcars<span class="sc" style="color: #5E5E5E;
background-color: null;
font-style: inherit;">$</span>wt, mtcars<span class="sc" style="color: #5E5E5E;
background-color: null;
font-style: inherit;">$</span>mpg,</span>
<span id="cb1-3">  <span class="at" style="color: #657422;
background-color: null;
font-style: inherit;">pch =</span> <span class="dv" style="color: #AD0000;
background-color: null;
font-style: inherit;">19</span>, <span class="at" style="color: #657422;
background-color: null;
font-style: inherit;">col =</span> <span class="st" style="color: #20794D;
background-color: null;
font-style: inherit;">"#1C46F3"</span>,</span>
<span id="cb1-4">  <span class="at" style="color: #657422;
background-color: null;
font-style: inherit;">xlab =</span> <span class="st" style="color: #20794D;
background-color: null;
font-style: inherit;">"Peso (mil libras)"</span>, <span class="at" style="color: #657422;
background-color: null;
font-style: inherit;">ylab =</span> <span class="st" style="color: #20794D;
background-color: null;
font-style: inherit;">"Milhas por galão"</span>,</span>
<span id="cb1-5">  <span class="at" style="color: #657422;
background-color: null;
font-style: inherit;">main =</span> <span class="st" style="color: #20794D;
background-color: null;
font-style: inherit;">"Carros mais pesados consomem mais"</span></span>
<span id="cb1-6">)</span>
<span id="cb1-7"><span class="fu" style="color: #4758AB;
background-color: null;
font-style: inherit;">abline</span>(<span class="fu" style="color: #4758AB;
background-color: null;
font-style: inherit;">lm</span>(mpg <span class="sc" style="color: #5E5E5E;
background-color: null;
font-style: inherit;">~</span> wt, <span class="at" style="color: #657422;
background-color: null;
font-style: inherit;">data =</span> mtcars), <span class="at" style="color: #657422;
background-color: null;
font-style: inherit;">col =</span> <span class="st" style="color: #20794D;
background-color: null;
font-style: inherit;">"#00b869"</span>, <span class="at" style="color: #657422;
background-color: null;
font-style: inherit;">lwd =</span> <span class="dv" style="color: #AD0000;
background-color: null;
font-style: inherit;">3</span>)</span></code></pre></div></div>
</details>
<div class="cell-output-display">
<div id="fig-consumo" class="quarto-float quarto-figure quarto-figure-center anchored">
<figure class="quarto-float quarto-float-fig figure">
<div aria-describedby="fig-consumo-caption-0ceaefa1-69ba-4598-a22c-09a6ac19f8ca">
<img src="https://ciuffciuff.github.io/ciuffo_blog/dados-ia/2026-11-01-primeiro-grafico-r/index_files/figure-html/fig-consumo-1.png" class="img-fluid figure-img" width="672">
</div>
<figcaption class="quarto-float-caption-bottom quarto-float-caption quarto-float-fig" id="fig-consumo-caption-0ceaefa1-69ba-4598-a22c-09a6ac19f8ca">
Figura&nbsp;1: Consumo (milhas por galão) em função do peso do carro
</figcaption>
</figure>
</div>
</div>
</div>
<p>E um resumo rápido do modelo:</p>
<div class="cell">
<div class="code-copy-outer-scaffold"><div class="sourceCode cell-code" id="cb2" style="background: #f1f3f5;"><pre class="sourceCode r code-with-copy"><code class="sourceCode r"><span id="cb2-1">modelo <span class="ot" style="color: #003B4F;
background-color: null;
font-style: inherit;">&lt;-</span> <span class="fu" style="color: #4758AB;
background-color: null;
font-style: inherit;">lm</span>(mpg <span class="sc" style="color: #5E5E5E;
background-color: null;
font-style: inherit;">~</span> wt, <span class="at" style="color: #657422;
background-color: null;
font-style: inherit;">data =</span> mtcars)</span>
<span id="cb2-2"><span class="fu" style="color: #4758AB;
background-color: null;
font-style: inherit;">round</span>(<span class="fu" style="color: #4758AB;
background-color: null;
font-style: inherit;">coef</span>(modelo), <span class="dv" style="color: #AD0000;
background-color: null;
font-style: inherit;">2</span>)</span></code></pre></div></div>
<div class="cell-output cell-output-stdout">
<pre><code>(Intercept)          wt 
      37.29       -5.34 </code></pre>
</div>
</div>
<p>Cada mil libras a mais de peso reduz, em média, cerca de 5.3 milhas por galão.</p>



 ]]></description>
  <category>R</category>
  <category>Tutorial</category>
  <guid>https://ciuffciuff.github.io/ciuffo_blog/dados-ia/2026-11-01-primeiro-grafico-r/</guid>
  <pubDate>Sun, 01 Nov 2026 00:00:00 GMT</pubDate>
  <media:content url="https://ciuffciuff.github.io/ciuffo_blog/imagens/capa-dados-ia.svg" medium="image" type="image/svg+xml"/>
</item>
<item>
  <title>From Replica to Reference: Active Learning in Engineering Education for Digital Twin-Guided Real-System Evolution</title>
  <dc:creator>César Ciuffo</dc:creator>
  <link>https://ciuffciuff.github.io/ciuffo_blog/pesquisa/2026-08-04-from-replica-to-reference-gemeo-digital/</link>
  <description><![CDATA[ 






<div class="callout callout-style-simple callout-note no-icon">
<div class="callout-body d-flex">
<div class="callout-icon-container">
<i class="callout-icon no-icon"></i>
</div>
<div class="callout-body-container">
<p><strong>Trabalho em evento</strong></p>
<p>SILVA, J. M.; TORRES, M. H.; ISHIKAWA, E.; MARIANO, A. M.; MOREIRA, C. A. C. From Replica to Reference: Active Learning in Engineering Education for Digital Twin–Guided Real-System Evolution. In: <em>PAEE/ALE 2026 — International Conference on Active Learning in Engineering Education</em>, 2026.</p>
</div>
</div>
</div>
<section id="abstract" class="level2">
<h2 class="anchored" data-anchor-id="abstract">Abstract</h2>
<div lang="en">
<p>This paper reports an active-learning application in a graduate IT project management course through a paradigm shift: treating the Digital Twin (DT) as the reference model that drives real-system (Real-life Twin=RT) evolution, rather than a subordinate replica validated against the present. Having PMBOK Guides and PMI BA Guide as major project management references, the course focuses on developing a project management guide tailored for DT components of Brasilia’s Solid Waste System, in an adapted PMBOK extension format. Distributed in groups, students work with a paired representation of the Real System in Question (RSQ=RT) and its digital counterpart (DSQ=DT), initially describing both systems in terms of Function, Structure, Process, and Context (F/S/P/C), showing interactions among these dimensions. To structure what the DT provides, learners apply the Digital Twin Consortium Capabilities (DTC) Periodic Table (WHAT: DS–Data Services, IR– Integration, IC–Intelligence, UX–User Experience, and MG–Management and TW–Trustworthiness). After structuring how capabilities are put together, the groups map selected functions to DTC AI-agent capabilities (HOW: PW-Perception/Knowledge, CG-Cognition/Reasoning, LA-Learning/Adaptation, IC-Interaction/Collaboration, AE-Action/Execution, and GS-Governance/Safety), spanning conversational, workflow, autonomous, and collaborative agent modalities. Learning activities are organized as twin-in-the-loop decision cycles: teams use DSQ to generate and compare implementable configuration chains DSQ(t1), DSQ(t2), …, DSQ(tn) that target a desired future state RSQ(tn), with each update explicitly informing the required portfolio/program/project/extension/ operations effort in the real system. Evaluation triangulates rubric-based assessment of artifacts (traceability from F/S/P/C to WHAT/HOW choices, uncertainty and risk treatment, and decision defensibility), concept measures of anticipatory systems reasoning, and reflective analyses of reference-direction change (real to twin vs.&nbsp;twin to real). Expected results include a transferable instructional pattern for AI-enabled, governance-aware digital twins and empirical insight into how “twin-first” framing strengthens risk-informed, future-oriented engineering judgment.</p>
</div>
<p><strong>Keywords:</strong> Active Learning; Digital twins; Anticipatory systems; AI agents</p>
<p><a href="https://www.researchgate.net/publication/412304828_From_Replica_to_Reference_Active_Learning_in_Engineering_Education_for_Digital_Twin-Guided_Real-System_Evolution" class="btn btn-primary">Ler o trabalho completo</a></p>


</section>

 ]]></description>
  <category>Gêmeos Digitais</category>
  <category>Aprendizagem Ativa</category>
  <category>Evento</category>
  <guid>https://ciuffciuff.github.io/ciuffo_blog/pesquisa/2026-08-04-from-replica-to-reference-gemeo-digital/</guid>
  <pubDate>Tue, 04 Aug 2026 00:00:00 GMT</pubDate>
  <media:content url="https://ciuffciuff.github.io/ciuffo_blog/imagens/capa-pesquisa.svg" medium="image" type="image/svg+xml"/>
</item>
<item>
  <title>Modelo Preditivo de Absenteísmo e Clusterização de Perfis Comportamentais: uma abordagem de people analytics aplicada à gestão de frequência organizacional</title>
  <dc:creator>César Ciuffo</dc:creator>
  <link>https://ciuffciuff.github.io/ciuffo_blog/pesquisa/2026-06-30-absenteismo-preditivo-clusterizacao/</link>
  <description><![CDATA[ 






<div class="callout callout-style-simple callout-note no-icon">
<div class="callout-body d-flex">
<div class="callout-icon-container">
<i class="callout-icon no-icon"></i>
</div>
<div class="callout-body-container">
<p><strong>Artigo em periódico</strong></p>
<p>CIUFFO MOREIRA, C. A.; LOPES, B.; CELLA, P. Modelo Preditivo de Absenteísmo e Clusterização de Perfis Comportamentais: uma abordagem de people analytics aplicada à gestão de frequência organizacional. <em>Revista de Ciência da Computação (ReCiC/UESB)</em>, v. 8, n.&nbsp;1, e19583, 2026.</p>
<p>DOI: <a href="https://doi.org/10.22481/recic.v8i1.19583">10.22481/recic.v8i1.19583</a></p>
</div>
</div>
</div>
<section id="resumo" class="level2">
<h2 class="anchored" data-anchor-id="resumo">Resumo</h2>
<p>O absenteísmo representa um dos fenômenos mais custosos e complexos da gestão de pessoas, impactando produtividade, clima organizacional e custos indiretos como sobrecarga de equipes e horas extras emergenciais. Abordagens tradicionais de gestão de frequência operam de forma descritiva e reativa, limitando a capacidade de intervenção preventiva. Este trabalho propõe uma abordagem integrada de People Analytics aplicada à gestão preditiva de absenteísmo, seguindo a metodologia CRISP-DM e combinando duas frentes complementares: (i) um Score de Risco de Absenteísmo, baseado em algoritmo Random Forest, que estima a probabilidade de ocorrência de eventos de ausência em janelas de 7, 30 e 90 dias; e (ii) uma clusterização híbrida baseada em K-Means, que segmenta colaboradores em quatro perfis comportamentais distintos (Estáveis, Recorrentes, Sazonais e Graves). O estudo foi conduzido em uma organização pública brasileira de promoção de exportações, utilizando 14.533 eventos de absenteísmo do período 2019-2025, distribuídos entre 676 colaboradores. O modelo preditivo foi selecionado entre 14 candidatos por meio de validação cruzada estratificada, alcançando AUC de 0,855, acurácia de 80,2% e recall de 63,1% no conjunto de validação temporal. A clusterização foi validada por meio de Silhouette Score, índice de Calinski-Harabasz, índice de Davies-Bouldin e teste ANOVA, com diferenças estatisticamente significativas (p &lt; 0,001) entre os clusters. Os resultados foram integrados a um protótipo de painel interativo em Power BI, concebido para uso operacional pela área de Recursos Humanos, contemplando a visualização de scores individuais, perfis comportamentais e indicadores agregados; a adoção efetiva em rotina decisória e a aferição longitudinal de impacto permanecem como trabalho futuro. As contribuições principais incluem: (a) um pipeline reproduzível de engenharia de variáveis comportamentais, com destaque para features de sazonalidade baseadas em consistência multi-anual; (b) uma abordagem híbrida de clusterização que combina critérios determinísticos e aprendizado não supervisionado; e (c) um instrumento operacional integrado que pode ser replicado em outras organizações.</p>
<p><strong>Palavras-chave:</strong> People Analytics, Absenteísmo, Aprendizado de Máquina, CRISP-DM, Random Forest, K-Means, Clusterização, Score de Risco</p>
<p><a href="https://periodicos2.uesb.br/recic/article/view/19583" class="btn btn-primary">Ler o trabalho completo</a></p>


</section>

 ]]></description>
  <category>People Analytics</category>
  <category>Aprendizado de Máquina</category>
  <category>Absenteísmo</category>
  <category>Artigo</category>
  <guid>https://ciuffciuff.github.io/ciuffo_blog/pesquisa/2026-06-30-absenteismo-preditivo-clusterizacao/</guid>
  <pubDate>Tue, 30 Jun 2026 00:00:00 GMT</pubDate>
  <media:content url="https://ciuffciuff.github.io/ciuffo_blog/imagens/capa-pesquisa.svg" medium="image" type="image/svg+xml"/>
</item>
<item>
  <title>Sobreviveremos à IA? O que a revolução das telecomunicações me ensinou sobre preparar os jovens para o futuro</title>
  <dc:creator>César Ciuffo</dc:creator>
  <link>https://ciuffciuff.github.io/ciuffo_blog/dados-ia/2026-06-28-sobreviveremos-a-ia/</link>
  <description><![CDATA[ 






<p><img src="https://ciuffciuff.github.io/ciuffo_blog/dados-ia/2026-06-28-sobreviveremos-a-ia/capa.png" class="img-fluid" alt="Capa: Sobreviveremos à IA? Da revolução das telecomunicações à era da Inteligência Artificial — e como preparar os jovens. Uma onda liga uma torre de telecom a uma rede neural: o mesmo sinal, uma nova era."></p>
<p>Há uma pergunta que ouço com frequência, quase sempre carregada de ansiedade: “Vamos sobreviver à Inteligência Artificial?”</p>
<p>Entendo o receio. Mas, sempre que ela aparece, eu volto no tempo — e respiro mais aliviado. Porque eu já vivi uma revolução tecnológica antes. E não só sobrevivi: ela me formou e faz parte do que sou hoje, pessoal e profissionalmente.</p>
<p>Comecei minha trajetória profissional no setor de telecomunicações, em um Brasil que estava sendo literalmente reconectado. Passei pela Americel, pela Claro, pela Tele Centro Oeste Celular, pela Vivo, pela Brasil Telecom e pela Oi em um período em que o país saía de filas de anos para conseguir uma linha telefônica e entrava na era do celular na palma da mão, da banda larga e da internet que mudaria tudo.</p>
<p>Quem não viveu aquilo talvez não dimensione o tamanho da transformação. Em poucos anos, profissões inteiras mudaram de forma. Centrais analógicas deram lugar a redes digitais. Processos manuais viraram sistemas. Havia, sim, o mesmo medo de hoje: “as máquinas vão substituir as pessoas”. Algumas funções de fato desapareceram. Mas surgiram outras que ninguém conseguia nem imaginar — e muitos de nós nos tornamos exatamente o que essas novas funções pediam.</p>
<p>Foi ali que aprendi a lição mais valiosa da minha carreira, e é dela que quero falar com os mais jovens.</p>
<p><strong><em>A tecnologia não substitui quem aprende a aprender. Ela amplifica.</em></strong></p>
<p>As empresas que me formaram não me entregaram apenas um cargo. Elas me entregaram uma mentalidade: a de que mudança não é ameaça, é matéria-prima para a transformação pessoal e para a competitividade profissional. Quem encarava a nova rede, a nova ferramenta, o novo sistema como inimigo, ficava para trás e obsoleto. Quem perguntava “o que eu consigo fazer agora que antes era impossível?” crescia junto com a tecnologia e progredia na carreira. Talento é algo raro e deve ser cultivado por você mesmo!</p>
<p>Essa pergunta vale palavra por palavra para a Inteligência Artificial (IA) hoje.</p>
<p>A IA vai automatizar tarefas. Vai, sim! Mas ela não automatiza julgamento, ética, contexto, sensibilidade, a capacidade de fazer a pergunta certa e de cuidar de outra pessoa, com empatia e respeito. Esses são territórios profundamente humanos — e, paradoxalmente, ficam mais valiosos quanto mais a máquina avança. O foco é a simbiose e a sinergia de trabalhar com a tecnologia. Sua vantagem competitiva é a capacidade de atuar integrado com a máquina e com o processo em que atua. Foque em seu processo decisório e a visão estratégica de onde atua!</p>
<p>Aos jovens de hoje e sempre, deixo três convicções que carrego desde aqueles anos de Telecom e que se aplicam inteiras à era da IA:</p>
<p>1.&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; <strong>Dominem a ferramenta, mas não se definam por ela.</strong> A linguagem de programação muda, o software muda, o modelo de IA muda a cada semana. O que permanece é a sua capacidade de raciocinar, aprender rápido e se reinventar. Invistam nisso, <strong>mantenham-se abertos e priorizem aprender sempre!</strong></p>
<p>2.&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; <strong>Experiência não é o oposto de futuro — é a bússola dele.</strong> Existe um discurso de que o que veio antes “está ultrapassado”. Não está. A vivência ensina a separar o que é moda passageira do que é mudança estrutural. O ideal não é jovem contra experiente: é a fluência tecnológica das novas gerações somada ao discernimento de quem já atravessou outras transformações. Busquem assimilar com a vivência de quem já passou por isso, <strong>valorizem atalhar o caminho com o aprendizado de outros</strong>.</p>
<p>3.&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; <strong>Usem a tecnologia para resolver problemas reais de pessoas reais.</strong> Foi isso que deu sentido ao meu trabalho em Telecom, sempre buscar a necessidade do cliente e como podemos atendê-lo com mais facilidade e satisfação, e é isso que dá sentido hoje, quando atuo na fronteira entre dados, pessoas e tecnologia. <strong>A IA só vale a pena se servir a alguém, buscando entender suas dores e como prover soluções adequadas e efetivas.</strong></p>
<p>Olhando para trás, vejo que a revolução das telecomunicações não me abandonou — ela me preparou para o futuro e o papel que exerço hoje na ApexBrasil. Me ensinou a não ter medo da onda seguinte, mas como me adaptar, preparar e a aprender a surfá-la.</p>
<p>Então, sobreviveremos à IA?</p>
<p>A pergunta, na verdade, é outra. Não se trata de sobreviver. Trata-se de decidir que tipo de protagonista cada um quer ser nessa nova fase. Eu já vi essa história acontecer uma vez. E posso garantir: o futuro não pertence a quem teme a tecnologia, nem a quem a idolatra. Pertence a quem nunca para de aprender.</p>
<p><strong><em>E você, qual revolução já te formou?</em></strong></p>
<hr>
<p><em>Publicado originalmente no LinkedIn, em 28/06/2026. <a href="https://www.linkedin.com/pulse/sobreviveremos-%C3%A0-ia-o-que-revolu%C3%A7%C3%A3o-das-me-ensinou-sobre-c%C3%A9sar-ciuffo-8iilf">Ver o artigo original e os comentários</a>.</em></p>



 ]]></description>
  <category>Inteligência Artificial</category>
  <category>Carreira</category>
  <category>Aprendizado</category>
  <guid>https://ciuffciuff.github.io/ciuffo_blog/dados-ia/2026-06-28-sobreviveremos-a-ia/</guid>
  <pubDate>Sun, 28 Jun 2026 00:00:00 GMT</pubDate>
  <media:content url="https://ciuffciuff.github.io/ciuffo_blog/dados-ia/2026-06-28-sobreviveremos-a-ia/capa.png" medium="image" type="image/png" height="81" width="144"/>
</item>
<item>
  <title>Employee segmentation using clustering techniques: a case study at ApexBrasil</title>
  <dc:creator>César Ciuffo</dc:creator>
  <link>https://ciuffciuff.github.io/ciuffo_blog/pesquisa/2026-04-23-segmentacao-de-empregados-clusterizacao/</link>
  <description><![CDATA[ 






<div class="callout callout-style-simple callout-note no-icon">
<div class="callout-body d-flex">
<div class="callout-icon-container">
<i class="callout-icon no-icon"></i>
</div>
<div class="callout-body-container">
<p><strong>Artigo em periódico</strong></p>
<p>CIUFFO MOREIRA, C. A. Employee segmentation using clustering techniques: a case study at ApexBrasil. <em>Revista Gestão em Análise (ReGeA)</em>, v. 15, n.&nbsp;1, e6206, 2026.</p>
<p>DOI: <a href="https://doi.org/10.12662/2359-618xregea.v15i1.6206.pe6206.2026">10.12662/2359-618xregea.v15i1.6206.pe6206.2026</a></p>
</div>
</div>
</div>
<section id="resumo" class="level2">
<h2 class="anchored" data-anchor-id="resumo">Resumo</h2>
<p>Este estudo investiga como técnicas de machine learning não supervisionado podem apoiar People Analytics em organizações públicas brasileiras, contexto marcado por baixa maturidade analítica. Utilizando dados anonimizados de empregados ativos da ApexBrasil entre janeiro de 2019 e dezembro de 2023, o trabalho segue o framework CRISP-DM para comparar três métodos de clusterização: K-means, Clustering Hierárquico e DBSCAN. Embora o DBSCAN tenha apresentado maiores índices de silhueta, ele classificou grande parte dos registros como ruído, limitando sua utilidade organizacional. Assim, o K-means com oito grupos foi selecionado como melhor equilíbrio entre qualidade técnica e cobertura amostral. Os agrupamentos resultantes foram interpretados como perfis distintos de força de trabalho, fornecendo uma base interpretável para investigações futuras sobre perfis de força de trabalho em organizações públicas. Os resultados demonstram a viabilidade de implementação de People Analytics em contextos de dados administrativos limitados, oferecendo framework replicável para organizações públicas similares.</p>
</section>
<section id="abstract" class="level2">
<h2 class="anchored" data-anchor-id="abstract">Abstract</h2>
<div lang="en">
<p>This study investigates how unsupervised machine learning techniques can support People Analytics in Brazilian public organizations, a context characterized by low analytical maturity. Using anonymized data from ApexBrasil’s active employees between January 2019 and December 2023, the work follows the CRISP-DM framework to compare three clustering methods: K-means, Hierarchical Clustering, and DBSCAN. Although DBSCAN presented higher silhouette indices, it classified a large portion of records as noise, limiting its organizational utility. Thus, K-means with eight clusters was selected as the best balance between technical quality and sample coverage. The resulting clusters were interpreted as distinct workforce profiles, providing an interpretable basis for future People Analytics investigations and workforce heterogeneity assessment. The results demonstrate the feasibility of implementing People Analytics in contexts with limited administrative data, offering a replicable framework for similar public organizations.</p>
</div>
<p><strong>Palavras-chave:</strong> people analytics; clustering; employee segmentation; K-Means; DBSCAN; Hierarchical Clustering; human resources data science</p>
<p><a href="https://doi.org/10.12662/2359-618xregea.v15i1.6206.pe6206.2026" class="btn btn-primary">Ler o trabalho completo</a></p>


</section>

 ]]></description>
  <category>People Analytics</category>
  <category>Clusterização</category>
  <category>Setor Público</category>
  <category>Artigo</category>
  <guid>https://ciuffciuff.github.io/ciuffo_blog/pesquisa/2026-04-23-segmentacao-de-empregados-clusterizacao/</guid>
  <pubDate>Thu, 23 Apr 2026 00:00:00 GMT</pubDate>
  <media:content url="https://ciuffciuff.github.io/ciuffo_blog/imagens/capa-pesquisa.svg" medium="image" type="image/svg+xml"/>
</item>
<item>
  <title>Temporal Projections for Strategic Planning in Human Resources</title>
  <dc:creator>César Ciuffo</dc:creator>
  <link>https://ciuffciuff.github.io/ciuffo_blog/pesquisa/2025-12-19-projecoes-temporais-planejamento-rh/</link>
  <description><![CDATA[ 






<div class="callout callout-style-simple callout-note no-icon">
<div class="callout-body d-flex">
<div class="callout-icon-container">
<i class="callout-icon no-icon"></i>
</div>
<div class="callout-body-container">
<p><strong>Artigo em periódico</strong></p>
<p>MOREIRA, C. A. C. Temporal Projections for Strategic Planning in Human Resources. <em>Revista Gestão &amp; Tecnologia</em>, v. 25, n.&nbsp;5, p.&nbsp;10–53, 2025.</p>
<p>DOI: <a href="https://doi.org/10.20397/2177-6652/2025.v25i5.3171">10.20397/2177-6652/2025.v25i5.3171</a></p>
</div>
</div>
</div>
<section id="resumo" class="level2">
<h2 class="anchored" data-anchor-id="resumo">Resumo</h2>
<p><strong>Objetivo:</strong> O objetivo deste estudo é explorar o uso de modelos de projeção de séries temporais na previsão de absenteísmo em Recursos Humanos (RH). Ele visa comparar diferentes modelos para melhorar o planejamento de ações organizacionais e a tomada de decisões.</p>
<p><strong>Metodologia/Métodos Procedimentais:</strong> Esta pesquisa emprega uma abordagem quantitativa, usando modelos de séries temporais como ARIMA, Holt-Winters e SARIMA. Esses modelos são aplicados para prever o absenteísmo em RH, demonstrando os pontos fortes e as limitações de cada um no contexto do planejamento organizacional.</p>
<p><strong>Originalidade/Relevância:</strong> Este estudo aborda a lacuna na aplicação teórica de projeções de séries temporais no campo de RH, focando especificamente na previsão de absenteísmo. Ele contribui para a relevância acadêmica ao fornecer insights sobre a utilidade prática dos modelos de séries temporais para a tomada de decisões de RH, uma área que não foi amplamente explorada.</p>
<p><strong>Principais resultados:</strong> Os resultados indicam que a projeção de séries temporais é uma ferramenta poderosa para melhorar a tomada de decisões de RH, oferecendo insights valiosos sobre tendências de absenteísmo e produtividade organizacional. A comparação dos modelos ARIMA, Holt-Winters e SARIMA destaca suas respectivas vantagens e limitações.</p>
<p><strong>Contribuições teóricas/metodológicas:</strong> Este estudo fornece contribuições significativas ao comparar vários modelos de séries temporais no contexto da previsão de absenteísmo. Ele oferece uma compreensão clara de qual modelo tem melhor desempenho em cenários específicos de RH e fornece métricas para avaliar o sucesso.</p>
<p><strong>Contribuições sociais/gerenciais:</strong> As descobertas têm implicações diretas para os gerentes de RH, fornecendo a eles ferramentas acionáveis para prever o absenteísmo e planejar de forma mais eficaz, melhorando assim a produtividade organizacional e mitigando potenciais desafios.</p>
</section>
<section id="abstract" class="level2">
<h2 class="anchored" data-anchor-id="abstract">Abstract</h2>
<div lang="en">
<p><strong>Objective:</strong> The objective of this study is to explore the use of time series projection models in predicting absenteeism within Human Resources (HR). It aims to compare different models to improve organizational action planning and decision-making.</p>
<p><strong>Methodology/Procedural Methods:</strong> This research employs a quantitative approach, using time series models such as ARIMA, Holt-Winters, and SARIMA. These models are applied to predict absenteeism in HR, demonstrating the strengths and limitations of each in the context of organizational planning.</p>
<p><strong>Originality/Relevance:</strong> This study addresses the gap in the theoretical application of time series projections within the HR field, specifically focusing on absenteeism prediction. It contributes to academic relevance by providing insights into the practical utility of time series models for HR decision-making, an area that has not been extensively explored.</p>
<p><strong>Main Results:</strong> The results indicate that time series projection is a powerful tool for improving HR decision-making, offering valuable insights into absenteeism trends and organizational productivity. The comparison of ARIMA, Holt-Winters, and SARIMA models highlights their respective advantages and limitations.</p>
<p><strong>Theoretical/Methodological Contributions:</strong> This study provides significant contributions by comparing various time series models in the context of absenteeism prediction. It offers a clear understanding of which model performs best in specific HR scenarios and provides metrics for evaluating success.</p>
<p><strong>Social/Managerial Contributions:</strong> The findings have direct implications for HR managers, providing them with actionable tools to predict absenteeism and plan more effectively, thereby improving organizational productivity and mitigating potential challenges.</p>
</div>
<p><strong>Palavras-chave:</strong> Séries temporais, absenteísmo, ARIMA, Holt-Winters, SARIMA, planejamento de RH</p>
<p><a href="https://doi.org/10.20397/2177-6652/2025.v25i5.3171" class="btn btn-primary">Ler o trabalho completo</a></p>


</section>

 ]]></description>
  <category>Séries Temporais</category>
  <category>Planejamento de RH</category>
  <category>Absenteísmo</category>
  <category>Artigo</category>
  <guid>https://ciuffciuff.github.io/ciuffo_blog/pesquisa/2025-12-19-projecoes-temporais-planejamento-rh/</guid>
  <pubDate>Fri, 19 Dec 2025 00:00:00 GMT</pubDate>
  <media:content url="https://ciuffciuff.github.io/ciuffo_blog/imagens/capa-pesquisa.svg" medium="image" type="image/svg+xml"/>
</item>
<item>
  <title>People Analytics: um estudo de caso de ciência de dados na Gerência de Recursos Humanos da Apex-Brasil</title>
  <dc:creator>César Ciuffo</dc:creator>
  <link>https://ciuffciuff.github.io/ciuffo_blog/pesquisa/2025-06-30-dissertacao-people-analytics-apex-brasil/</link>
  <description><![CDATA[ 






<div class="callout callout-style-simple callout-note no-icon">
<div class="callout-body d-flex">
<div class="callout-icon-container">
<i class="callout-icon no-icon"></i>
</div>
<div class="callout-body-container">
<p><strong>Dissertação de mestrado</strong></p>
<p>MOREIRA, C. A. C. <em>People Analytics: um estudo de caso de ciência de dados na Gerência de Recursos Humanos da Apex-Brasil.</em> 2025. Dissertação (Mestrado Profissional em Computação Aplicada) – Universidade de Brasília, Brasília, 2025. Orientador: Prof.&nbsp;Dr.&nbsp;Gladston Luiz da Silva.</p>
</div>
</div>
</div>
<section id="resumo" class="level2">
<h2 class="anchored" data-anchor-id="resumo">Resumo</h2>
<p>O tema People Analytics ou HR Analytics ou Workforce Analytics é a implementação de técnicas de ciência de dados no ambiente de recursos humanos no âmbito das organizações, visando o melhor entendimento desta dinâmica e a predição de comportamentos. As práticas de People Analytics ainda não estão disseminadas no contexto brasileiro e, em especial, na Agência Brasileira de Promoção de Exportações e Investimentos (ApexBrasil), que passa por forte automação de processos e por um processo de digitalização. Este ambiente se torna propício para o estudo e análise de diversos aspectos para entender a segmentação dos empregados, as possibilidades de sua classificação e a predição de absenteísmo. Este trabalho tem o propósito de estudar diversas técnicas de agrupamento, classificação e predição, para a prospecção e implantação de modelos de aprendizado de máquinas na Apex-Brasil. Em termos metodológicos, passará por todas as fases propostas, a saber: i) Entendimento do negócio e do contexto dos processos de recursos humanos na Apex-Brasil; ii) Entendimento, pré-processamento e análise exploratória dos dados; iii) Modelagem; iv) Avaliação de resultados e discussões; e, v) Proposição do plano de implantação dos modelos no ambiente da Apex-Brasil. Os resultados encontrados reforçam os exemplos da literatura e atendem aos objetivos propostos do trabalho. Sugere-se a implantação dos modelos selecionados na Agência e a medição de resultados para eventuais ajustes e melhor atuação.</p>
</section>
<section id="abstract" class="level2">
<h2 class="anchored" data-anchor-id="abstract">Abstract</h2>
<div lang="en">
<p>The subject of People Analytics, HR Analytics, or Workforce Analytics is the implementation of data science techniques in the human resources (HR) environment within organizations, aiming at a better understanding of these dynamics and the prediction of behaviors. People Analytics practices are not yet widespread in the Brazilian context and, especially, in Agência Brasileira de Promoção de Exportações e Investimentos (ApexBrasil), which is undergoing strong process automation and an accentuated digitalization process. This environment becomes conducive to the study and analysis of several aspects to understand the segmentation of employees, the possibilities of their classification, and the prediction of absenteeism. This work aims to study several grouping, classification, and prediction techniques for the prospecting and implementation of machine learning models at Apex-Brasil. In methodological terms, it will go through all the proposed phases, namely: i) understanding the business and the context of human resources processes at Apex-Brasil; ii) understanding, preprocessing, and exploratory analysis of data; iii) Modeling; iv) Evaluation of results and discussions; and v) proposal of the plan for implementing the models in the Apex-Brasil environment. The partial results found reinforce the examples in the literature and meet the proposed objectives of the work. It is suggested that the selected models be implemented in the Agency and that the results be measured for possible adjustments and better performance.</p>
</div>
<p><strong>Palavras-chave:</strong> People Analytics, HR Analytics, Workforce Analytics, Agrupamento, Classificação, Séries Temporais, Projeções</p>
<p><a href="http://repositorio.unb.br/handle/10482/52667" class="btn btn-primary">Ler o trabalho completo</a></p>


</section>

 ]]></description>
  <category>People Analytics</category>
  <category>Ciência de Dados</category>
  <category>Dissertação</category>
  <guid>https://ciuffciuff.github.io/ciuffo_blog/pesquisa/2025-06-30-dissertacao-people-analytics-apex-brasil/</guid>
  <pubDate>Mon, 30 Jun 2025 00:00:00 GMT</pubDate>
  <media:content url="https://ciuffciuff.github.io/ciuffo_blog/imagens/capa-pesquisa.svg" medium="image" type="image/svg+xml"/>
</item>
<item>
  <title>Segmentação de Carteira de Clientes com Base no Cadastro Nacional de Empresas Exportadoras Brasileiras</title>
  <dc:creator>César Ciuffo</dc:creator>
  <link>https://ciuffciuff.github.io/ciuffo_blog/pesquisa/2024-07-17-segmentacao-carteira-exportadoras/</link>
  <description><![CDATA[ 






<div class="callout callout-style-simple callout-note no-icon">
<div class="callout-body d-flex">
<div class="callout-icon-container">
<i class="callout-icon no-icon"></i>
</div>
<div class="callout-body-container">
<p><strong>Capítulo de livro</strong></p>
<p>BONECKER, R. M. M.; MOREIRA, C. A. C.; PAULA, D. E. C.; VERRI, F. A. N. Segmentação de Carteira de Clientes com Base no Cadastro Nacional de Empresas Exportadoras Brasileiras. In: VERRI, F. A. N.; CURTIS, V. V.; SBRUZZI, E. F. (Org.). <em>Projetos de Pesquisa em Data Science: estudo de caso sobre a Apex-Brasil – ITA.</em> Guarujá: Editora Científica Digital, 2024, v. 1, p.&nbsp;116–144. ISBN 978-65-5360-680-7.</p>
<p>DOI: <a href="https://doi.org/10.37885/240717123">10.37885/240717123</a></p>
</div>
</div>
</div>
<section id="resumo" class="level2">
<h2 class="anchored" data-anchor-id="resumo">Resumo</h2>
<p>Este estudo realiza a identificação do perfil das empresas brasileiras exportadoras, a partir da lista de exportadoras e importadoras divulgada pelo governo brasileiro, dados fornecidos pela SECEX-MDIC (Secretaria de Comércio Exterior do Ministério do Desenvolvimento, Indústria, Comércio e Serviços) e pela Receita Federal do Brasil. Realizada a análise exploratória dos dados, técnicas de análise de componentes principais, de agrupamento (k-médias) e de mineração de regras de associação foram aplicadas. Por meio da análise de componentes principais, considerando dez atributos quantitativos, foi possível identificar uma quantidade de grupos para iniciar o agrupamento via k-médias. Por conseguinte, por meio de k-médias, foi possível validar a quantidade de grupos e analisar as características de cada grupo para os atributos quantitativos selecionados. E, por fim, com a utilização da técnica de mineração de regras de associação, foi possível extrair características interpretáveis de apenas um grupo. Como resultado, há evidências que os dados existentes não são adequados para identificar o perfil das empresas e que, portanto, para atingir o objetivo será necessário enriquecer a base com informações, tais como valor exportado pela empresa, produto exportado e quantidade de países para os quais a empresa exportou, entre outras.</p>
<p><strong>Palavras-chave:</strong> Apex-Brasil, Ciência de Dados, Empresas Brasileiras, Exportadoras, Importadoras, Análise de Componentes Principais, Agrupamento, Método k-Médias, Mineração de Regras de Associação</p>
<p><a href="https://doi.org/10.37885/240717123" class="btn btn-primary">Ler o trabalho completo</a> <a href="artigo-tcc-ita-grupo7-2023.pdf" class="btn btn-outline-primary">Baixar o artigo original do TCC no ITA (PDF, 10 páginas, 2023)</a></p>


</section>

 ]]></description>
  <category>Inteligência Comercial</category>
  <category>Comércio Exterior</category>
  <category>Ciência de Dados</category>
  <category>Capítulo</category>
  <guid>https://ciuffciuff.github.io/ciuffo_blog/pesquisa/2024-07-17-segmentacao-carteira-exportadoras/</guid>
  <pubDate>Wed, 17 Jul 2024 00:00:00 GMT</pubDate>
  <media:content url="https://ciuffciuff.github.io/ciuffo_blog/imagens/capa-pesquisa.svg" medium="image" type="image/svg+xml"/>
</item>
</channel>
</rss>
