Radar de permanência que lê os sinais do LMS e entrega, toda segunda, quem está a duas semanas de sumir — por quê e o que fazer. Dentro do Oracle AI Database que sua instituição já conhece.
Ilustração do painel. Totais da base anonimizada (IES Demo, corte 23/08/2026); linhas da fila pseudonimizadas e ilustrativas.
Quatro em cada dez alunos EAD desistem por ano. Não é um evento: é um silêncio que cresce por duas ou três semanas, registrado no log, sem que ninguém tenha um alerta.
Inatividade silenciosa é massiva. Em 26/08, 61 alunos (30%) estavam há mais de 14 dias sem acesso; 47 há mais de 30; 35 há mais de 60. Um terço da turma sumiu sem alerta.
A perda é gradual e mensurável. Dos ativos na Fase 1, 94% chegam à F2, 94% à F3, 92% à F4 e 88% à F5. Doze por cento dos ingressantes perdidos em cerca de sete meses.
O conteúdo trava em pontos previsíveis. Na F5, 25 alunos estão parados nos capítulos 1–2. Conteúdo quase só em HTML, pico de uso 19h–22h de segunda a quinta: perfil de aluno que trabalha.
A Retena transforma logs brutos do LMS em prioridade operacional para a coordenação, com um motivo em linguagem simples ao lado de cada score.
Probabilidade de o aluno ficar 21 dias sem ação no LMS, recalculada a cada domingo. Faixas Alto, Médio e Baixo e um motivo legível por pessoa, não por técnico.
Em qual fase e capítulo os alunos travam, com esforço relativo, taxa de queda e mix de formato. Vira recomendação concreta para a coordenação pedagógica.
Toda segunda: quem contatar, tutor responsável, modelo de mensagem e janela sugerida (19h–22h). O resultado registrado vira receita preservada no relatório mensal.
O que a instituição faz, o que a Retena faz e o que volta para a coordenação a cada semana.
Exportação CSV padrão ou API para o Oracle Autonomous AI Database. Sem projeto de TI: a integração começa com o que o LMS já exporta.
Oracle Machine Learning (DBMS_DATA_MINING) pontua cada aluno toda semana. O dado não sai da instituição.
Quem contatar, por quê, quando (19h–22h) e o que dizer, em um painel APEX pronto para o tutor.
Contato registrado em um clique, receita preservada medida no relatório mensal e modelo retreinado com o que funcionou.
Os mesmos quatro passos, vistos de dentro do Oracle AI Database. Nenhum dado de aluno em nuvem de terceiros; nenhum servidor de ML para operar.
Exportação CSV padrão do Moodle (ou API): hora, aluno, contexto, componente, evento. Carga via DBMS_CLOUD.
Por aluno e semana: dias ativos, recência, tendência 28d, capítulo alcançado, quizzes, share noturno. Tabelas analíticas no próprio banco.
Treino e scoring com Oracle Machine Learning: PREDICTION_PROBABILITY e PREDICTION_DETAILS geram score e motivo. Retreino mensal agendado.
Painel APEX com fila priorizada, tutor, mensagem e janela de contato. Registro do resultado alimenta o ROI e o próximo retreino.
Teste temporal: treino de fevereiro a maio de 2026, teste de junho a agosto, com embargo de 21 dias. Base anonimizada de um curso EAD em 5 fases.
Alto ≥ 0,60 (vale uma ligação do tutor) · Médio 0,30–0,60 (mensagem automática) · Baixo < 0,30. Faixas lidas como prioridade relativa, não como certeza.
Teste temporal, base anonimizada de 203 alunos e 684.723 eventos (15/01 a 26/08/2026). Números gerados pelo pipeline do MVP; nada ajustado à mão. Métricas preliminares: intervalos de confiança largos por causa do tamanho da amostra.
A Retena não é uma ferramenta externa que puxa dados da IES. Ela roda como extensão do Oracle Autonomous AI Database que o ERP acadêmico já usa: features, treino, scoring e painel, no mesmo lugar.
Treino e scoring acontecem dentro do banco da IES. Nenhum registro de aluno em nuvem de terceiros. Isso elimina a objeção número 1 do jurídico e responde à LGPD por desenho, não por contrato.
Nada de exportar, montar servidor de ML e manter ETL. Oracle Machine Learning treina em SQL; APEX entrega o painel em dias; o retreino mensal é um job agendado.
Um CSV exportado do LMS basta para a primeira fila. O mesmo dialeto SQL leva o projeto do Oracle Database Free em Docker ao Autonomous na OCI sem reescrita.
-- Score e motivo explicável, sem sair do banco SELECT aluno_id, PREDICTION_PROBABILITY(risco_21d, 1 USING *) AS prob_risco, PREDICTION_DETAILS(risco_21d, 1 USING *) AS motivo, tutor_sugerido, janela_contato FROM ret_features_semana WHERE corte = DATE '2026-08-23' ORDER BY prob_risco DESC FETCH FIRST 30 ROWS ONLY;
A Retena foi desenhada para duas mesas da mesma instituição: a diretoria que responde pelo resultado e a coordenação que liga para o aluno.
Deixam de ligar aleatoriamente. Recebem lista priorizada com motivo, modelo de mensagem e horário sugerido, e registram o resultado em dois cliques.
O aluno que trabalha, estuda 19h–22h e travou em um capítulo é chamado antes de desistir, no horário em que estuda, com um caminho concreto para retomar.
SaaS B2B cobrado por aluno ativo por mês. Três planos, três faixas de volume e uma porta de entrada: o piloto de 90 dias.
Para a IES que quer sair do escuro: score, motivo e a fila de segunda.
Mínimo mensal R$ 5 mil · setup a partir de R$ 10 mil
Para quem quer fechar o ciclo: conteúdo, receita e perguntas em português.
Mínimo mensal R$ 5 mil · setup R$ 10–25 mil
Para grupos e mantenedoras com vários campi, integrações e SLA.
Volume acima de 50 mil alunos · proposta sob medida
| Alunos ativos na IES | Preço por aluno ativo/mês |
|---|---|
| 1 mil a 10 mil | R$ 6,00 |
| 10 mil a 50 mil | R$ 4,00 |
| Acima de 50 mil (grupos, fase 2) | R$ 3,00 |
Mínimo mensal de R$ 5 mil. Setup e integração com o LMS cobrados uma vez: R$ 10 mil a R$ 25 mil, conforme LMS e número de cursos. Essencial −25% e Enterprise +30% sobre esta tabela.
Conta de referência (estimativa): uma IES com 12 mil alunos EAD paga R$ 48 mil/mês (R$ 576 mil/ano). Com ticket médio de R$ 350/mês, cada aluno retido por um ano preserva R$ 4.200. O contrato se paga retendo cerca de 137 alunos/ano: 1,1% da base, ou 2,8% das desistências esperadas a uma taxa de 41%.Ticket médio e CAC (> R$ 1.000) são estimativas do brief; a conta usa os dados informados pela própria IES no painel.
Três parâmetros da sua instituição e a tabela do plano Pro publicada acima. Nenhuma premissa escondida: os valores recalculam enquanto você ajusta.
Comece pelos valores de referência e ajuste para a sua base.
Setup de R$ 10–25 mil à parte; valores de referência do plano Pro (R$ 6, R$ 4 ou R$ 3 por aluno ativo/mês conforme a faixa, mínimo de R$ 5 mil/mês).
Estimativas com os parâmetros informados; no piloto de 90 dias a meta de rematrícula é medida na base real da instituição.
Validar esta conta no pilotoUma fase, um curso, uma meta acordada. Sem projeto de TI: a integração começa com a exportação padrão que o LMS já faz.
Exportação dos logs do LMS, carga no Autonomous AI Database, pseudonimização e construção das features da fase escolhida.
Base histórica carregadaModelo treinado com o histórico da IES; coordenação recebe a primeira fila com motivos, tutores e janelas de contato. Início dos contatos.
Valor visívelResultados dos contatos registrados no painel; reativação marcada automaticamente quando o LMS volta a registrar acesso. Mapa de atrito entregue à coordenação pedagógica.
Primeiros alunos de voltaRelatório executivo: alunos reativados, taxa de resposta por horário e receita preservada em R$ frente à meta acordada. Decisão de conversão em contrato anual.
Meta medida, não prometidaMeta de referência do piloto: reengajar 30% dos alunos em risco alto da fase-piloto em 30 dias. Na base analisada, isso significaria cerca de 18 alunos entre os 61 inativos há mais de 14 dias (estimativa).
Respostas curtas para as objeções que ouvimos com mais frequência. Ficou algo de fora? Fale com a equipe.
Falar com a equipeNão. Os logs do LMS são carregados no Oracle Autonomous AI Database da própria IES (ou em um schema isolado provisionado para ela), e é ali que o modelo treina e pontua. Nenhum dado de aluno trafega para servidores da Retena ou de terceiros.
Fora do painel, alunos aparecem pseudonimizados ("Aluno 0227"). A base legal é a execução do contrato educacional; o contato do tutor é registrado e o aluno pode optar por não ser contatado.
Sim. A entrada é o log de eventos (hora, aluno, contexto, componente, nome do evento), que todo LMS registra. A ingestão por CSV, no formato padrão de exportação do Moodle, é o caminho validado na base real e o que usamos no piloto. Canvas, Blackboard e plataformas próprias entram por CSV equivalente ou API na fase de integração, com o setup cobrindo o mapeamento dos campos.
Não. O treino e o scoring rodam com Oracle Machine Learning dentro do banco, em SQL, e o retreino mensal é um job agendado. A equipe da Retena configura o modelo por instituição; a coordenação só precisa abrir o painel APEX na segunda-feira e registrar o resultado dos contatos.
O foco da Retena é EAD, onde o LMS concentra praticamente todo o comportamento do aluno e o silêncio é o principal sinal. Em cursos híbridos, o modelo funciona para a parcela online da jornada e pode ser combinado com presença registrada. Para o presencial puro, os sinais do LMS são mais fracos e a Retena não é a melhor ferramenta.
Primeira fila de segunda em até 30 dias após o CSV chegar; primeiras reativações registradas por volta do dia 60; relatório de ROI em rematrícula no dia 90, comparado com a meta acordada no início do piloto. O que acontece com o modelo depois disso: cada intervenção registrada realimenta o retreino mensal, e o score da próxima segunda já incorpora o que funcionou naquela IES.
Conte um pouco sobre a instituição e retornamos com uma proposta de piloto: fase, meta acordada e cronograma.
Pulso da turma · Fase 5