O que a diretoria precisa saber esta semana

Quatro números em linguagem de gestão, calculados a partir dos logs reais do LMS: quantos alunos chamar, quanto está em jogo e quanto dá para recuperar. Ajuste o ticket mensal para ver o impacto na sua instituição.

Semana de referência: 26/08/2026
203 matriculados · 196 com atividade avaliados

Alunos para chamar esta semana

55 em alto risco + 6 em risco médio

11 de alto risco ainda ativos nos últimos 28 dias: comece por eles.

Receita anual em risco

…

estimativa: alto risco × ticket × 12 meses; informe o ticket da sua instituição

Ticket mensal médio (R$)

Receita preservada se reativarmos 1 em cada 3

…

cenário conservador de reativação

18 dos 55 alunos de alto risco × R$ 350 × 12 meses

Já silenciaram sem nenhum alerta

alunos sem acesso há mais de 14 dias (31,6%)

45 há mais de 30 dias: hoje ninguém é avisado quando isso acontece.

Como agir Ver a fila de segunda → Ver onde os alunos travam → Ver como o modelo foi validado →

Números calculados dentro do Oracle AI Database com Oracle Machine Learning sobre a base real anonimizada (corte 23/08/2026).

Quem chamar hoje

Risco de o aluno passar 21 dias sem nenhuma ação no LMS, calculado toda semana a partir dos logs de navegação. Não é cobrança: é uma lista para o tutor começar a segunda-feira sabendo com quem conversar primeiro.

Referência 26/08/2026
Próximo scoring: domingo seguinte ao corte

Alunos com atividade

196

de 203 matriculados · 7 nunca acessaram

Ativos nos últimos 7 dias

100

51% dos alunos com atividade

Ativos nos últimos 28 dias

149

76% dos alunos com atividade

Sem acesso há mais de 14 dias

31,6% · 45 há mais de 30 dias

Alto risco de evasão

28,1%

55 alunos com prob. ≥ 0,60 · 6 em risco médio

Alto risco e ainda ativos (28 d)

quem chamar primeiro: ainda estão por aqui, mas o ritmo caiu

Alunos ativos por semana

Alunos distintos com ≥ 1 ação própria na semana (terminando no domingo). Área sombreada: intervalo entre a Fase 4 e a Fase 5.

Faixas de risco no corte de 23/08/2026

196 alunos avaliados. Opacidade indica a situação de acesso: cheia = ativo nos últimos 28 dias.

Fila de segunda-feira

Clique no cabeçalho para ordenar e na linha para abrir o aluno. Comece por alto risco e ainda ativos: é onde uma conversa curta ainda muda o rumo. Quem está sumido há mais de 60 dias já pede resgate pela coordenação, não lembrete.

Aluno↕	Fase↕	Situação↕	Recência (dias)↕	Tendência↕	Probabilidade↕	Faixa↕	Fatores↕	Ação sugerida↕

Faixas: Alto ≥ 0,60 · Médio 0,30–0,60 · Baixo < 0,30. Tendência = eventos dos últimos 7 dias ÷ (média semanal dos 28 dias + 1): ↓ abaixo de 0,5, ↑ acima de 1,2. Os fatores são explicações por regra (recência, ritmo, progresso), não coeficientes do modelo.

Mapa de atrito de conteúdo

Onde os alunos travam, capítulo a capítulo, para a coordenação pedagógica ajustar o conteúdo.

Para cada capítulo, a fração dos que chegaram nele e não avançaram ao seguinte, ponderada pelo esforço (eventos) que o capítulo exige em relação à fase. Passe o mouse sobre a célula para ver os detalhes.

Fase × capítulo — 51 capítulos avaliados

Escala truncada em 0,10: na Fase 5 (em andamento) a "queda" é progresso em curso, não abandono — leia-a como monitoramento, não como fricção confirmada.

As 8 maiores fricções (fases concluídas)

Ordenadas pelo índice de atrito; recomendações de recomendacoes_conteudo.csv.

Onde	Capítulo	Chegaram	Não avançaram	Queda	Esforço rel.	Índice	O que fazer
F4 · Cap 2	Cap 2 - Estudo de Caso	136	3	2,2%	3,42×	0,075	Simplificar Esforço alto (3.4× o típico) com queda moderada (2.2%): conteúdo denso — publicar resumo/mapa mental e material de apoio em PDF.
F3 · Cap 2	Cap 2 - Introdução à ciência de dados	143	7	4,9%	1,29×	0,063	Reforçar Queda relevante (4.9%, 7 alunos): adicionar resumo executivo no início, checkpoint de dúvidas com tutor e lembrete automático 3 dias após o acesso.
F2 · Cap 11	Cap 11 - Cloud Computing & Data Science Azure	129	6	4,7%	1,18×	0,055	Reforçar Queda relevante (4.7%, 6 alunos): adicionar resumo executivo no início, checkpoint de dúvidas com tutor e lembrete automático 3 dias após o acesso.
F1 · Cap 2	Cap 2 - Sistemas Operacionais	148	4	2,7%	1,60×	0,043	Simplificar Esforço alto (1.6× o típico) com queda moderada (2.7%): conteúdo denso — publicar resumo/mapa mental e material de apoio em PDF.
F4 · Cap 3	Cap 3 - Persistência de Dados	133	3	2,3%	1,62×	0,037	Simplificar Esforço alto (1.6× o típico) com queda moderada (2.3%): conteúdo denso — publicar resumo/mapa mental e material de apoio em PDF.
F2 · Cap 5	Cap 5 - JavaServer Pages	141	4	2,8%	1,18×	0,033	Reforçar Queda moderada (2.8%, 4 alunos): lembrete automático para quem parou aqui e checkpoint rápido de dúvidas.
F4 · Cap 4	Cap 4 - Padrões e Práticas Avançadas	130	4	3,1%	1,00×	0,031	Reforçar Queda moderada (3.1%, 4 alunos): lembrete automático para quem parou aqui e checkpoint rápido de dúvidas.
F2 · Cap 10	Cap 10 - Cloud Computing & Data Science aplicações na Nuvem	133	4	3,0%	0,94×	0,028	Reforçar Queda moderada (3.0%, 4 alunos): lembrete automático para quem parou aqui e checkpoint rápido de dúvidas.

Recomendações de conteúdo (20)

Prioridade 1 = agir agora; 2 = próximo ciclo; 3 = ajuste de formato.

Prior.	Onde	Capítulo	Tipo	Recomendação
1	F3 · Cap 2	Cap 2 - Introdução à ciência de dados	Reforçar	Queda relevante (4.9%, 7 alunos): adicionar resumo executivo no início, checkpoint de dúvidas com tutor e lembrete automático 3 dias após o acesso.
1	F2 · Cap 11	Cap 11 - Cloud Computing & Data Science Azure	Reforçar	Queda relevante (4.7%, 6 alunos): adicionar resumo executivo no início, checkpoint de dúvidas com tutor e lembrete automático 3 dias após o acesso.
2	F5 · Cap 3	Cap 3 - APIs e Integração de Sistemas	Monitorar	Capítulo em andamento com esforço alto (4.0× o típico) e 10% dos alunos ainda não avançaram: acompanhar semanalmente e preparar sessão de dúvidas.
2	F5 · Cap 2	Cap 2 - Conceitos de Serviços, SOA, microsserviços, MSA	Monitorar	Fase em andamento: 61 alunos ainda não chegaram ao capítulo 2. Disparar lembrete de início e destacar o capítulo na home do curso.
2	F5 · Cap 4	Cap 4 - Aprendizado não supervisionado	Monitorar	Capítulo em andamento com esforço alto (2.5× o típico) e 13% dos alunos ainda não avançaram: acompanhar semanalmente e preparar sessão de dúvidas.
2	F5 · Cap 1	Cap 1 - Soluções em tecnologias emergentes	Monitorar	Fase em andamento: 48 alunos ainda não chegaram ao capítulo 1. Disparar lembrete de início e destacar o capítulo na home do curso.
2	F4 · Cap 2	Cap 2 - Estudo de Caso	Simplificar	Esforço alto (3.4× o típico) com queda moderada (2.2%): conteúdo denso — publicar resumo/mapa mental e material de apoio em PDF.
2	F1 · Cap 2	Cap 2 - Sistemas Operacionais	Simplificar	Esforço alto (1.6× o típico) com queda moderada (2.7%): conteúdo denso — publicar resumo/mapa mental e material de apoio em PDF.
2	F4 · Cap 3	Cap 3 - Persistência de Dados	Simplificar	Esforço alto (1.6× o típico) com queda moderada (2.3%): conteúdo denso — publicar resumo/mapa mental e material de apoio em PDF.
2	F2 · Cap 5	Cap 5 - JavaServer Pages	Reforçar	Queda moderada (2.8%, 4 alunos): lembrete automático para quem parou aqui e checkpoint rápido de dúvidas.
2	F4 · Cap 4	Cap 4 - Padrões e Práticas Avançadas	Reforçar	Queda moderada (3.1%, 4 alunos): lembrete automático para quem parou aqui e checkpoint rápido de dúvidas.
2	F2 · Cap 10	Cap 10 - Cloud Computing & Data Science aplicações na Nuvem	Reforçar	Queda moderada (3.0%, 4 alunos): lembrete automático para quem parou aqui e checkpoint rápido de dúvidas.
2	F2 · Cap 1	Cap 1 - Nova fase, novos conhecimentos!	Reforçar	Queda moderada (2.7%, 4 alunos): lembrete automático para quem parou aqui e checkpoint rápido de dúvidas.
2	F3 · Cap 1	Cap 1 - Avançando nos conhecimentos, mais tecnologias!	Onboarding	19 alunos (12%) entraram na fase mas nunca abriram o capítulo 1: disparar trilha de boas-vindas, vídeo curto de abertura e lembrete no 3º dia sem acesso.
2	F1 · Cap 1	Cap 1 - Vamos conhecer novos recursos de engenharia de software?	Onboarding	15 alunos (9%) entraram na fase mas nunca abriram o capítulo 1: disparar trilha de boas-vindas, vídeo curto de abertura e lembrete no 3º dia sem acesso.
2	F4 · Cap 1	Cap 1 - Integração de Sistemas e Soluções	Onboarding	17 alunos (11%) entraram na fase mas nunca abriram o capítulo 1: disparar trilha de boas-vindas, vídeo curto de abertura e lembrete no 3º dia sem acesso.
3	F2 · Cap 8	Cap 8 - Navegação e Fluxo	Formato	20% das leituras em PDF: demanda por material offline/impresso — garantir PDF atualizado, versão mobile e áudio-resumo.
3	F1 · Cap 6	Cap 6 - Hadoop	Formato	34% das leituras em PDF: demanda por material offline/impresso — garantir PDF atualizado, versão mobile e áudio-resumo.
3	F1 · Cap 1	Cap 1 - Vamos conhecer novos recursos de engenharia de software?	Formato	28% das leituras em PDF: demanda por material offline/impresso — garantir PDF atualizado, versão mobile e áudio-resumo.
3	F2 · Cap 7	Cap 7 - Cards e Imagens	Formato	34% das leituras em PDF: demanda por material offline/impresso — garantir PDF atualizado, versão mobile e áudio-resumo.

Modelo · para o time técnico

HistGradientBoosting (scikit-learn) com 22 features de comportamento, rótulo inativo_21d. Avaliação com split temporal: treino em 16 cortes (fev–mai/2026, embargo de 21 dias), teste em 9 cortes (jun–ago/2026), 1.609 linhas aluno-semana de 183 alunos. Baseline: regressão logística. Detalhes e discussão em outputs/RESULTADOS.md.

Métricas no teste temporal

Em negrito, o modelo usado no scoring. A logística empata ou supera o boosting em vários números — com ~200 alunos, a diferença não é significativa; o HGB foi mantido pela flexibilidade para novas features.

Métrica (teste temporal, jun–ago/2026)	Todos os alunos		Subconjunto acionável*
Métrica (teste temporal, jun–ago/2026)	Gradient Boosting	Logística (baseline)	Gradient Boosting	Logística (baseline)
AUC-ROC	0,882	0,893	0,743	0,772
AUC-PR (average precision)	0,839	0,859	0,460	0,494
Taxa de positivos (referência)	28,8%	28,8%	14,7%	14,7%
Brier score (menor é melhor)	0,120	0,101	0,120	0,110
Precisão @ limiar 0,5	0,924	0,895	0,694	0,704
Recall @ limiar 0,5	0,580	0,659	0,178	0,199
Precisão @ top-20% (k=322 / 260)	0,882	0,919	0,377	0,396
Recall capturado no top-20%	0,612	0,638	0,513	0,539
Lift no top-20% vs. base	3,06×	3,19×	2,56×	2,69×
n linhas / positivos	1609 / 464	1609 / 464	1298 / 191	1298 / 191

* Acionável = alunos com ≥ 1 evento nos 28 dias anteriores ao corte. Exclui os positivos "fáceis" (quem já estava sumido e continuou sumido) e mede o que interessa à operação: antecipar o desligamento de quem ainda está presente.

Faixas de risco — taxa observada no teste

Limiares definidos antes de olhar o teste: 0,60 = "mais provável ficar inativo do que não", com margem para erro de calibração; 0,30 ≈ 1,5–2× a taxa média de positivos.

Faixa	Probabilidade	n (teste)	% das linhas	Taxa observada de inatividade
Alto	≥ 0,60	273	17,0%	95,2%
Médio	0,30 – 0,60	39	2,4%	48,7%
Baixo	< 0,30	1297	80,6%	14,3%

Importância por permutação — top 12

Queda média de AUC-ROC ao embaralhar cada feature no teste (15 repetições; traço = desvio-padrão).

Curvas no teste

Linha cheia: gradient boosting. Tracejada: regressão logística.

Estabilidade por corte de teste

A taxa de positivos sobe de 18% para 40% em julho (intervalo entre fases) e a AUC cai junto — o período de teste é estruturalmente diferente do treino.

Corte de teste	n	Positivos	AUC-ROC	AUC-PR
07/06/2026	174	17,8%	0,972	0,844
14/06/2026	178	21,3%	0,967	0,899
21/06/2026	178	22,5%	0,957	0,909
28/06/2026	178	32,6%	0,897	0,855
05/07/2026	179	37,4%	0,801	0,802
12/07/2026	179	39,7%	0,816	0,821
19/07/2026	179	30,7%	0,890	0,868
26/07/2026	181	28,7%	0,922	0,893
02/08/2026	183	28,4%	0,903	0,878

Modelo secundário — evasão entre fases

Regressão logística no grão aluno-fase (610 linhas, 175 alunos, taxa 7,5%); validação leave-one-phase-out.

Transição testada	n	Evadiram	AUC-ROC	AUC-PR
F1→F2	150	8	0,985	0,663
F2→F3	154	8	0,916	0,574
F3→F4	156	11	0,954	0,751
F4→F5	150	19	0,850	0,615
Média			0,926	0,651