Evasão no Ensino Superior: Quando o Modelo que acerta 100% é o Primeiro a Merecer Desconfiança - ✔ Digital Intelligence Hub®
#Evasao #EnsinoSuperior #PermanenciaEstudantil #ReceitaRecorrente #Inadimplencia #VazamentoDeDados #GestaoAcademica #LGPD #Dashboard
Imagine receber da área de dados uma planilha com uma coluna chamada risco de evasão, acompanhada de uma promessa: o modelo acertou 100% dos alunos que saíram. Muita gente comemoraria. Quem trabalha com dados deveria fazer o contrário e desconfiar, porque nenhum fenômeno humano se deixa prever com perfeição. Quando isso aparece numa tela, quase sempre o modelo está olhando para o resultado que deveria adivinhar.
A evasão é o problema mais caro do ensino superior privado. Segundo o Mapa do Ensino Superior no Brasil 2026, do Semesp, divulgado em março de 2026, a taxa de evasão de 2024 chegou a 41,6% nos cursos a distância, o maior percentual já registrado, e ficou em 24,8% nos presenciais. No mesmo ano, 5,01 milhões de alunos ingressaram em faculdades, dois em cada três em cursos a distância. Cada desistência é uma mensalidade que deixa de entrar por vários semestres.
💥Experimente um dos 15 Dashboards
🩺 Saúde Ocupacional: Clínica de Medicina do Trabalho
📦 Last Mile: Entregas Urbanas
🔧 Manutenção Naval: Reparos de Navios
🎓 Ensino Superior: Permanência & Receita
🍽️ Restaurantes: Food Service
💊 Varejo Farma: Rede de Farmácias
🏗️ Granéis: Operador de Granéis
🚚 Transporte Rodoviário Portuário
🛳️ Ship Chandler: Suprimento de Navios
⚓ Marítimo: Agência Marítima
🛂 Aduaneiro: Despacho & Desembaraço
📈 Marketing: ROI de Campanhas
🏢 Financeiro: Condomínios
⏳ Logística: Demurrage, Porto de Santos
📊 Indústria Farmacêutica, SFE: Força de Vendas
O Digital Intelligence Hub® | Ensino Superior — Permanência & Receita — Alunos foi construído para medir essa perda com honestidade. Ele integra a série Digital Intelligence Hub®, desenvolvido pela Programação Global® e é um dashboard completo dentro de um único arquivo HTML que abre no navegador, funciona sem internet e processa a planilha no próprio computador. Como a base contém dados pessoais de alunos, esse detalhe importa: nada é enviado a servidor, o que facilita o cumprimento da Lei Geral de Proteção de Dados. É uma ferramenta para pró-reitorias, coordenações de curso, áreas financeiras e equipes de permanência estudantil.
A planilha de origem traz um aluno por linha, com data de matrícula, curso, semestre atual, mensalidade, status (ativo, trancado ou evadido), meses de inadimplência, percentual de faltas e um rótulo de risco de evasão. A demonstração usa 5.000 alunos sintéticos em seis cursos: administração, ciência da computação, direito, enfermagem, engenharia e odontologia. A fila de ação mostra apenas o código do aluno, nunca o nome.
O que é vazamento de dados num modelo preditivo? É quando uma variável usada para prever um resultado já carrega informação desse próprio resultado. Um exemplo clássico é usar faltas acumuladas depois que o aluno parou de frequentar: quem já desistiu acumula faltas, e o modelo parece genial, mas só descreve o passado. O Digital Intelligence Hub® procura esse problema de propósito e o explica em linguagem direta.
O primeiro teste reconstrói a regra por trás da coluna de risco. O Digital Intelligence Hub® percorre combinações de limites de faltas, de 5% a 50%, e de meses de inadimplência, de zero a cinco, e verifica qual delas reproduz o rótulo. Na demonstração, a regra faltas acima de 20% ou inadimplência acima de um mês acerta 100% dos 5.000 alunos. A coluna, portanto, não é um modelo estatístico, e sim uma regra de negócio com dois limites, e o Digital Intelligence Hub® recomenda renomeá-la para alerta por regra.
O segundo teste mostra o vazamento. Na base de demonstração, as faltas dos alunos ativos vão até 25%, e as de quem evadiu ou trancou começam em 30,2%, sem nenhuma sobreposição. O rótulo de risco alto captura todos os que saíram, mas só 53,5% dos rotulados como risco alto de fato saíram. Separação perfeita não existe com gente de verdade, e a explicação provável é que as faltas foram medidas depois da saída.
Vale entender os dois números que o Digital Intelligence Hub® usa para avaliar o rótulo. Recall é a fatia dos alunos que saíram e que o rótulo conseguiu apontar. Precisão é a fatia dos alunos apontados que de fato saíram. Um rótulo com recall alto e precisão baixa enche a lista de acolhimento de alunos que ficariam de qualquer forma, e na demonstração quase metade dos marcados como risco alto continua matriculada. Saber disso muda o tamanho da equipe necessária para atender a lista.
A lição prática vale ouro para quem pretende comprar ou construir um modelo de evasão. O Digital Intelligence Hub® recomenda treinar qualquer modelo só com variáveis medidas antes de uma data de corte, como as faltas do primeiro bimestre e a inadimplência anterior, e validar o resultado num período posterior. Regras explícitas continuam legítimas e auditáveis, desde que sejam chamadas pelo nome certo e usadas para acolher o aluno, e não para puni-lo.
Os indicadores do topo começam pela receita mensal recorrente dos alunos ativos, R$ 8,2 milhões na demonstração, acompanhada do número de ativos e do valor em mensalidades de alunos em alerta. Ao lado aparecem a evasão, de 9,9%, o trancamento, de 14,7%, a fatia de ativos em alerta, de 28,3%, as mensalidades perdidas com quem saiu, R$ 2,6 milhões por mês, e a fatia com alguma inadimplência. As setas passam por teste estatístico, exceto a das mensalidades perdidas, que mostra a variação sem teste.
O trancamento recebe tratamento à parte, e com razão. Diferentemente da evasão, ele é uma perda reversível, porque o aluno pode voltar. O Digital Intelligence Hub® recomenda campanhas de retorno para trancados antes de cada período de rematrícula. É um ponto em que dados simples geram receita rápida, já que reconquistar quem conhece a instituição costuma custar bem menos que captar um calouro.
Outro achado separa dois públicos que costumam ser misturados. Na demonstração, 20,3% dos ativos têm alguma inadimplência, mas a correlação entre meses de atraso e faltas é zero. Isso indica dois perfis distintos: o aluno com dificuldade financeira e o aluno desengajado. A recomendação é dividir o alerta em dois, financeiro, com negociação de débito, e acadêmico, com tutoria, porque causas diferentes pedem abordagens diferentes.
A qualidade da base é examinada sem cerimônia. O Digital Intelligence Hub® encontrou 3.134 alunos com semestre impossível para a data de matrícula, como alunos no nono semestre matriculados no último ano e meio. A conclusão é que a coluna registra rematrícula ou cadastro, e não ingresso, e por isso as séries mensais não representam novas matrículas. Sem a data de ingresso, não há análise de coorte, a ferramenta mais poderosa para entender a evasão.
A evasão por curso e por semestre passa por testes com correção estatística para comparações múltiplas, pelo método de Bonferroni. Na demonstração, nenhum curso se diferencia, com evasão entre 8,7% e 10,9%, e a evasão por semestre também é uniforme. O Digital Intelligence Hub® avisa que isso é implausível, porque na vida real a desistência se concentra nos primeiros semestres. A mensalidade igual entre cursos de saúde e de gestão recebe o mesmo alerta.
A fila de ação, chamada de plano de acolhimento, lista os quinze alunos ativos em alerta com maior mensalidade, com curso, semestre, faixa de faltas e situação financeira. Na demonstração, 1.067 ativos estão em alerta, somando R$ 2,3 milhões por mês. O plano exportado traz os 500 alunos em alerta de maior mensalidade, os que ficam acima do percentil 90 calculado sobre toda a base, com as notas da equipe, para que coordenação e financeiro acionem cada caso pelo canal certo.
Os filtros ficam numa barra fixa no topo. Curso, status, rótulo de risco, situação financeira e faixa de faltas aparecem como botões, com cores no status e no rótulo de risco, e o semestre, com nove valores, vira uma lista com busca. O período é escolhido por mês inicial e final, e cada filtro ativo aparece numa faixa com botão de remoção. Um recorte sem alunos mostra uma mensagem clara, sem travar.
A evolução temporal mostra a evasão mês a mês, e uma nota fixa e os achados de tendência lembram que o mês é o da data de registro. A comparação entre janelas usa só meses completos, com o último mês incompleto marcado por asterisco. A sobreposição de anos compara o número de alunos nos mesmos meses, e a projeção combina tendência e sazonalidade, com o R² exibido.
Na área de análise, um gráfico compara a evasão, ou outra taxa, por curso ou outra dimensão. Um histograma distribui os alunos por faixas de cinco pontos percentuais de faltas, empilhadas por status, e é ali que o vazamento salta aos olhos. A matriz cruza faixa de faltas e situação financeira com a evasão em cada célula, e o mapa de calor mostra a evasão de cada curso mês a mês.
A rosca de participação mostra o peso de cada status na base, e a curva de Pareto mostra quais cursos concentram as mensalidades em alerta. Os rankings trazem a lista completa por dimensão, com busca, variação entre janelas e notas do analista. Clicar numa linha, numa barra do gráfico de médias ou numa fatia da rosca filtra o Digital Intelligence Hub® inteiro, o que permite isolar um curso em segundos durante uma reunião de colegiado.
O semáforo de cursos acende quando a evasão fica mais de um ponto percentual acima da média ou a fatia em alerta fica mais de dois pontos acima, sempre com teste estatístico, ou quando a receita recorrente cai mais de 15%. O comparador coloca dois cursos lado a lado num radar e numa tabela com alunos, mensalidade, evasão, alerta e faltas, mostrando a diferença sem testá-la.
Os alertas vêm com duas regras iniciais: a evasão de um curso subir mais de dois pontos percentuais e a fatia em alerta subir mais de três. Na demonstração, seis alertas disparam. Eles funcionam por limiar simples, e o teste estatístico aparece como etiqueta ao lado de cada um, dizendo se a variação está dentro do ruído. Outras regras podem ser criadas e ficam salvas no navegador.
O modo executivo esconde o detalhamento operacional, e o modo C-Level resume tudo em receita recorrente, evasão e alerta, com as mensalidades em alerta por curso. O modo apresentação mostra uma seção por tela. As exportações incluem CSV compatível com Excel em português e protegido contra fórmulas maliciosas, Excel com uma aba por tabela e PDF com tema de impressão. A última planilha volta ao reabrir o arquivo, e um botão apaga essa cópia local, cuidado importante quando o dado é pessoal.
A base de demonstração é sintética e foi construída com o vazamento embutido de propósito. Curso, semestre e mensalidade não se relacionam com a evasão, e a única estrutura existente é justamente a que não deveria existir. O próprio Digital Intelligence Hub® sugere usá-la como estudo de caso em sala de aula, uma forma concreta de ensinar por que um resultado perfeito deve ser a primeira coisa a ser questionada.
As aplicações cobrem a gestão inteira da permanência. A instituição pode auditar modelos de risco comprados de fornecedores, organizar o acolhimento de alunos em alerta, separar a cobrança da tutoria, recuperar trancados antes da rematrícula e medir a receita recorrente em risco por curso. Para professores de ciência de dados e de gestão educacional, o Digital Intelligence Hub® oferece um exemplo real de como um indicador mal nomeado pode levar uma diretoria inteira a confiar numa previsão que não existe.
Num setor em que mais de quatro em cada dez alunos a distância abandonam o curso, a tentação de comprar uma resposta pronta é enorme. O valor de um Digital Intelligence Hub® que diz com franqueza quando a resposta é boa demais para ser verdade está em devolver a conversa para onde ela começa, no aluno que ainda está matriculado e pode ser ajudado a ficar.
👉 Siga André Bernardes no Linkedin. Clique aqui e contate-me via What's App.
Comente e compartilhe este artigo!
brazilsalesforceeffectiveness@gmail.com
Comentários
Postar um comentário