A análise exploratória dos dados de atendimentos por convênio em 2022 forneceu os seguintes insights estratégicos:

Practice 1

Este projeto realiza uma análise exploratória aprofundada (EDA) sobre o cenário da Educação Superior no Brasil, utilizando os microdados públicos do Censo da Educação Superior, disponibilizados pelo Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP). O estudo abrange um período de cinco anos, de 2019 a 2023, buscando identificar e visualizar as tendências, desigualdades e transformações que marcaram o setor em um período recente, impactado por profundas mudanças socioeconômicas e pela consolidação do Ensino a Distância (EAD). A análise se propõe a ser um "raio-x" do sistema, indo além das estatísticas superficiais para responder a perguntas centrais sobre o desempenho dos cursos no país. Objetivos do Projeto: Analisar a tendência temporal: Investigar a evolução de indicadores-chave, como o número total de matrículas e, principalmente, as taxas de evasão e conclusão ao longo dos cinco anos. Identificar e quantificar desigualdades: Comparar o desempenho e o crescimento do setor entre a rede de ensino Pública e Privada, as modalidades Presencial e EAD, e as diferentes regiões geográficas do Brasil. Explorar o perfil de desempenho: Identificar quais áreas do conhecimento concentram o maior número de alunos e como o seu desempenho (relação entre evasão e conclusão) se comporta. Construir um modelo preditivo: Utilizar técnicas de Machine Learning (Random Forest) para identificar quais características de um curso (área, modalidade, rede, etc.) são os fatores preditores mais fortes de uma alta taxa de evasão. Fonte dos Dados e Ferramentas: Dados: Microdados do Censo da Educação Superior (2019-2023), obtidos através do portal do INEP. Ferramentas: O projeto foi inteiramente desenvolvido em R. As principais ferramentas utilizadas incluem: Manipulação de Dados: Pacotes do tidyverse (especialmente dplyr e purrr) para a transformação e limpeza dos dados, e data.table para leitura otimizada de arquivos grandes. Visualização de Dados: ggplot2 para a criação de todos os gráficos estáticos e plotly para a geração de visualizações interativas. Análise Geográfica: sf e geobr para o tratamento e plotagem de mapas coropléticos. Modelagem: caret e randomForest para o treinamento e avaliação do modelo preditivo. Principais Descobertas e Insights: A análise revelou um setor em profunda transformação, marcado por tendências claras: Crescimento Assimétrico: Uma expansão do número de matrículas impulsionada majoritariamente pela rede privada e pela modalidade EAD. Desigualdade Regional Persistente: A concentração de matrículas e as menores taxas de evasão se mantêm no eixo Sul-Sudeste, enquanto as regiões Norte e Nordeste enfrentam os maiores desafios. O Paradoxo da Demanda: Áreas do conhecimento com alta demanda de mercado e grande volume de alunos, como Negócios e TI, estão entre as que apresentam as maiores taxas de evasão. Fatores Preditivos: O modelo de machine learning apontou que a área do conhecimento de um curso é um fator preditivo mais forte para a evasão do que a própria modalidade de ensino (Presencial ou EAD). Este relatório serve como um recurso para gestores, pesquisadores e formuladores de políticas públicas que buscam compreender, com base em evidências, os desafios e as oportunidades da educação superior no Brasil contemporâneo. Palavras-chave: R, Data Science, Análise de Dados, Educação Superior, Brasil, INEP, Censo da Educação Superior, Evasão, ggplot2, Machine Learning, Visualização de Dados.