Livro - Fluxo Discente

DIPLOMAÇÃO, EVASÃO E RETENÇÃO
MODELO LONGITUDINAL DE ANÁLISE PARA O ENSINO superior
FRANCISCO JOSÉ DA COSTA

PAUOLO ROBERTO SANTOS COSTA
PEDRO JÁCOME DE MOURA JR.
ufpb prg
DIPLOMAÇÃO, EVASÃO E RETENÇÃO:
MODELO LONGITUDINAL DE ANÁLISE PARA O ENSINO SUPERIOR
UNIVERSIDADE
FEDERAL DA PARAÍBA
Reitora MARGARETH DE FÁTIMA FORMIGA MELO DINIZ

Vice-Reitor BERNARDINA MARIA JUVENAL FREIRE DE OLIVEIRA
Pós-reitoria de Graduação ARIANE NORMA DE MENESES SÁ
EDITORA DA UFPB
Diretora IZABEL FRANÇA DE LIMA

Supervisão de Editoração ALMIR CORREIA DE VASCONCELLOS JÚNIOR
Supervisão de Produção JOSÉ AUGUSTO DOS SANTOS FILHO
Comitê Científico ADRIANO ALVES DE MEDEIROS

ANA CLÁUDIA FÉLIX GUALBERTO
ANA CRISTINA DE SOUSA ALDRIGUE
ANA PAULA ROMÃO DE SOUZA FERREIRA
ARIANE NORA DE MENEZES SÁ
CARLA ALECSSANDRA DE MELO BONIFÁCIO
ELIETE LIMA DE PAULA ZÁRATE
GREGÓRIO PEREIRA DE VASCONCELOS
JAMES BATISTA VIEIRA
JAN EDSON RODRIGUES LEITE
LUCIANE ALVES SANTOS
LUCÍDIO DOS ANJOS FORMIGA CABRAL
MARIE GORETT DANTES DE ASSIS E MEDEIROS BATISTA
Francisco José da Costa
Paulo Roberto Santos Costa
Pedro Jácome de Moura Jr
DIPLOMAÇÃO, EVASÃO E RETENÇÃO:

MODELO LONGITUDINAL DE ANÁLISE PARA O ENSINO SUPERIOR
Editora da UFPB
João Pessoa - PB
2017
Copyright © 2017 - Editora da UFPB
Efetuado o Depósito Legal na Biblioteca Nacional,

conforme a Lei nº 10.994, de 14 de dezembro de 2004.
TODOS OS DIREITOS RESERVADOS À EDITORA DA UFPB
É proibida a reprodução total ou parcial, de qualquer forma

ou por qualquer meio. A violação dos direitos autorais
(Lei nº 9.610/1998) é crime estabelecido no artigo 184 do Código Penal.
O conteúdo desta publicação é de inteira responsabilidade do(os) autor(es).
Impresso no Brasil. Printed in Brazil.
Capa, Projeto Gráfico e

Editoração Eletrônica ALEXSANDRO M. FERNANDES
Catalogação na Publicação
Seção de Catalogação e Classificação
C837d Costa, Francisco José da.

Diplomação, evasão e retenção: modelo longitudinal de
análise para o ensino superior / Francisco José da Costa, Pau-
lo Roberto Santos Costa, Pedro Jácome de Moura Jr. - João
Pessoa, 2017.
53 p. : il.
ISBN: 978-85-237-1305-8
1. Educação superior - Graduação. 2. Diplomação. 3. Evasão.

4. Retenção. I. Título.
UFPB/BC CDU – 378
EDITORA DA UFPB Cidade Universitária, Campus I – s/n

João Pessoa – PB
CEP: 58.051-970
editora@ufpb.br
Fone: (83) 3126.7147
Prólogo
A Universidade Federal da Paraíba (UFPB), desde o ano de 2012, deu um significativo salto de
qualidade. Customizamos e implantamos o Sistema Integrado de Gestão de Serviços (SIGs/UFRN), com o
qual foi possível agilizar o fluxo de procedimentos administrativos e acadêmicos; saneamos as contas e
empreendemos uma contínua busca de recursos para investimentos em estrutura física, visando à viabili-
zação e à melhoria do desempenho do ensino em nossos cursos de graduação e de pós-graduação, na pes-
quisa e na extensão.
Este esforço aparece de forma consolidada, quando se verificam os dados disponibilizados em

2017 pelo QS Ranking. Entre cerca de 3.700 Instituições de Ensino Superior (IES) da América Latina, a
UFPB ficou na 98ª posição. Entre as 83 IES brasileiras, a UFPB ficou na 26ª posição. Considerando apenas
as Universidades Federais, estamos na posição 17 e, entre as IES da região Nordeste, estamos na 4ª posi-
ção, atrás da UFPE, da UFC e da UFBA. É uma posição que sinaliza, também, o quanto a UFPB melhorou,
dado que, em 2014, estávamos na posição 130. Subimos 32 posições em 3 anos, graças ao empenho dos
professores, dos técnico-administrativos e dos alunos que, apoiados pela Gestão Superior, conquistaram
importantes avanços na produção do conhecimento, na pesquisa, na inovação e no desenvolvimento de
tecnologia.
Por iniciativa da Pró-Reitoria de Graduação, foi criado o Observatório de Dados de Graduação

(ODG), com o objetivo de melhorar os índices de formação de alunos na graduação. Enquanto unidade
organizacional de assessoria, a função do ODG é contribuir para o desenvolvimento de práticas de gestão
educacional, fundamentadas em dados, segundo a lógica teórica do ‘data-based management' e do 'data-
based decision'. Com essa iniciativa, estamos modernizando e potencializando nossa capacidade de plane-
jar ações com o que há de mais avançado em tecnologias de apoio às decisões administrativo-pedagógicas
que devem ser tomadas.
Trata-se de difundir, na comunidade acadêmica, a prática de planejar, definir e operacionalizar

políticas de melhoria da qualidade de ensino que, em observância ao que nossos dados sinalizam em ter-
mos de opções, oportunidades e melhores caminhos, possam estabelecer metas concretas e factíveis que
venham a contribuir para diminuir os fenômenos de retenção e os de evasão e, consequentemente, au-
mentar os índices de formação. É esse processo, centrado no uso científico de dados, que está descrito no
presente livro. O ODG foi elaborado e implementado com o intuito de definir precisamente os problemas
de evasão e de retenção — que afetam todas as instituições de ensino superior no país — e de propor
uma abordagem de análise que identifique e situe esses fenômenos, temporal e espacialmente, por meio
Diplomação, Evasão e Retenção | 7

de variados artefatos e técnicas de exploração dos nossos dados.
A partir de agora, trabalharemos no sentido de estimular outras Pró-Reitorias, para que desen-
volvam instrumentos similares de forma a garantirmos uma mensuração quantitativa e qualitativa do
desempenho acadêmico.
Na esperança de que este esforço empreendido pela PRG e pelos grupos de pesquisa da UFPB
atinja a finalidade de fomentar uma ampla discussão acadêmica e de que possamos nos orgulhar dos pro-
fissionais que colocamos no mercado de trabalho, desejamos o bom uso do material contido nesta oportu-
na e bem-vinda publicação.
Margareth de Fátima Formiga Melo Diniz
Reitora da UFPB
8 | Diplomação, Evasão e Retenção

Apresentação
O Observatório de Dados da Graduação (ODG) resulta de um trabalho desenvolvido pelo grupo

de pesquisadores do Observatório de Dados Institucionais (ODIn), a partir de demandas da Pró-Reitoria
de Graduação (PRG). A equipe da PRG, por entender que, para estruturar políticas acadêmicas, é necessá-
rio ter uma visão sistêmica da graduação, ao tomar conhecimento de estudos realizados por professores
da Universidade Federal da Paraíba (UFPB) para atender a fins específicos de seus cursos, passou a solici-
tar pesquisas que dessem visibilidade ao funcionamento da graduação em geral. A ampliação desses estu-
dos tornou-se, então, uma forma de oferecer às coordenações de curso, aos departamentos acadêmicos e
aos conselhos de centro, dados que subsidiassem as definições de metas para superar a retenção e que
antecipassem informações acerca do processo de evasão de alunos.
Concomitantemente, a PRG, em parceria com a Superintendência de Tecnologia da Informação

(STI), estava em processo de implantação do Sistema Integrado de Gestão de Atividades Acadêmicas
(SIGAA), o que facilitou sobremaneira os procedimentos de aprimoramento decisório e operacional que se
seguiram, em virtude do uso desse sistema.
Esse livro é um produto de parte dos avanços e das articulações colocados em prática no ano de
2014, quando foi solicitado ao Núcleo de Marketing e Métodos Quantitativos (MEQAD) um estudo que
possibilitasse conhecer os fenômenos de retenção, evasão e formação. Nesse contexto, esse estudo foi
aprimorado pelo ODIn. Com a formalização do conteúdo e a complementação da análise, foram geradas as
informações científicas aqui apresentadas. Avançamos mais rapidamente na medida em que foram emer-
gindo os resultados positivos dessas inovações de análise de dados de graduação. Seguimos levando adi-
ante o aperfeiçoamento, tendo por base a filosofia de que é preciso melhorar de forma continuada a gestão
da graduação.
Quando escrevemos essa apresentação, já começava a implementação do conceito Código de Va-

ga Discente (CVDi) no SIGAA Graduação, mais uma inovação proposta pelos autores desse livro, que per-
mitirá, a longo do tempo, um controle e uma análise mais detalhados e exatos das atividades, demandas e
perspectivas de cursos de graduação. Além disso, colocamos em prática, desde 2014, a avaliação periódica
de docentes pelos discentes, cujo aprimoramento gerou uma mudança substancial e inovadora já nesse
ano de 2017.
Tanto o modelo de avaliação do docente pelo discente, descrito neste livro, quanto o modelo de
análise de egresso desenvolvido pelo Laboratório de Estudos de Microeconomia Aplicada (LEMA) deram

forma ao Observatório de Dados de Graduação - ODG, uma unidade organizacional voltada para motivar
e dar suporte às decisões de gestão da graduação.
O conteúdo deste livro ilustra o formato de atuação da unidade ODG: rigorosas definições con-
ceitual, metodológica, computacional e operacional. O leitor atento encontrará aqui a formulação matemá-
tica e a sugestão de implementação computacional, modelos que permitirão a análise dos fenômenos de
evasão, retenção e diplomação em sua expressão mais natural, que é o caráter longitudinal de sua ocor-
rência. As proposições dos autores encontraram respaldo nas diversas reuniões de validação realizadas ao
longo de 2016 e 2017 com a nossa equipe da PRG.
Recomendo, portanto, a leitura deste livro àqueles que lidam com esses fenômenos em sua ativi-
dade técnica, administrativa e docente, pois acredito que essa leitura proporcionará, no mínimo, reflexões
para o aprimoramento de ações adminstrativo-pedagógicas na sua instituição de ensino.
Ariane Norma de Menezes Sá
Pró-Reitora de Graduação/UFPB

Sumário
Capítulo 1 – Considerações iniciais .................................................................................................. 14
1.1. Finalidades e problemas da formação de graduação .................................................................... 14
1.2. Conceitos de Diplomação, Evasão e Retenção ................................................................................. 17
1.3. Medidas e caráter temporal dos fenômenos .................................................................................... 19
1.4. Modelo conceitual ..................................................................................................................................... 21
Capítulo 2 – Desenvolvimento do modelo ...................................................................................... 23
2.1. Análise de categorias e quantidades - Total de estudantes com vínculo ............................... 23
2.2. Análise de Diplomação, Evasão e Retenção ...................................................................................... 25
2.3. Análise de indicadores de eficiência de formação ......................................................................... 31
Capítulo 3 – Ilustração de implementação do modelo ............................................................... 38
3.1. Descrição da plataforma tecnológica adotada para ilustração ................................................. 38
3.2. Análise de categorias e quantidades .................................................................................................. 41
3.3. Análise de Diplomação, Evasão e Retenção ...................................................................................... 50
3.4. Análise de indicadores de eficiência de formação ......................................................................... 54
Capítulo 4 – Alternativas complementares de análise............................................................... 56
4.1. Uma visão geral de Data Science e suas ferramentas ................................................................... 56
4.2. Alternativas para uma visão de analytics ......................................................................................... 58
Referências ............................................................................................................................................... 61
Capítulo 1 – Considerações iniciais
O ensino superior é o nível mais elevado de formação de indivíduos nos sistemas de educa-
ção implementados pelos países signatários do Pacto Internacional dos Direitos Econômicos, So-
ciais e Culturais (ONU, 1966). No Brasil, o referido Pacto foi promulgado em 1992 por meio de
Decreto Presidencial (Decreto n. 591 da Presidência da República do Brasil, 1992) e estabelece,
em seu Artigo 13, que
“a) A educação primaria deverá ser obrigatória e acessível gratuitamente a
todos;
b) A educação secundária em suas diferentes formas, inclusive a educação
secundária técnica e profissional, deverá ser generalizada e torna-se aces-
sível a todos, por todos os meios apropriados e, principalmente, pela im-
plementação progressiva do ensino gratuito;
c) A educação de nível superior deverá igualmente tornar-se acessível a
todos, com base na capacidade de cada um, por todos os meios apropriados
e, principalmente, pela implementação progressiva do ensino gratuito.”
O ensino superior de graduação atende à demanda da sociedade para formação de bacha-
réis, licenciados e tecnólogos, desde que o indivíduo tenha concluído o ensino médio ou equiva-
lente e tenha sido classificado em processo seletivo. Esse nível de formação é executado por insti-
tuições de ensino superior (IES) credenciadas para tal atuação (Lei n. 9.394 da Presidência da
República do Brasil, 1996). Por representar níveis mais elevados de formação profissional e de
cidadania, espera-se das IES que exijam padrões de desempenho compatíveis da parte dos dis-
centes (Keniston, 1960; Pucciarelli & Kaplan, 2016). As IES estabelecem esses padrões por meio
dos projetos pedagógicos de curso (PPC) e detalhamento de currículos e ementas, atendendo às
diretrizes curriculares nacionais dos cursos de graduação (Parecer CNE/CES n. 67, 2003).
1.1. Finalidades e problemas da formação de graduação

A formação superior em nível de graduação tem uma boa diversidade de finalidades, sendo
a mais geral e abrangente a formação de cidadãos informados e responsáveis, capazes de satisfa-
zer, por meio de suas carreiras profissionais, as expectativas pessoais e da sociedade (Keniston,
1960). Nesse nível de abrangência, o papel da educação superior é atender às demandas de (a)
preparação para o exercício da cidadania ativa (em sociedades democráticas), (b) preparação

para o mercado de trabalho, (c) desenvolvimento pessoal e (d) desenvolvimento e manutenção
permanentemente atualizada de uma base de conhecimentos (Weber & Bergan, 2005, p. 235).
Já em uma perspectiva de avaliação de políticas públicas de educação e considerando a va-
riedade de cursos, tem-se como finalidade o aumento do nível médio de educação de uma região
ou país, para alcançar as consequências decorrentes de uma população mais educada (Lei n.
9.394 da Presidência da República do Brasil, 1996). Tem-se ainda casos em que os cursos se ali-
nham com certos argumentos de necessidade definida pela condição de potenciais beneficiários,
como cursos de Antropologia em lugares nos quais existe histórico, povos ou tradições indígenas,
por exemplo (e.g. Resolução Consepe/UFPB n. 57, 2010); da mesma natureza são os cursos de
graduação orientados a demandas de grupos e movimentos específicos, como os movimentos do
campo ou indígenas por meio de cursos como Pedagogia do Campo, Pedagogia Indígena ou Histó-
ria do campo. Nesses últimos casos, a finalidade é atender à suposição de injustiças históricas, ou
de manutenção de tradições específicas, o que encontra amparo em legislação específica (Lei n.
10.861 da Presidência da República do Brasil, 2004).
As finalidades são materializadas nos projetos pedagógicos dos cursos (PPC), nos itens em
que são indicados os ‘objetivos do curso’. Evidentemente, se a finalidade for avaliar o ‘desempe-
nho de formação’ de um determinado curso, as referências de partida serão sempre esses objeti-
vos, o que gera, possivelmente, uma dificuldade para determinação de métricas ou mesmo de sua
verificação. Por exemplo, não parece fácil encontrar uma forma de aferir e analisar o resultado
para um objetivo de enunciado comum como o de ‘formar profissionais em alto nível de em ma-
temática, ou engenharia, por exemplo’. A diversidade de possibilidades para o que seja esse ‘alto
nível’ poderia facilmente remeter a indicações tanto de sucesso quanto de insucesso no alcance
do objetivo. Permanece então o desafio de fixação de um referencial específico de desempenho de
um curso de graduação, ou da formação de graduação em geral, que não fique exposta a outras
aferições que, somente por uma variação de interpretação ou de critério, pode trazer resultados
completamente inversos (como, por exemplo, compreender que um nível baixo de aprovação é
ao mesmo tempo bom e ruim: bom porque mostra que só os melhores conseguem aprovação;
ruim porque representa investimento infrutífero na formação de alunos, já que não alcançou o
efeito esperado).
A verificação da eficiência e do desempenho de formação de graduação são tratados como
prerrogativa da União, que deve “assegurar processo nacional de avaliação do rendimento esco-
lar no ensino […] superior”, “assegurar processo nacional de avaliação das instituições de educa-

ção superior” e “autorizar, reconhecer, credenciar, supervisionar e avaliar, respectivamente, os
cursos das instituições de educação superior”, acessando, para tanto, a “todos os dados e infor-
mações necessários de todos os estabelecimentos e órgãos educacionais” (Lei n. 9.394 da Presi-
dência da República do Brasil, 1996, Art. 9).
Essa verificação ocorre anualmente por meio de variados instrumentos. Dentre esses, des-
tacam-se (1) o Sistema Nacional de Avaliação do Ensino Superior (Sinaes e Enade) com o propó-
sito de “promover a avaliação de instituições, de cursos e de desempenho dos estudantes” (Lei n.
10.861 da Presidência da República do Brasil, 2004); (2) o Censo da Educação Superior “realiza-
do […] em caráter declaratório e mediante coleta de dados descentralizada, englobando todos os
estabelecimentos públicos e privados de educação superior e adotando alunos, docentes e insti-
tuições como unidades de informação” (Decreto n. 6.425 da Presidência da República do Brasil,
2008); e (3) os relatórios de gestão das Instituições Federais de Ensino Superior (IFES) com defi-
nição de indicadores de desempenho e respectivas fórmulas de cálculo (Decisão TCU n. 408 Ple-
nário, 2002).
A existência de múltiplos instrumentos de verificação do desempenho das IES, em nível ex-
terno, associado a variadas práticas de gestão e variados sistemas de informação, em nível inter-
no, tem favorecido a multiplicidade de interpretação e implementação de indicadores de desem-
penho, o que tende a gerar distorções na análise desses indicadores e na consequente tomada de
decisões. Apenas para fins de ilustração, tome-se o caso do cálculo do Número de Alunos Equiva-
lentes da Graduação (AGE; Decisão TCU n. 408 Plenário, 2002) em que a fórmula considera tanto
o número de diplomados (NDI) quanto o número de ingressantes (NI) referentes ao exercício em
análise (embora o texto sublinhe para NDI que se trata do “ano letivo referente ao exercício” e
para NI que se trata do “ano letivo relativo ao exercício”). Ora, qual seria a diferença conceitual,
para o TCU, entre os termos “referente” e “relativo”? Na prática, o que tem ocorrido no cálculo
desse indicador é a obtenção das medidas NDI e NI com base em um mesmo exercício, o que pare-
ce suprimir da equação considerável lapso temporal entre eventos de ingresso e diplomação de
uma mesma turma (ou geração de ingressantes).
Esse texto atende ao desafio de definir uma alternativa de análise da eficiência e do desem-
penho de formação de graduação, o que leva ao objetivo preliminar de definir com a maior obje-
tividade possível uma finalidade genérica, que possa servir de referência para essa análise (de
desempenho) e que se sobreponha a todas as demais possíveis. Esse objetivo inicial desencadea-
rá, portanto, as indicações de problemas em potencial e as respectivas métricas.

Parte-se então do pressuposto que a ‘finalidade primária’ de um curso de graduação é for-
mar profissionais especializados em um certo campo de conhecimento ou de prática. Por exem-
plo, a finalidade primária de um curso de Medicina é formar profissionais para o exercício da me-
dicina, assim como a de um curso de Filosofia é formar profissionais para o exercício da ‘tarefa
filosófica’, em qualquer contexto no qual for cabido tal exercício.
Sendo essa a finalidade central de um curso de graduação, então é imediata a derivação (a)
da ‘taxa de diplomação’ como uma medida de desempenho do curso (quanto maior a taxa, maior
o sucesso do curso no cumprimento de sua finalidade primária), ou (b) da ‘taxa de evasão’ como
um complemento da taxa de diplomação (quanto maior a taxa, menor o sucesso do curso no
cumprimento de sua finalidade primária). Com efeito, se a finalidade primária de um curso é
formar profissionais, a medida objetiva do alcance dessa finalidade é justamente a quantidade de
pessoas formadas, obviamente em relação à quantidade de pessoas que iniciaram o curso; tam-
bém, um curso será tão melhor sucedido quanto menor for a evasão de seus alunos. Se tomarmos
a referência de ingresso por semestre, uma taxa de diplomação que indique que ‘D%’ dos alunos
ingressantes se formaram e ‘E%’ evadiram, temos então medidas objetivas e factíveis de desem-
penho.
A ‘taxa de retenção’ é o terceiro aspecto que interage com os conceitos de diplomação e
evasão, pois é suposto que o discente, uma vez matriculado, deve terminar seu curso tão logo
quanto possível considerando, obviamente, o tempo mínimo previsto para o curso. Ainda sem
maiores detalhamentos, pode-se resumir o que foi dito: considerando-se a finalidade primária de
um curso de graduação como sendo a formação de profissionais para o exercício de uma deter-
minada especialidade, o alcance desse objetivo poderá ser verificado por meio de um alto nível
de diplomação, de um baixo nível de evasão e de um baixo nível de retenção. A evasão e a reten-
ção são, em princípio, os principais problemas a serem evitados quando se considera essa finali-
dade inicial de um curso e, por essa razão, faz-se necessário descrever, mesmo que brevemente,
cada um desses conceitos, além da diplomação.
1.2. Conceitos de Diplomação, Evasão e Retenção

Considerando-se um determinado curso, entende-se a diplomação como sendo a conclusão
da formação planejada (conforme PPC do curso) do aluno, independentemente do momento em
que essa conclusão ocorre (se antes do tempo regular, no tempo regular ou após o tempo regu-

lar). Ou, de outra forma, quando um aluno devidamente matriculado se desliga do curso por di-
plomação.
A diplomação é, sem dúvidas, o principal indicativo de sucesso quando se pensa em desem-
penho de formação, uma vez que representa um investimento, financeiro ou não, que é feito na
formação do discente e que demonstra o alcance do resultado desejado. Isso faz com que a di-
plomação seja algo a ser medido, monitorado, e almejado pela gestão do curso e da instituição.
Considerando-se um determinado curso, entende-se a evasão como sendo o desligamento
do aluno do curso antes que este aluno conclua sua formação. Ou, de outra forma, quando um
aluno devidamente matriculado se desliga do curso, se não for por diplomação, será necessaria-
mente por evasão (há a alternativa da saída por óbito, porém não será considerada aqui, por re-
presentar, em geral, um volume pouco representativo).
A evasão é, sem dúvidas, o maior problema possível quando se pensa em desempenho de
formação, uma vez que representa um investimento, financeiro ou não, que é feito na formação
do discente e que simplesmente não alcançará o resultado desejado. Isso faz com que a evasão
seja algo a ser medido, monitorado, e evitado pela gestão do curso e da instituição. E é por essa
razão que o assunto se coloca como prioridade da gestão institucional, e razão pela qual já existe
uma boa estruturação do problema em termos de possibilidades e motivações, de alternativas de
gestão e de métricas (vide Bridgeland et al., 2009; Keniston, 1960; Newman-Ford et al., 2007;
Pucciarelli & Kaplan, 2016).
Em termos de possibilidades ou de motivações, têm-se inclusive registros regulares nas ba-
ses de dados institucionais que apontam formas de desligamento tais como: por transferência,
por mudança de curso, por solicitação etc. Já quando se imaginam as possibilidades do ponto de
vista do discente, as razões não são necessariamente identificáveis em um registro de banco de
dados. Por exemplo, o desligamento ‘por solicitação’ não explicita a razão dessa solicitação que,
para o aluno, pode ser motivada por doença, por mudança de residência, por desinteresse em
continuar estudando etc. Pela diversidade de possibilidades, os desafios de gestão da evasão pa-
recem se tornar bastante complicados. Uma questão inicial consiste já em saber qual evasão é
possível evitar e qual não é. Assim, se se adota uma divisão geral de causas entre ‘causas evitá-
veis’ e ‘causas inevitáveis’, a ação de gestão deverá estar sempre concentrada na dimensão das
causas evitáveis, na identificação das razões gerencialmente controláveis e na definição das ações
possíveis. Daí vem o desafio de mapear essas causas, o que requer, por vezes, o trabalho direto
com cada aluno, individualmente.

De todo modo, a compreensão mais completa do problema somente será alcançada a partir
da identificação e da implementação de métricas de evasão, que é o desafio principal tratado
nesse manuscrito. Porém antes da devida discussão dessa questão, faz-se necessário observar
ainda o fenômeno da retenção.
Todo curso de graduação tem uma duração esperada, que é o tempo necessário para que o
aluno se forme, cumprindo regularmente todas as disciplinas previstas em cada período letivo.
Por exemplo, cursos de Medicina têm tempo que dura entre 12 e 13 semestres, e cursos de Ad-
ministração variam, em geral, entre 8 e 12 semestres, com a definição dependendo da instituição.
Quando um discente se diploma, o faz dentro de um certo tempo, que pode ser igual, maior
ou menor que o tempo esperado, ou de duração regular. Entende-se então por retenção o fato de
(a) o aluno concluir seu curso, porém em tempo superior a esse tempo regular ou (b) o aluno não
concluir seu curso após o tempo regular, porém continuar vinculado à instituição. Evidentemen-
te, a retenção é um problema para a finalidade inicial de formação de graduação, uma vez que a
demora em se diplomar representa menos tempo de disponibilidade do diplomado para o exercí-
cio profissional e o discente que permanece na instituição além do prazo de conclusão representa
mais custo para a instituição, o que é um problema principalmente nas instituições públicas. Adi-
cionalmente, há ainda o risco de mesmo extrapolando o tempo regular, o aluno em condição de
retenção recaia em situação de evasão, o que representaria o pior cenário de gestão e de desem-
penho, já que haveria consumo de recursos adicionais, sem que haja sucesso na formação.
Ou seja, a retenção também é uma questão a ser compreendida em termos de seus motiva-
dores, de suas alternativas de gerenciamento e de sua medição. Quanto aos motivadores, diver-
sos fatores incidem na retenção, em particular aqueles associados à reprovação em disciplinas, à
desmotivação com o curso, a conflitos com horários de trabalho ou estágio, dentre outros. O ge-
renciamento da retenção tem, portanto, o desafio de identificar as principais causas e, se possível,
oferecer alternativas, que vão desde o ajuste na matriz curricular, passando pela articulação dire-
ta com professores, até o acompanhamento pessoal do discente e de sua motivação para não re-
tardar seu curso. Assim como ocorre no problema da evasão, a mensuração da retenção é um fa-
tor relevante, sobre o qual esse trabalho se detém.
1.3. Medidas e caráter temporal dos fenômenos

A finalidade principal desse manuscrito é elaborar e implementar medidas de desempenho
para análise da formação de graduação e, por isso, discute-se previamente a tradição de aferição

nesse campo. Uma revisão de literatura sobre medidas implementadas sugere concentração em
torno das definições do TCU (Decisão TCU n. 408 Plenário, 2002), fato que não causa surpresa,
visto que se trata de exigência regulatória do setor. No entanto, mesmo quando há diversidade de
definições (vide modelos de análise da evasão das Universidades Federal do Ceará e de São Pau-
lo), observa-se que o tratamento das variáveis é feito sem considerar uma característica funda-
mental da evasão, da diplomação e da retenção, que é a ocorrência desses fenômenos no tempo,
ou seja, são fenômenos que demandam análises longitudinais do comportamento individual.
Considere-se a evasão, inicialmente. Observa-se que, para uma determinada turma de alu-
nos que ingressa em um determinado momento no tempo (um período letivo específico), o
fenômeno da evasão ocorre à medida em que o tempo passa. A evasão permanece potencial para
todo aluno que mantém matrícula no curso (ou vínculo com a instituição), e somente se dissipa o
risco de evasão nessa turma quando todos os seus alunos tiverem definitivamente deixado o cur-
so. Por exemplo, consideremos uma turma de 100 alunos de Ciências Biológicas que ingressa no
período letivo 2009.1 (primeiro período letivo do exercício 2009). Se o curso tem estimativa de
cinco anos como duração regular, ao final do período letivo 2013.2 é desejável que todos os 100
alunos concluam. Porém, podem ter ocorrido 30 diplomações, 30 evasões, e ainda persistem 40
alunos ativos. Daí se observa que, mesmo transcorridos os cinco anos de curso, não se pode apon-
tar a evasão como sendo de 30%, pois ainda há 40 potenciais evasões. A evasão real dessa turma
somente ocorrerá e poderá ser computada quando esses 40 alunos se desligarem completamente
do curso, independentemente da razão (diplomação ou evasão).
Essa condição descrita para a variável ‘evasão’ (de requerer verificação longitudinal) parece
ser desconsiderada em propostas que estimam a evasão por meio do recorte pontual (ou trans-
versal) do início de cada período em relação ao anterior. É possível, por exemplo, estimar a eva-
são de um curso em cada período considerando a quantidade de alunos que se diplomaram em
relação à quantidade de alunos que ingressou no curso em um dado período; ou fazendo a dife-
rença entre os que se diplomaram contra a quantidade de entrantes cinco anos antes (nos casos
de cursos com essa duração regular). Essas e outras possibilidades possuem as limitações de se-
rem baseadas em ‘proxies’, e não na verificação direta do quantitativo de discentes que ingressou
e como esses ingressantes se comportaram desde seu ingresso até a ‘extinção’ da turma.
Já com relação à diplomação e à retenção, verifica-se a necessidade de tratamento de duas
variáveis associadas, uma que descreve a ocorrência do evento e outra que descreve a sua dura-
ção. Em relação à retenção, por exemplo, as duas variáveis relacionadas são a ‘ocorrência’ de re-

tenção e a ‘duração da retenção’. Essa segunda variável tem condição semelhante à da diploma-
ção, pois se pode analisar essa variável tanto pela taxa de diplomados em uma turma quanto por
sua duração (quanto tempo os alunos demoram até se diplomarem).
É o conjunto de entendimentos a respeito da natureza dos fenômenos descritos e das defi-
nições das variáveis a utilizar que determina a orientação conceitual para elaboração desse ma-
nuscrito. O restante do texto descreve o esforço de proposição, implementação e validação de um
modelo que considera a natureza longitudinal da evasão, retenção e diplomação. Enquanto a eta-
pa de proposição possui caráter essencialmente conceitual (elaboração de argumentos e respec-
tiva representação matemática), as etapas de implementação e validação possuem caráter apli-
cado, que se manifesta por meio do desenvolvimento de solução computacional e aplicação a
questões específicas de gestão.
1.4. Modelo conceitual

O modelo ideal de sucesso considera para uma turma k para a qual já transcorreu o tempo
regular de diplomação, o total de diplomados (d) de uma determinada turma como sendo igual ao
total de ingressantes (i) dessa mesma turma, com os correspondentes totais de evasão (e) e re-
tenção (r) nulos. Para cada turma k, é desejável que …, ou seja, d = i, tendo e = r = 0. Assim, tem-se
como equação genérica para obtenção do índice de sucesso (is) de uma turma
Graficamente, pode-se visualizar o modelo ideal de sucesso de uma turma como ilustrado a
Figura 1.1.
Figura 1.1 - Ilustração do modelo ideal
Fonte: Autoria própria (2017)

Onde t0 representa o tempo inicial da turma, tr representa o tempo regular de conclusão do
curso, a representa a quantidade de alunos da turma ativos (vinculados ao curso) e d representa
a quantidade de alunos da turma diplomados.
Tomando-se por referência o modelo ideal de sucesso de uma turma (equação e gráfico), é
possível obter o índice de sucesso de uma turma específica (ist) como a sua diferença em relação
ao modelo ideal.
Visualmente, pode-se observar o ‘modelo ideal’ de sucesso de uma turma como ilustrado no
Gráfico 1.1, no qual t0 representa o tempo inicial da turma, tr representa o tempo regular de con-
clusão do curso, a representa a quantidade de alunos ingressantes da turma (vinculados ao cur-
so) e d representa a quantidade de alunos da turma diplomados. Idealmente, o ingresso de a alu-
nos deve, decorrido o tempo tr, ser totalmente convertido em diplomados, ou seja, se são n in-
gressantes, devemos ter a=n e d=0 até tr, e depois disso devemos ter a=0 e d=n.
Tomando-se então por referência o modelo ideal de sucesso de uma turma (equação e grá-
fico), é possível obter o índice de sucesso de uma turma específica (ist) como a sua diferença em
relação ao modelo ideal.

Capítulo 2 – Desenvolvimento do modelo
2.1. Análise de categorias e quantidades - Total de estudantes com vínculo

Apresenta a distribuição de dados relativa à quantidade de discentes e à configuração de
vínculos com a Instituição, juntamente com três formas de apresentação gráfica.
- Definição preliminar
Para computação de totais de alunos com vínculos em cada período letivo ( ou semestre),
considera-se o total de discentes que tenha matrícula ativa no período, independentemente da
quantidade de créditos que esse vínculo gere. Esses são considerados os ‘discentes ativos’ no pe-
ríodo, com a verificação feita pela contagem direta do total de matrículas no início de cada semes-
tre, formando assim, ao longo dos semestres considerados, uma série temporal ilustrada na qua-
dro 1.
Quadro 1 - Discentes ativos por semestre
Semestre
... ...
... ...
Essas quantidades podem ser computadas no total ou de acordo com recortes de variáveis
categóricas que sejam do interesse da Instituição. Recomendam-se recortes por categorias de

unidade acadêmica (centros, institutos...), tipo de escola de origem dos alunos (pública, priva-
da...), curso e turno.
- Forma de apresentação 1 – Visões gerais

Em termos de apresentação dos dados, o detalhamento deve ser feito a partir da tabela
global ou por recortes de categorias, em um gráfico cartesiano em que no eixo das abcissas são
apontados os períodos, no eixo das ordenadas são apresentadas quantidades, e as quantidades de
cada período são plotadas como pontos no espaço do gráfico. Os valores do eixo das ordenadas
devem estar dispostos numa escala que permita a verificação do mínimo e do máximo de den-
tro da área do gráfico, e é recomendado que os pontos plotados sejam ligados para construção de
uma linha de evolução.
Em complemento dessa apresentação gráfica, recomenda-se que sejam expostos gráficos de
pizza ou semelhantes para as variáveis categóricas utilizadas como referência para contagens
mais específicas. São sugeridas as variáveis unidade acadêmica (centro, instituto, faculdades...) e
curso.
- Forma de apresentação 2 – Evolução comparativa

A depender das variáveis de descrição existentes, é possível ainda proceder à avaliação
comparativa dos quantitativos por categoria no mesmo gráfico. Por exemplo, semelhantemente
ao modelo da forma de apresentação 1, acima descrita, é possível plotar linhas de evolução por
categorias de sexo, com a evolução do quantitativo de homens e de mulheres, em um mesmo
gráfico.
Algumas variáveis que podem ser relevantes para os tomadores de decisão são: sexo dos
alunos, unidade acadêmica, curso, natureza acadêmica do curso (licenciatura, bacharelado...),
forma de ingresso (como graduado, SISU...), tipo de escola (pública ou privada), e turno.
Esses recortes podem ainda ser considerados em outros detalhes, como, por exemplo, na
evolução discente por etnia, em um determinado curso e em um dado centro. Tem-se então vari-
áveis de recortes em que se seleciona a categoria específica, e em seguida, para essa categoria,
tem-se a escolha seguinte por ‘opção de comparação’. São potencialmente relevantes para esses
recortes: unidade acadêmica (centro, faculdades...), currículo, curso, etnia, forma de ingresso,
sexo, tipo de escola e turno.

Forma de apresentação 3 – Exposição georreferenciada
Como terceira forma de apresentação, e havendo registro de endereço de origem discente
contendo, no mínimo, município de origem e estado (naturalidade do discente), tem-se a forma
de apresentação com gráfico georreferenciado, em que, sobreposto ao mapa estadual dividido
por municípios, ou nacional dividido por unidade federativa, fixam-se intensidades de cores para
o município ou estado correspondendo ao volume de alunos, de tal modo que, na escala de cores,
quanto mais estudantes tiverem origem no município ou estado, mais intensa é a cor relativa. Em
conjunto com o mapa, apresenta-se uma tabela com as unidades, quantidades e percentuais de
discentes.
Os gráficos baseados em mapas mostram resultados pontuais de um determinado período.
Recomenda-se que se estabeleça, por padrão, que o gráfico se refira ao último período letivo de
verificação, sendo dada a alternativa de escolha de um semestre específico para avaliação da dis-
tribuição de origem dos estudantes.
Também é possível definir os gráficos para o total de discentes da Instituição, assim como
por categorias das variáveis relativas aos discentes. Tem-se, portanto, a possibilidade de análise
georreferenciada por curso, centro etc. São potencialmente relevantes para análise as seguintes
variáveis: sexo dos alunos, unidade acadêmica, curso, natureza acadêmica do curso (licenciatura,
bacharelado...), tipo de escola (pública ou privada), e turno.
2.2. Análise de Diplomação, Evasão e Retenção
Para os fins dessa nota, toma-se como definição do conceito de “evasão de curso de gradua-
ção” o ato, voluntário ou não, que consiste no desligamento do aluno de seu curso, afora os casos
de óbito e diplomação.
• Observação 1: evasão de curso difere de evasão da Instituição ou da unidade acadêmica, dado
que há casos em que o discente evade do curso, porém não evade da unidade ou da Institui-
ção. Nesses termos, a média das evasões de curso é sempre maior ou igual à evasão total da
Instituição ou da unidade. Se considerarmos, por outro lado, que a transferência interna é
marginal em volume, podemos tomar a evasão institucional (de toda a universidade) ou de
unidade (dos Centros) como a média das evasões de cursos ponderadas pelo total de discen-

tes dos cursos.
• Observação 2: o registro da evasão é resultado direto e vinculado à condição de matrícula do
aluno, de modo que todo aluno que estiver matriculado, em qualquer momento do curso, se-
rá potencialmente um aluno evadido ou diplomado. Ou seja, a existência de risco de evasão
está diretamente vinculada à condição de matrícula. Desse modo, caso o aluno matriculado
não renove matrícula também por óbito ou diplomação, terá registro na condição de evadido.
Para operacionalização do conceito de “evasão de curso de graduação”, toma-se por refe-

rência um total de alunos matriculados em um dado momento inicial, e teremos então um total
de alunos retidos no tempo posterior i, e e , respectivamente, os totais de evasão, óbitos e
diplomações até o período i. Observa-se que . Assim, dividindo ambos os
membros por teremos1:
Na última fórmula, tem-se uma decomposição do total de entrantes em um momento inicial

em relação ao tempo i entre parcelas que são preliminarmente denominadas (haverá detalha-
mento posterior) taxas de retidos ( ), de evadidos ( ), de falecidos ( ) e de diploma-
dos ( ).
Espera-se que a taxa de falecidos seja mínima, de tal modo que se pode desconsiderar esses
casos e tomar apenas o somatório dos retidos, evadidos e diplomados. Por essa construção, é
possível gerar demonstrativos, para uma determinada turma k, acompanhada a partir de um
tempo inicial até um tempo final, conforme indicado no quadro 2:
Quadro 2 : Demonstrativos turma k

Momento
1 A referência de contagem de i depende da Instituição e de sua implementação, porém, dada a universalidade do modelo semestral, utilizaremos
aqui a referência de i como contagem de semestres.

... ... ... ... ... ... ...
... ... ... ... ... ... ...
0 0
Quando se consideram diversas turmas, tem-se a manipulação dessas tabelas agregando es-
sas diversas turmas, inclusive sendo possível considerar separadamente um ou outro fenômeno
de interesse (por exemplo, é possível considerar separadamente a evasão, a retenção e a diplo-
mação). Para promover tal avaliação, é necessário então que se fixem definições e regras de apre-
sentação, conforme indicado abaixo.
Na análise de evasão e diplomação, tem-se inicialmente a verificação por turma e em segui-
da por período. Em cada caso, tem-se um conjunto de definições e formas de apresentação. Para
os fins dessas análises, “turma” pode ser entendido como o conjunto de discentes ingressantes
em determinado período.
- Definição 1 – Taxa de evasão da turma no período i

Seja f a referência do tempo final em que não há mais alunos com potencial de evasão, e a
referência i de qualquer momento entre o tempo 0 e f, inclusive (ou seja, ). Define-se a
taxa de evasão de uma turma k, no tempo ( ) como a razão entre o total de evadidos até esse
tempo ( ) e o total inicial de alunos da turma ( ), ou seja,
- Definição 2 – Taxa de diplomação da turma no período i

referência i de qualquer momento entre 0 e f, inclusive (ou seja, ). Define-se a taxa de
diplomação de uma turma k, no tempo ( ) como a razão entre o total de diplomados até esse

- Definição 3 – Taxa de retenção da turma no semestre i

referência i de qualquer momento entre 0 e f, inclusive (ou seja, ). Define-se a taxa de
retenção de uma turma k, no tempo ( ) como a razão entre o total de diplomados até esse
Alternativamente, é possível fixar a taxa de retenção da turma no semestre i como a dife-

rença de 1 menos as taxas de evasão e diplomação, ou seja, uma aproximação que desconsidera
os casos de óbitos:
- Forma de apresentação 1 – Evolução por turma

Considerando-se determinada turma que ingressou em um momento (semestre), tem-se
graficamente a exposição longitudinal contendo os dados das taxas de evasão, diplomação e re-
tenção definidas para uma turma k, desde o seu período inicial até período final de verificação,
com a sobreposição gráfica da evolução de cada um dos três fenômenos. Nesse caso, o eixo das
abscissas ilustra o período, o eixo das ordenadas ilustra o valor da taxa e na área do gráfico loca-
lizam-se os pontos relativos às medidas.
O gráfico deve estabelecer segmentos ligando a sequência da série de cada fenômeno, pre-
ferencialmente em cores distintas para permitir a visualização objetiva da evolução de cada
fenômeno. Recomenda-se ainda que haja a opção de exposição das medidas em taxa de 0 a 1, ou
de 0 a 100, em percentuais. Para tanto, o procedimento consiste em multiplicar a taxa calculada
por 100.
Recomenda-se a exposição de uma tabela contendo as medidas apresentadas graficamente,
de modo que o tomador de decisões veja o gráfico com os percentuais e possa consultar detalhes

na tabela.
Por exemplo, suponha-se que num determinado curso houve ingresso, no semestre 2013.1,
de um total de 49 alunos. Na tabela abaixo, para esse curso, tem-se a evolução hipotética dos três
fenômenos, na qual se verifica que a turma acumulou, após dois anos de curso (em 2014.2), um
percentual de 16% de evasão, sem diplomação. Terminados 4,5 anos (em 2017.1), tem-se uma
retenção de 51%, uma evasão de 43% e uma diplomação de 6%. A representação em gráfico de
linhas das três últimas colunas gera a visualização das medidas, conforme proposto no quadro 3.
Quadro 3 –Evolução hipotética

Momento
2013.1 48 1 0 0,98 0,02 0,00
2013.2 46 3 0 0,94 0,06 0,00
2014.1 42 7 0 0,86 0,14 0,00
2014.2 41 8 0 0,84 0,16 0,00
2015.1 41 8 0 0,84 0,16 0,00
2015.2 38 10 1 0,78 0,20 0,02
2016.1 34 13 2 0,69 0,27 0,04
2016.2 29 18 2 0,59 0,37 0,04
2017.1 25 21 3 0,51 0,43 0,06
Essa exposição pode ser segmentada por categorias de variáveis descritivas dos discentes.
São potencialmente relevantes exposições por: centro, curso e turno e tipo de escola.
- Forma de apresentação 2 – Evolução por conjunto de turmas

Uma alternativa complementar de apresentação consiste em considerar o conjunto de tur-

mas até o último período de verificação, desde o primeiro registro ou a partir de algum período
específico. Assim, fixado o último período de verificação e um período passado de interesse, tem-
se as turmas por período e para cada uma delas deve ser elaborado um gráfico de barras (uma
barra para cada turma e todas as barras do mesmo tamanho), e cada uma delas dividida em três
partes com cores distintas, remetendo às taxas de evasão, retenção e diplomação da turma no
período final.
Essa exposição pode ser segmentada por categorias de variáveis descritivas dos discentes.
São potencialmente relevantes exposições por: centro, curso e turno e tipo de escola.
Para ilustrar esse caso é necessário fixar um dos três fenômenos. Considere-se a evasão. Se-
ja então a taxa de evasão considerada por turma e por período, dando formato a uma matriz co-
mo a que está ilustrada no quadro 4 abaixo:
Quadro 4 –Evasão
Semestre
Turma Entrantes
1 2 K l
...
...
Totais

- Definição 4 – Taxa de evasão do semestre i
Define-se a taxa de evasão de um curso considerando-se turmas, no período k ( ), co-
mo a razão entre os totais de evadidos até esse tempo em todas as m turmas e a soma dos totais
iniciais de alunos dessas turmas, ou seja,
A definição 4 permite avaliar qual é a evasão de cada semestre do curso (evasão de primei-
ro semestre, de segundo…). Para construção das taxas, tem-se a particularidade de a quantidade
de semestres serem distintas. De fato, para qualquer curso, por exemplo, se este existe há 5 anos,
têm-se um total de 10 primeiros períodos e apenas 1 décimo período, e nenhum décimo primei-
ro. Isso implica a necessidade de cuidado na interpretação, dada a possibilidade, inclusive, de
algum período ter evasão menor que o anterior, o que pode parecer sem sentido se não se consi-
derar o total de turmas computadas. A expectativa é que ao longo do tempo, quando os cursos se
estabilizam e têm largos períodos de oferta, os volumes de dados por período estabilizem as ta-
xas semestrais.
- Forma de apresentação
A apresentação da taxa de evasão por período deve ser feita na forma de tabela por unidade
acadêmica, na qual nas linhas são apresentados os cursos e nas colunas a indicação do período e
do total de turmas consideradas.
2.3. Análise de indicadores de eficiência de formação
Para se definir indicações de “eficiência de formação”, deve-se considerar, em uma primeira

avaliação, o total de alunos diplomados em relação ao total de ingressantes em uma turma ou em
um curso, ou seja, o total de discentes “não evadidos”. Além dessa análise, devem-se avaliar indi-
cadores de evasão e retenção, que são fenômenos indesejáveis em termos de formação.
Definição 5 – Taxa de evasão

Define-se ataxa de evasão com tempo consolidado para diplomação de um curso ( ), como
a razão entre os totais de evadidos das turmas computadas até o momento atual de verificação

menos o tempo de diplomação de cada curso e o total de entrantes até aquele período. Em termos
de formulação, se m é o último período de verificação, e s é o número de semestres do curso:
Por exemplo, se o curso de Letras, que tem duração de quatro anos (8 semestres), possui
registros desde o ano de 2004.1 até a última verificação, que foi, diga-se, no período 2017.2, en-
tão a taxa de evasão com tempo consolidado para diplomação é calculada pela divisão do total de
evadidos até o período 2013.2 (pois o discente que ingressou em 2014.1 tem os anos de 2014,
2015, 2015 e 2017 para conclusão de seu curso) pelo total de ingressantes até esse período.
Para definir um referencial universal, e considerando cursos mais longos, como é o curso de
Medicina, que costuma ser 6 anos, é possível então fixar o último tempo de em 12 semestres para
todos os cursos. No conjunto, não há perda para cursos mais antigos, podendo haver alguma ins-
tabilidade nas taxas de evasão para tempos cursos com pouco tempo de existência. Por exemplo,
dado que um curso inicie suas atividades num semestre qualquer, somente será feita a verifica-
ção de sua evasão depois de 12 semestres, mesmo que seu tempo seja de 8 semestres. No entan-
to, é possível compreender que o tempo fixa (digamos, 12 semestres) facilita a implementação
computacional se gerar grande perda de conteúdo informativo.
Definição 6 – Taxa de diplomação

Define-se a taxa de diplomação ( ), como a razão entre os totais de evadidos das
turmas computadas até o momento atual de verificação menos o tempo de diplomação de cada
curso e o total de entrantes até aquele período. Em termos de formulação, se m é o período atual
e s é o número de semestres do curso
Por exemplo, se no curso de Administração, que tem duração de cinco anos (10 semestres),
há registros desde o ano de 2004.1 até a última verificação, que foi, diga-se, no período 2017.2,
então a taxa de diplomação é calculada pela divisão do total de diplomados até o período 2012.2
(pois o discente que ingressou em 2013.1 tem os anos de 2013, 2014, 2015, 2015 e 2017 para
conclusão de seu curso) pelo total de ingressantes até esse período.

Assim como sugerido na taxa de evasão de tempo consolidado, é possível também nessa ta-
xa fixar o tempo de regresso em 12 semestres, o que universaliza a referência a partir do curso
em geral mais longo, que é Medicina.
Definição 7 – Taxa de eficiência de diplomação

Seja o período que indica o tempo mínimo/regular de diplomação de um curso. Define-
se a taxa de eficiência de formação no prazo de uma turma k ( ) como a razão entre o
total de diplomados até o período específico e o total de ingressantes da turma, ou seja,
Esse cálculo é feito pela contagem, em cada turma, do total de discentes que concluíram no
prazo, por contagem direta por turma. Assim, para uma determinada turma k, temos a informa-
ção sobre o total de ingressantes , e em seguida temos a indicação, por diplomado, do tempo
de diplomação. Assim, contamos os totais de discentes com tempos menores ou iguais a e
dividimos pelo total de entrante.
Definição 8 – Taxa de eficiência de diplomação no prazo

Se o tempo for menor ou igual ao tempo de conclusão do curso, define-se a taxa de efi-
ciência de diplomação no prazo do curso com l turmas ( ) como a razão entre os totais de
diplomados até o prazo mínimo no conjunto das turmas, e os totais de ingressantes dessas tur-
mas. A fórmula a seguir indica o procedimento:
- Forma de apresentação
A apresentação das taxas de (1) evasão, (2) eficiência de diplomação e (3) diplomação no
prazo podem ser apresentados em tabelas ou como indicadores distribuídos em uma tela por
curso, podendo incluir outros cursos de um mesmo centro.
2.3.2. Análise de retenção

As próximas definições envolvem eficiência relacionada à retenção. Tem-se então as defini-

ções relacionadas à taxa e ao tempo de retenção.
2.3.2.1. Taxas de retenção
Definição 9 – Taxa de retenção da turma

Seja o período que indica o tempo mínimo/regular de diplomação de um curso. Define-
se a taxa de retenção de uma turma k ( ) como a razão entre o total de não diplomados ou eva-
didos após , ou seja, o total de alunos que saiu do curso após ter ficado retido após o tem-
po mínimo, e o total de ingressantes da turma, ou seja,
Esse indicador é definido por turma, e sinaliza o percentual de alunos que promoveram re-
tenção, independentemente do tempo. Mesmo que a turma já tenha sido consolidada (todos os
alunos já tenham saído), é possível ainda definir qual foi a retenção daquela turma, a partir da
verificação do percentual de discentes que passou do tempo de curso na condição de ativo.
Definição 10 – Taxa de retenção

Seja o tempo o tempo de conclusão do curso, define-se a taxa retenção do curso com l
turmas ( ) como a razão entre os totais de retidos no conjunto das turmas, e os totais de ingres-
santes dessas turmas. A fórmula a seguir indica o procedimento:
Tem-se no fenômeno da retenção dois conjuntos de indicadores possíveis: o primeiro asso-

ciado à existência ou não de retenção; e o segundo relativo à duração da retenção. As taxas de
retenção (de uma turma ou de um curso) dão a informação sobre o primeiro conjunto (existência
de retenção). Para avaliação de duração, tem-se a seguir a construção da variável e posteriormen-
te as definições de base.
Dada uma determinada turma k com discentes, define-se para essa turma a variável
tempo de retenção da turma ( , em semestres, que consiste na identificação dos tempos de
alunos que ficaram retidos ( ) subtraídos do tempo mínimo previsto para o curso ( ), ou seja,

o tempo de retenção será dado por ( ), de modo que (veja-se que o total de retidos é
menor ou igual ao total de alunos da turma).
Como forma de computação da permanência em semestres para regimes semestrais, dadas

as informações de semestre de ingresso e de semestre de saída (independentemente de haver
sido por diplomação ou evasão), calcula-se o tempo de permanência de um aluno subtraindo o
semestre de saída ( ) do semestre de ingresso ( ), em seguida adicionando-se 0,5 e,
por fim, multiplicando por 2. Ou seja, o tempo de permanência em semestres do aluno i da turma
k( será dado por,
A computação semestral tem duas bases, uma do início e uma de metade de semestre. Desse
modo, define-se que o primeiro semestre terá indicação do ano com decimal zero (por exemplo, o
ingresso no primeiro semestre do ano de 2011 tem indicação de 2011,0), e o segundo semestre
terá indicação do ano com decimal 0,5 (por exemplo, saída no semestre de 2014 terá indicação de
2014,5). Assim, por exemplo, se um discente ingressou no primeiro semestre de 2006 (ou seja,
2006,0) e saiu no segundo semestre de 2010 (2010,5), seu tempo de permanência ( ) será dado
por
Supondo que o tempo mínimo/regular de conclusão seja de 8 semestres ( ), então o

discente terá uma retenção de dois semestres ( ). Esse cálculo é repetido para todos os
discentes de uma turma e são então armazenados na variável de retenção da turma aqueles que
tiveram tempo de permanência maior que zero.
Considerando-se então um conjunto de l turmas, cada uma com registros de
retenção, define-se a variável tempo de retenção do curso ( ) que consiste no conjunto agregado
de tempos de conclusões dessas turmas, ou seja,

No curso, o total de retidos das diferentes turmas ( ) será o somatório dos totais de retidos
das l turmas, ou seja, .
Definição 11 – Tempo médio de retenção da turma

Para uma determinada turma k com alunos que apresentaram retenção, define-se a mé-
dia de retenção da turma como a média dos tempos de retenção desses alunos.
Definição 12 – Tempo médio de retenção

Considerando l turmas que compõem o tempo de retenção de um curso ( ), define-se o
tempo médio de retenção ( ) como a média de todos os tempos de retenção registrados. A
fórmula a seguir indica o procedimento:
O tempo médio de retenção é a medida de referência para indicadores, porém, a critério do

usuário/analista, é possível também definir medidas descritivas complementares, em particular
os quartis de retenção, definidos abaixo.
Definição 13 – Quartis de retenção da turma

Considerando a variável tempo de retenção do da turma ( ), definem-se como quartis de
retenção da turma os três quartis da variável da seguinte forma:
• O primeiro quartil, representado por , indica o tempo máximo em que concluíram os
25% primeiros diplomados da turma;
• O segundo quartil, que é a mediana e representado por ou , representa o tempo
máximo de conclusão da primeira metade dos diplomados da turma;
• O terceiro quartil, representado por , indica o tempo máximo em que concluíram os 75%
primeiros diplomados da turma.
A computação dos três quartis vem da formulação a seguir (a função de cálculo dos quartis
está geralmente implementada em software, com a representação formal de para o quartil de

ordem q):
Definição 14 – Quartis de retenção do curso

Para um determinado curso com l turmas, define-se como quartis de retenção do curso os
três quartis da variável . A interpretação é a mesma dada para as turmas e a representação se-
rá de para os quartis 1, 2 e 3. A computação dos três quartis segue a
forma

Capítulo 3 – Ilustração de implementação do modelo
Este capítulo é dedicado à descrição de uma possível implementação computacional do mo-

delo de análise de diplomação, evasão e retenção aqui proposto. A implementação computacional
do modelo é ilustrada por meio de uma plataforma tecnológica e requer definição de conceitos
específicos para entendimento.
3.1. Descrição da plataforma tecnológica adotada para ilustração
A primeira menção ao termo Business Intelligence System é creditada a Peter Luhn (Luhn,
1958), que define Business como sendo um conjunto de atividades relacionadas a qualquer tipo
de empreendimento, sendo apoiado por um Intelligent System, capaz de assimilar as associações
entre os fatos presentes, no sentido de orientar as ações para o alcance de um objetivo desejado.
As organizações necessitam desenvolver capacidades relacionadas à “inteligência” de forma que,
para serem eficientes e competitivas, precisam se antecipar e reagir a mudanças que venham a
ocorrer no contexto no qual estão inseridas (Barney, 1991; Gilad & Gilad, 1988; Grant, 1996).
Business Intelligence (BI) preenche uma lacuna ainda muito encontrada no ambiente organizaci-
onal e que diz respeito à ausência de recursos de distribuição de informação nos níveis tático e
estratégico com integração de diversos assuntos de interesse da atividade-fim, disponibilidade
todas as horas do dia e em todos os dias da semana (também denominado “disponibilidade
24x7”), mobilidade (Internet e múltiplos dispositivos) e norteado por princípios de governança
(corporativa e de tecnologia da informação). Espera-se que a adoção de recursos BI no âmbito
organizacional favoreça a tomada de decisões sob menores condições de incerteza e risco.
Processos de BI compreendem basicamente (a) extração, transformação e carga de dados
(extraction, transformation and loading; ETL) oriundos de fontes estruturadas (geralmente sis-
temas de informação do tipo ERP, CRM, SCM etc.) e não estruturadas (Redes Sociais, Blogs, Ví-
deos, Chats), tendo como produto final um repositório data warehouse/mart (DW/DM). Um data
warehouse compreende um repositório de dados corporativo tópico-orientado, integrado, tempo-
variante e não volátil (Immon, 2005), diferenciando-se de um data mart apenas em relação ao
seu escopo (este último com escopo departamental); e (b) utilização de ferramentas analíticas,

integradas ao data warehouse/mart, para análise e disseminação do conhecimento (self-service
BI, OLAP, reporting, data mining, alerts e dashboarding).
As modernas plataformas tecnológicas que dão suporte ao desenvolvimento de BI são carac-
terizadas pela disponibilidade de funcionalidades analíticas cada vez mais próximas e amigáveis
de um usuário de negócios (“negócio” aqui entendido como atividade-fim da organização) ou um
decisor (Sallam et al., 2017). Tais facilidades de uso têm permitido aos usuários de negó-
cios/decisores maior autonomia/independência em relação aos profissionais de tecnologia da
informação. Nesse sentido, as ferramentas classificadas como self-service BI têm se destacado, já
que foram criadas com o propósito de impulsionar a independência investigativa de um usuário
que não possua formação em tecnologia da informação. A Figura 3a apresenta o posicionamento
dos principais fornecedores no segmento self-service BI (Sallam et al., 2017), de acordo com pes-
quisa do Gartner Group®.
Figura3a - Quadrante Mágico Gartner® para self-service BI
Fundamentando-se nesses conceitos, a implementação computacional do modelo de análise

de diplomação, evasão e retenção produziu uma aplicação analítica self-service BI. A plataforma
tecnológica selecionada para o desenvolvimento foi a Qlik/Qlik Sense®. Considerou-se esta op-
ção em função (1) da agilidade proporcionada para o desenvolvimento de aplicações analíticas;
(2) da inexistência de custo adicional para aquisição (no âmbito de projeto de pesquisa); (3) do

posicionamento da plataforma entre as companhias líderes no segmento self-service BI; (4) da
disponibilidade na plataforma de variadas formas de apresentação de dados (filtros, gráficos de
barra, gráficos combinados, mostradores, gráficos de linhas, blocos, KPIs, mapas geográficos, ta-
belas dinâmicas, objetos de texto entre outros); e (5) da curva de aprendizagem favorável para
uso da plataforma.
A plataforma oferece ampla variedade de objetos de interface homem-máquina, com desta-
que para (a) KPI (objeto utilizado para representar os principais indicadores de desempenho da
aplicação analítica); (b) Listas (objetos que permitem com que filtros sejam aplicados aos cená-
rios de análise implementados); (c) Gráficos (barra, pizza, linha, combinado, dispersão, tabela
simples, tabela dinâmica, mostrador e árvore); (d) Mapas (mapas geográficos utilizados para o
georreferenciamento de eventos); (e) Objetos de Imagem e Texto (voltados para a inclusão de
imagens e textos descritivos, no sentido de proporcionar um melhor entendimento dos dados). A
Figura 3b ilustra alguns dos objetos citados.
Figura 3b - Exemplos de objetos de interface
O universo de dados utilizados para essa implementação específica compreende informa-

ções discentes de uma IES, compreendidos entre os períodos letivos 2005.1 a 2015.2 e envolven-
do os seguintes temas: matrículas discentes (dados sobre curso, centro, situação no semestre,
forma de ingresso, coeficiente de rendimento acadêmico, currículo, turno do curso, semestre de
ingresso, entre outras); e (b) dados socioeconômicos do discente (sexo, etnia, renda familiar, en-
dereço, tipo de escola, entre outras). Implementou-se um data mart para armazenamento dos
dados de interesse.

3.2. Análise de categorias e quantidades
A interface denominada “Visões Gerais”, ilustrada pela Figura 3.1a, permite a análise de da-
dos relativos à quantidade de discentes ativos (vinculados à instituição) ao longo do tempo. É
possível interagir com a interface por meio de filtros e também pela seleção direta de valores de
categorias. Os filtros disponíveis permitem a seleção de Centro(s) (ou unidades acadêmicas) e
Curso(s). As categorias de análise disponíveis são Sexo, Etnia, Currículo e Forma de Ingresso.
Tanto os filtros quanto as categorias podem ser combinados de acordo com as necessidades do
analista, como se pode observar nas variações ilustradas pelas Figuras 3.1b (distribuição de da-
dos de discentes do sexo feminino), 3.1c (distribuição de dados de discentes ingressantes
Enem/SISu) e 3.1d (distribuição de dados de discentes do sexo feminino que ingressaram no cur-
so de Administração por meio de Enem/SISu).
Figura 3.1a - Visões Gerais

Figura 3.1b - Distribuição de dados de discentes do sexo feminino

Figura 3.1c - Distribuição de dados de discentes ingressantes Enem/SISu
Figura 3.1d - Distribuição de dados de discentes do sexo feminino que ingressaram no curso de
Administração por meio de Enem/SISu

As interfaces denominadas “Evolução Comparativa Segmentada”, ilustradas pelas Figuras

3.2 a 3.9, permitem a análise de dados comparativos relativos à quantidade de discentes ativos
(vinculados à instituição) ao longo do tempo. As comparações possíveis estão disponíveis no
quadro à esquerda da Figura (Opções de Comparação), e os quantitativos com as respectivas cur-
vas de distribuição podem ser relativos aos Centros (ou unidades de ensino), Currículos, Cursos,
Etnias, Formas de Ingresso, Sexo, Tipo de Escola e Turno.
Figura 3.2 - Evolução Comparativa Segmentada por Centro

Figura 3.3 - Evolução Comparativa Segmentada por Currículo
Figura 3.4 - Evolução Comparativa Segmentada por Curso

Figura 3.5 - Evolução Comparativa Segmentada por Etnia

Figura 3.6 - Evolução Comparativa Segmentada por Forma de Ingresso
Figura 3.7 - Evolução Comparativa Segmentada por Sexo

Figura 3.8 - Evolução Comparativa Segmentada por Tipo de Escola
Figura 3.9 - Evolução Comparativa Segmentada por Turno

As interfaces denominadas “Visão georreferenciada”, ilustradas pelas Figuras 3.10a, 3.10b e
3.10.c, permitem a análise de dados georreferenciados relativos à quantidade de discentes de
acordo com o endereço de origem do discente (naturalidade do discente). É possível interagir
com a interface por meio de filtros. Os filtros disponíveis permitem a seleção de Período de Ma-
trícula, Turma, Tipo de Escola, Turno, Centro (ou unidade acadêmica), Sexo, Etnia e Curso. Os
filtros podem ser combinados de acordo com as necessidades do analista.
Um exemplo de interpretação dos dados exibidos na Figura 3.10a é dado pela análise da
quantidade de discentes do sexo feminino que ingressaram no curso de Administração por meio
de Enem/SISu. Observa-se que o mapa da esquerda (estado da Paraíba) apresenta cerca de 20
municípios destacados em tons da cor marrom. Os municípios destacados com tons mais claros
(próximos à cor bege) possuem menor quantitativo de discentes na instituição analisada, en-
quanto os municípios destacados com tons mais escuros (próximos à cor marrom) possuem mai-
or quantitativo de discentes. O mapa da direita (Brasil) apresenta nove estados brasileiros que
“enviaram” discentes para a instituição em análise.
Figura 3.10a – Visão georreferenciada (quantidade de discentes do sexo feminino que ingressa-
ram no curso de Administração por meio de Enem/SISu)

Figura 3.10b – Visão georreferenciada (quantidade de discentes do sexo masculino que ingressa-
ram no curso de Administração por meio de Enem/SISu)
Alterando-se apenas a variável sexo (Figura 3.10b), observa-se a quantidade de discentes

do sexo masculino que ingressaram no curso de Administração por meio de Enem/SISu. Observa-
se que os mapas apresentam alguns municípios diferentes, também destacados em tons da cor
marrom.
As análises georreferenciadas favorecem o entendimento da influência da instituição sobre
áreas geográficas de interesse. Por exemplo, ao se analisar a distribuição dos dados de um de-

terminado campus ou centro de ensino que foi criado com objetivos de interiorização, pode-se
constatar o grau de alcance desse objetivo desde que se considere a origem do público discente
ali atendido.
3.3. Análise de Diplomação, Evasão e Retenção
A interface denominada “Matriculados/Evadidos/Diplomados”, ilustrada pelas Figuras

3.11a e 3.11b, permite a análise de dados relativos a cada uma das turmas ingressantes em cada
período letivo, na perspectiva do último período letivo disponível (2015.2, no caso). Ou seja, ana-
lisa-se hoje o que ocorreu com os discentes ingressantes em períodos letivos passados. É possível
interagir com a interface por meio de filtros. Os filtros disponíveis permitem a seleção de Período
de Matrícula, Turma, Tipos de Escola, Turno, Centro (ou unidade acadêmica) e Curso. Os filtros
podem ser combinados de acordo com as necessidades do analista.
primeira barra, contendo dados da turma ingressante no período letivo 2005.1. Observa-se que
de um total de 2.246 ingressantes (somatório de ativos, diplomados e evadidos), quatro alunos
ainda estão ativos (segmento de barra na cor azul), 1.254 alunos foram diplomados (segmento de
barra na cor amarelo) e 988 alunos evadiram (segmento de barra na cor vermelho).
Figura 3.11a - Matriculados/Evadidos/Diplomados (todos os cursos)

Figura 3.11b - Matriculados/Evadidos/Diplomados (apenas Medicina)
A interface denominada “Turma e Ativos/Evadidos/Diplomados”, ilustrada pelas Figuras 3.12a

e 3.12b, permite a análise de dados relativos a uma turma específica, desde o ingresso até o último
período letivo disponível. Ou seja, analisa-se hoje o que ocorreu com os discentes daquela turma ao
longo do tempo. É possível interagir com a interface por meio de filtros. Os filtros disponíveis permi-
tem a seleção de Turma, Tipos de Escola, Turno, Centro (ou unidade acadêmica) e Curso. Os filtros
podem ser combinados de acordo com as necessidades do analista.
turma ingressante no período letivo 2005.1. Observa-se que de um total de 2.246 ingressantes,
quatro alunos ainda estão ativos (linha na cor azul), 1.254 alunos foram diplomados (linha na cor
amarelo) e 988 alunos evadiram (linha na cor vermelho). Observa-se ainda que transcorridos
entre nove e dez períodos desde o ingresso (2009.1 e 2009.2), inicia-se mais intensamente a di-
plomação dos alunos. Ou seja, sabendo-se que para a instituição tomada em análise os cursos têm
duração média de quatro anos (ou oito períodos letivos), o fato de a diplomação ocorrer mais
intensamente apenas a partir do 9o. e 10o. períodos tem implicação na sua taxa de retenção.
Figura 3.12a - Turma e Ativos/Evadidos/Diplomados

A interface denominada “Turma e Ativos/Evadidos/Diplomados”, ilustrada pelas Figuras

3.12a e 3.12b, favorece ainda a análise do desempenho de um determinado curso vis-à-vis o mo-
delo ideal de sucesso, conforme descrito na Figura 1.1.
Figura 3.12b - Turma e Ativos/Evadidos/Diplomados

A interface denominada “Taxa de Evasão por Centro/Curso”, ilustrada pela Figura 3.13,
permite a análise de dados relativos à evasão de cada semestre do curso (evasão de primeiro se-
mestre, de segundo etc.). Ou seja, analisa-se hoje o que ocorreu com a evasão dos discentes de
Centros ou Cursos ao longo do tempo. É possível interagir com a interface por meio de filtros. Os
filtros disponíveis permitem a seleção de Turma, Período Relativo ao Programa REUNI, Centro
(ou unidade acadêmica) e Curso. Os filtros podem ser combinados de acordo com as necessida-
des do analista.
Um exemplo de interpretação dos dados exibidos na Figura 3.13 é dado pela análise do Cen-
tro de Ciências Agrárias de determinada IES e do curso de Agronomia desse mesmo Centro. Ob-
serva-se que de um total de 1.090 ingressantes, 1% havia evadido ao final do primeiro semestre
de curso, 16,1% evadiram ao final do segundo semestre e assim por diante.
Figura 3.13 - Taxa de Evasão por Centro/Curso

3.4. Análise de indicadores de eficiência de formação
A interface denominada “Indicadores de Eficiência”, ilustrada pela Figura 3.14, permite a

análise de eficiência institucional por meio de indicadores (taxa e quantidade) de evasão, reten-
ção e diplomação; e taxa de eficiência de diplomação em nível institucional. É possível interagir
com a interface por meio de filtros. Os filtros disponíveis permitem a seleção de Centro (ou uni-
dade acadêmica), Curso, Currículo e Tipo de Escola de ensino fundamental e médio dos discen-
tes. Os filtros podem ser combinados de acordo com as necessidades do analista.
Os indicadores exibidos na Figura 3.14 podem ser interpretados como síntese dos dados
apresentados nas demais interfaces. Ao se analisar indicadores agregados como esses, tem-se
uma visão macro do comportamento da graduação em determinada instituição.
Figura 3.14 - Indicadores de Eficiência

Figura 3.15 - Indicadores de Eficiência – Centro e Curso
A interface denominada “Indicadores de Eficiência – Centro e Curso”, ilustrada pela Figura

3.15, permite a análise de eficiência institucional por meio de indicadores de evasão, retenção e
diplomação por Curso ou Centro (unidade de ensino). Ou seja, trata-se de uma visão detalhada da
síntese exposta na Figura 3.14. É possível interagir com a interface por meio de filtros. Os filtros
disponíveis permitem a seleção de Centro (ou unidade acadêmica), Curso, Currículo e Tipo de
Escola de ensino fundamental e médio dos discentes. Os filtros podem ser combinados de acordo
com as necessidades do analista.

Capítulo 4 – Alternativas complementares de análise
O conteúdo desse manuscrito teve, nos capítulos anteriores, um foco mais concentrado na
definição de métricas, em formas de apresentação e na exibição de uma alternativa concreta de
implementação das métricas e formas propostas. A perspectiva de análise das medidas e gráficos
no formato exposto configura a implementação de uma solução “business intelligence” (BI), e tem
conteúdo mais descritivo de evoluções, tendências e indicadores.
Nesse capítulo, apresentam-se possibilidades de outros avanços a partir dessa primeira
construção. Inicialmente, posiciona-se a visão mais ampla de Data Science e suas ferramentas, e
na segunda parte são apresentados exemplos de apropriação dessas ferramentas sobre dados
disponíveis.
4.1. Uma visão geral de Data Science e suas ferramentas

A utilização de uma abordagem business intelligence pode ser observada, de forma mais ge-
ral, à luz do conceito de Data Science, que é aqui definido como sendo a área de conhecimento
acadêmico e profissional orientada à utilização de dados, a partir de sua manipulação e sua ex-
ploração exaustiva, com a finalidade de fundamentar decisões (no conceito de decisão baseada
em dados, ou, na sigla em inglês recorrentemente usada também no Brasil, o data-driven decisi-
on) ou para produzir conhecimento relevante em áreas científicas (na ideia da ciência baseada
em dados, ou data-driven Science; cf. Kitchin, 2014).
Não se pretende aqui explorar de forma aprofundada o conceito Data Science e suas reper-
cussões. Para o alcance da finalidade deste texto e alinhamento com uma forma melhor estrutu-
rada de exposição de conteúdos, entende-se que Data Science compreende três temas centrais:
(1) Big Data, que se refere à análise de grandes volumes de dados, que têm diversidade de forma-
tos, que são produzidos/gerados continuamente, que em alguma medida são confiáveis e que têm
potencial para geração de valor; (2) técnicas estatísticas e computacionais adequadas à análise
desse tipo de dados, o que inclui as técnicas de business intelligence, machine learning, statistical
learning, técnicas estatísticas multivariadas exploratórias, dentre outras; e (3) debates de nature-
za epistemológica, de conteúdo acadêmico-científico sobre a natureza do conhecimento e “teoria
de método” (cf. Haig, 2005). A figura 4.1 ilustra essa forma de visualização.

Figura 4.1. Uma visão de Data Science
Data Science
Big data Ferramentas de Questões

análise epistemológicas
Por meio da Figura 4.1, observa-se que a elaboração dos capítulos anteriores está associada
à dimensão de ferramentas de análise. Tais ferramentas, em um segundo nível de descrição, po-
dem ser classificadas em três grupos:
• ferramentas descritivas, que são aquelas orientadas à melhor estruturação de uma visão ge-
ral dos dados, o que se faz por meio de ferramentas de descrição numérica e visual (essas são
as ferramentas convencionais de BI ilustradas no capítulo 3);
• ferramentas exploratórias, que são voltadas a efetivar manipulação de dados para extração
de resultados não evidentes e que vão além da tarefa restrita à descrição. Envolve técnicas
bivariadas e multivariadas, tais como cruzamento de tabelas, extração de componentes prin-
cipais ou fatores, “clusterização” de observações etc.; e
• ferramentas preditivas, que são aquelas que, a partir dos dados reorganizados, de indicado-
res construídos e de redefinições de variáveis desde procedimentos exploratórios, permitem
utilizar os dados disponíveis para realização de predições de comportamento sobre outras
variáveis.
A critério do usuário analista (ou acadêmico), as duas últimas alternativas de ferramentas

podem ser agregadas em um conceito mais amplo, denominado ‘business analytics’. Desse modo,
pode-se ter como segunda visualização das ferramentas de Data Science nesses dois blocos de
ferramentas: as de business analytics e as de business intelligence (com ferramentas exploratórias
e de predição). O caráter recente desse novo contexto disciplinar não permite ainda tomar-se
qualquer dimensionamento como definitivo. É possível encontrar-se, por exemplo, usos de todas

essas construções sob a expressão business intelligence ou de business analytics. A forma apresen-
tada na Figura 4.2 fornece uma tendência de articulação desses conteúdos.
Figura 4.2. Ferramentas de Data Science
Analytics
Preditivas
Ferramentas De exploração
Descritivas
Segundo a visão ilustrada na Figura 4.2, qualquer implementação de data-based decision ou

data-drive Science pode permanecer na esfera das ferramentas descritivas, como é o caso de
grande parte das soluções computacionais de BI. A critério do usuário, dos problemas de decisão
e/ou pesquisa postos e do potencial de contribuição, ferramentas exploratórias ou preditivas
poderão ser usadas, seguindo a mesma lógica de definição, documentação e implementação com-
putacional. Ou seja, aquilo que foi feito nos dois capítulos iniciais com foco mais concentrado no
primeiro grupo de ferramentas pode vir a ser complementado com outras ferramentas, no inte-
resse das organizações que venham a fazer uso desse modelo de análise. No item seguinte são
apontados, de forma breve, algumas possibilidades de aplicação, que estão longe de representar
uma amostra exaustiva de opções de aprimoramento.
4.2. Alternativas para uma visão de analytics

A diversidade de explorações e análise preditivas a partir das bases de dados disponíveis
nas organizações é função direta da disponibilidade de dados institucionais estruturados, princi-
palmente, ou passíveis de análise mesmo desestruturados. Dado que cada instituição tem suas
bases e suas questões específicas derivadas de sua realidade local ou histórica, tem-se então uma
variedade realmente grande de explorações relevantes. Numa tentativa de exemplificar com situ-
ações que se imagina serem mais ou menos universais nas IES brasileiras, apresentam-se então
algumas opções que entendem-se possíveis e relevantes.

Uma primeira possibilidade interessante de análise exploratória seria a implementação de
medidas de associação, principalmente de evasão ou diplomação com as medidas de avaliação do
docente pelo discente por curso, cujos dados são oriundos de outras bases em geral disponíveis
nas unidades de tecnologia da informação das IES ou nas comissões próprias de avaliação (as
CPA’s). Como terceiro componente de análise, seria possível ainda analisar essas medidas consi-
derando-se as notas dos cursos nas avaliações do INEP, como forma de analisar se, em alguma
medida, esses resultados convergem ou divergem. Por exemplo, cursos melhor avaliados no INEP
tendem a ter melhores avaliações do docente pelo discente e menores taxas de evasão? Como
essas medidas oscilam por semestre (com exceção da nota do INEP), há alguma alteração no
tempo? Há, por exemplo, o efeito de greves docentes sobre essas medidas e associações?
Um segundo aspecto que se observa nos indicadores aqui definidos é que, dada a ocorrência
de evasão e diplomação no tempo, as medidas consolidadas refletem o ingresso de estudantes
depois de decorrido ao menos o prazo regular de finalização do curso. Se se toma uma aproxima-
ção de cinco anos, em média, como o tempo padrão dos cursos, então as medidas de evasão que
se têm atualmente refletem, na verdade, resultados de turmas que ingressaram ao menos há cin-
co anos. Isso não permite afirmar, portanto, qual é a evasão atual.
Essa impossibilidade de aferição direciona o desafio de estimação dessa evasão atual a par-
tir de alguma modelagem de predição. Em princípio, não parece haver uma covariável com poder
de explicação mais definitivo da evasão, porém a exploração de dados pode sinalizar alguns pre-
ditores com bom poder de explicação. Como primeira opção do que se pode ter a cada semestre,
poder-se-ia avaliar a associação histórica entre evasão semestral e evasão ao final do curso. Por
exemplo, seria possível levantar, nos diferentes cursos, as evasões de primeiro semestre ao longo
dos anos e em seguida a evasão final, e daí analisar se a evasão de primeiro semestre sinaliza qual
é a evasão ao final. Caso tal relação se verifique em algum curso, seria possível estimar qual é a
evasão atual levando-se em conta, por exemplo, a evasão do semestre passado.
Esse procedimento pode ser feito, inclusive, para evasão de primeiro, de segundo, de tercei-
ro etc. semestres e, utilizando-se modelagem de regressão linear ou não linear, pode-se estimar a
previsão por turma e/ou curso para determinado momento no tempo futuro. Essa seria uma mo-
delagem preditiva, que poderia/deveria incluir dados de um horizonte de tempo maior (de 30 ou
40 anos anteriores, caso esses dados estejam disponíveis). Outras covariáveis potencialmente
disponíveis em dados históricos podem ainda vir a ser usadas em tal modelagem, como, por
exemplo, percentual de alunos por sexo por curso, idade média do estudante no ingresso, classe

econômica, disponibilidade de bolsas (em ações de política estudantil), investimento em tecnolo-
gia, mudança de processos seletivos, dentre outras.
Como terceiro exemplo de aplicação, entende-se ser possível o emprego de ferramentas
computacionais de aprendizagem de máquina para analisar a evolução no tempo da distribuição
geográfica da origem dos alunos, inclusive com a segmentação por curso ou unidade acadêmica,
como recomendado nos capítulos anteriores. Essa análise permitiria, por exemplo, identificar a
efetividade da cobertura da instituição na sua área de referência, ou a efetividade de ações de
interiorização como as que foram implementadas no Brasil desde os anos 1990.
Um último exemplo de aplicação sugere o desenvolvimento de visualização de dados na
forma de gráfico de densidade (ou centralidade de rede) para análise de retenção em disciplinas.
Nesse caso, recomenda-se a visualização com foco em centralidade (nós mais densos) refletindo
espacialmente as disciplinas que mais reprovam.
A lógica de modelagem Data Science não especifica necessariamente requisitos teóricos an-
teriores de justificação. A disponibilidade de dados e de ferramentas estatísticas aliados à cres-
cente potência computacional permitem que os usuários e pesquisadores explorem variáveis e
potenciais relações entre variáveis, desde que sejam, obviamente, consistentes em veracidade e
adequação de métrica.

Referências
Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of management,
17(1), 99-120.
Bridgeland, J. M., Dilulio Jr, J. J., & Balfanz, R. (2009). On the Front Lines of Schools: Perspectives
of Teachers and Principals on the High School Dropout Problem. Civic Enterprises.
Decisão TCU n. 408 Plenário. (2002). Tribunal de Contas da União. Disponível em
http://portal.mec.gov.br/sesu/arquivos/pdf/indicadores.pdf.
Decreto Lei n. 591 da Presidência da República do Brasil. (1992). Diário Oficial da União, 07 de
junho de 1992. Disponível em http://www.planalto.gov.br/ccivil_03/decreto/1990-
1994/d0591.htm.
Decreto Lei n. 6.425 da Presidência da República do Brasil. (2008). Diário Oficial da União, 07 de
abril de 2008. Disponível em
http://download.inep.gov.br/download/censo/2008/Decreto_n_6425.pdf.
Grant, R. M. (1996). Toward a knowledge-based theory of the firm. Strategic management journal,
17(S2), 109-122.
Gilad, B., & Gilad, T. (1988). The Business Intelligence System: A new tool for competitive ad-
vantage. New York: Amacom.
Inmon, W. (2005). Building the data warehouse. Wiley Publishing. Indianapolis.
Keniston, H. (1960). The goals of higher education. Proceedings of the American Philosophical So-
ciety, 104(6), 565-569.
Kitchin, R. (2014). Big Data, new epistemologies and paradigm shifts. Big Data & Society, 1(1),
2053951714528481.
Lei n. 9.394 da Presidência da República do Brasil. (1996). Diário Oficial da União, 23 de dezem-
bro de 1996. Disponível em http://www.planalto.gov.br/ccivil_03/leis/L9394.htm.
Lei n. 10.861 da Presidência da República do Brasil. (2004). Diário Oficial da União, 15 de abril de
2004. Disponível em http://www.planalto.gov.br/ccivil_03/_ato2004-
2006/2004/lei/l10.861.htm.
Luhn, H. P. (1958). A business intelligence system. IBM Journal of Research and Development, 2(4),
314-319.
Newman-Ford, L., Lloyd, S., & Thomas, S. (2007). Evaluating the performance of engineering un-

dergraduates who entered without A-level mathematics via a specialist six-week “bridging tech-
nology” programme. Engineering Education, 2(2), 33-43.
Parecer CNE/CES n. 67. (2003). Conselho Nacional de Educação/Câmara de Educação Superior.
Diário Oficial da União, 02 de junho de 2003. Disponível em
http://portal.mec.gov.br/cne/arquivos/pdf/2003/pces067_03.pdf
Pucciarelli, F., & Kaplan, A. (2016). Competition and strategy in higher education: Managing com-
plexity and uncertainty. Business Horizons, 59(3), 311-320.
Resolução Consepe n. 57. (2010). Conselho Superior de Ensino, Pesquisa e Extensão da Universida-
de Federal da Paraíba. Disponível em
https://sigaa.ufpb.br/sigaa/public/curso/ppp.jsf?lc=pt_BR&id=1626862.
Sallam, R. L. et al. (2017). Magic quadrant for business intelligence platforms. Gartner Research
Note, ID G00301340.
Swanson, S. (2016). Self-Service Analytics. O’Reilly Media, Inc.
Weber, L., & Bergan, S. (Eds.). (2005). The public responsibility for higher education and research
(Vol. 2). Council of Europe.

Livro - Fluxo Discente

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Livro - Fluxo Discente

Enviado por

Direitos autorais:

Formatos disponíveis

DIPLOMAÇÃO, EVASÃO E RETENÇÃO

MODELO LONGITUDINAL DE ANÁLISE PARA O ENSINO superior

FRANCISCO JOSÉ DA COSTA

Reitora MARGARETH DE FÁTIMA FORMIGA MELO DINIZ

Diretora IZABEL FRANÇA DE LIMA

Comitê Científico ADRIANO ALVES DE MEDEIROS

DIPLOMAÇÃO, EVASÃO E RETENÇÃO:

Efetuado o Depósito Legal na Biblioteca Nacional,

TODOS OS DIREITOS RESERVADOS À EDITORA DA UFPB

É proibida a reprodução total ou parcial, de qualquer forma

O conteúdo desta publicação é de inteira responsabilidade do(os) autor(es).

Impresso no Brasil. Printed in Brazil.

Capa, Projeto Gráfico e

C837d Costa, Francisco José da.

1. Educação superior - Graduação. 2. Diplomação. 3. Evasão.

UFPB/BC CDU – 378

EDITORA DA UFPB Cidade Universitária, Campus I – s/n

Este esforço aparece de forma consolidada, quando se verificam os dados disponibilizados em

Por iniciativa da Pró-Reitoria de Graduação, foi criado o Observatório de Dados de Graduação

Trata-se de difundir, na comunidade acadêmica, a prática de planejar, definir e operacionalizar

Diplomação, Evasão e Retenção | 7

Margareth de Fátima Formiga Melo Diniz

8 | Diplomação, Evasão e Retenção

O Observatório de Dados da Graduação (ODG) resulta de um trabalho desenvolvido pelo grupo

Concomitantemente, a PRG, em parceria com a Superintendência de Tecnologia da Informação

Quando escrevemos essa apresentação, já começava a implementação do conceito Código de Va-

Diplomação, Evasão e Retenção | 9

Ariane Norma de Menezes Sá

10 | Diplomação, Evasão e Retenção

Capítulo 1 – Considerações iniciais .................................................................................................. 14

1.1. Finalidades e problemas da formação de graduação .................................................................... 14

1.2. Conceitos de Diplomação, Evasão e Retenção ................................................................................. 17

1.3. Medidas e caráter temporal dos fenômenos .................................................................................... 19

1.4. Modelo conceitual ..................................................................................................................................... 21

Capítulo 2 – Desenvolvimento do modelo ...................................................................................... 23

2.1. Análise de categorias e quantidades - Total de estudantes com vínculo ............................... 23

2.2. Análise de Diplomação, Evasão e Retenção ...................................................................................... 25

2.3. Análise de indicadores de eficiência de formação ......................................................................... 31

Capítulo 3 – Ilustração de implementação do modelo ............................................................... 38

3.1. Descrição da plataforma tecnológica adotada para ilustração ................................................. 38

3.2. Análise de categorias e quantidades .................................................................................................. 41

3.3. Análise de Diplomação, Evasão e Retenção ...................................................................................... 50

3.4. Análise de indicadores de eficiência de formação ......................................................................... 54

Capítulo 4 – Alternativas complementares de análise............................................................... 56

4.1. Uma visão geral de Data Science e suas ferramentas ................................................................... 56

4.2. Alternativas para uma visão de analytics ......................................................................................... 58

1.1. Finalidades e problemas da formação de graduação

14 | Diplomação, Evasão e Retenção

Diplomação, Evasão e Retenção | 15

16 | Diplomação, Evasão e Retenção

1.2. Conceitos de Diplomação, Evasão e Retenção

Diplomação, Evasão e Retenção | 17

18 | Diplomação, Evasão e Retenção

1.3. Medidas e caráter temporal dos fenômenos

Diplomação, Evasão e Retenção | 19

20 | Diplomação, Evasão e Retenção

1.4. Modelo conceitual

Fonte: Autoria própria (2017)

Diplomação, Evasão e Retenção | 21

22 | Diplomação, Evasão e Retenção

2.1. Análise de categorias e quantidades - Total de estudantes com vínculo

Quadro 1 - Discentes ativos por semestre

Fonte: Autoria própria (2017)