Metodologia

Última execução do pipeline: 2026-04-20.

1. Coleta

• INEP Microdados Enade: download anual dos ZIPs oficiais, extração do CSV principal, agregação em nível curso × IES × ano.
• MEC Dados Abertos SISU: consumo da API pública por edição (2020–2025).
• e-MEC: enriquecimento com dados cadastrais (mantenedora, município, ato regulatório) via consulta pública, respeitando robots.txt e 1 req/s.
• IBGE: nomes de município, UF e região para contexto geográfico.

2. Normalização

• Nomes de cursos padronizados para a denominação oficial Enade (ex.: "Engenharia Civil" e não "Engenharia - Civil").
• Notas normalizadas: Enade Conceito entre 1 e 5, Nota Contínua entre 0 e 5, Cortes SISU entre 0 e 1000.
• Cross-check: códigos de curso INEP ↔ códigos e-MEC, rejeitando divergências.

3. Validação (QUALITY GATE)

Cada entidade passa por validação automática antes de virar página publicada:

• Completude: mínimo 10 atributos não-nulos.
• Sanidade: notas dentro dos ranges válidos.
• Frescor: Enade < 24 meses; SISU < 15 meses.
• Originalidade editorial: seções geradas comparadas com top 10 Google da keyword principal; similaridade > 30% aciona reescrita.

Entidades reprovadas vão para data/rejected/ com motivo, sem página publicada.

4. Publicação progressiva (rollout)

Indexação controlada para preservar sinal de crescimento orgânico:

• Semana 1: homepage + 5 pilares + 20 folhas mais fortes
• Semana 2: +50 folhas
• Semana 3: +100 folhas
• Semana 4: +200 folhas
• Semana 5: +300 folhas
• Semana 6+: restante

5. Reindexação e correção

Pipeline roda semanalmente via GitHub Actions (.github/workflows/refresh.yml). Páginas com queda prolongada em impressões no Search Console são movidas para content/review/ para reescrita humana. Páginas com dados corrompidos ou fonte revogada são despublicadas imediatamente.

6. Limites honestos

• Nossos cortes SISU são os cortes finais da primeira chamada. Não refletimos cortes de lista de espera.
• Enade tem granularidade por curso, não por habilitação. Bacharelado e Licenciatura de Matemática aparecem juntos quando o INEP agrega.
• Cursos a distância têm avaliação com metodologia parcialmente distinta; indicamos na página quando aplicável.

7. Estatísticas da última execução do pipeline

Em cada execução semanal (segundas, 03h BRT, GitHub Actions), o pipeline tenta atualizar o dataset a partir das fontes primárias. Registros que falham a validação são gravados em data/rejected/ com motivo — transparência interna para detectar regressões no dado do INEP ou MEC.

8. Auditoria e correções humanas

A validação descrita na seção 3 é automática. A auditoria editorial (originalidade vs top 10 Google, ausência de cheiro de IA, densidade de dados) é humana, periódica, e documentada publicamente em AUDIT_REPORT.md no repositório do projeto.

SLA de correção: se você identificou um número divergente da fonte oficial, escreva pelo contato com a URL da página e a fonte comprovada do valor correto. Correções entram em até 7 dias úteis. Páginas com erro factual grave são despublicadas imediatamente (404) até serem corrigidas.

9. Onde o dado está

• Pipeline de coleta e scripts: seo-site/data/pipeline/ no repositório público.
• Dataset normalizado exportado: seo-site/src/data/*.json.
• Fontes oficiais: ver página de fontes.
• Decisões editoriais: DECISIONS.md.