O elevado índice de reprovações é um problema recorrente enfrentado por diversas instituições de ensino superior. Nas universidades públicas, essa questão impacta, principalmente, em termos de logística e alocação de recursos físicos e financeiros, visto que muitos estudantes atrasam suas colações de grau, gerando uma lotação além da prevista de pessoas nos cursos. Conhecendo os riscos e motivações de uma reprovação, é possível traçar um plano de ação para mitigar que tal evento ocorra. Uma forma de avaliar isso é por meio de dados históricos escolares, os quais dão indícios se o estudante terá sucesso ou não em uma disciplina ou revelam padrões que se repetem ao longo da trajetória acadêmica do indivíduo. Neste trabalho, buscou-se explorar dados históricos da Universidade Federal de Viçosa, utilizando mineração de dados, para construir um sistema inteligente capaz de fornecer insumos que auxilia na tomada de decisões de estudantes e professores, no momento de elaboração do plano de estudos para um dado semestre letivo de graduação, a fim de evitar reprovações. Provendo informações que caracterizam os possíveis cenários que o estudante pode encontrar, o sistema fornece um apoio na escolha por caminhos que visam minimizar as chances de insucesso nas disciplinas cursadas. Amparando cada estudante individualmente, com informações direcionadas ao perfil deste, o resultado que se espera é uma queda nos índices de reprovação da universidade. Por fim, vale destacar que a metodologia proposta aqui é um processo replicável para outras instituições de ensino, considerando as semelhanças adotadas nos processos avaliativos do ensino superior. Palavras-chave: Ciência de Dados. Mineração de Dados Educacionais. Mineração de Padrões Frequentes. Regras de Associação. Rede Neural. Caminho Crítico.The high failure rate is a recurrent problem faced by several higher education institutions. In public universities, this issue has an impact, mainly in logistics and allocation of physical and financial resources, as many students delay their graduation, generating a capacity beyond the expected number of people in the courses. Once known the risks and motivations of a failure, it is possible to draw up an action plan to mitigate such an event from occurring. One way to assess this is through historical scholar data. It provides clues as to whether the student will be successful or not in a subject or reveal repeated patterns throughout the individual’s academic trajectory. In this work, we sought to explore historical data from the Federal University of Viçosa, using data mining, to build an intelligent system capable of providing inputs that help students and teachers make decisions when preparing the study plan for a given undergraduate term to avoid failures. Providing information that characterizes the possible scenarios that the student may encounter, the system provides support in choosing paths that aim to minimize the chances of failure in the subjects taken. By supporting each student individually, the expected result is a drop in the university’s failure rates. Finally, it is worth noting that the methodology proposed here is a replicable process for other educational institutions, considering the similarities adopted in the evaluation processes of higher education. Keywords: Data Science. Educational Data Mining. Frequent Pattern Mining. Association Rules. Neural Network. Critical Path.