Previsão do lead time de processos usando mineração de dados

Abstract

A era da Indústria 4.0 leva a constantes adaptações de processos produtivos e gera uma quantidade significativa de informações. Dessa forma, a gestão das informações torna-se um fator crucial para garantir a estratégia competitiva nas indústrias. Uma das informações a ser gerenciada trata-se do lead time, tempo entre o cliente solicitar um pedido e este estar disponível. Usualmente, ele pode ser estimado por meio de mensurações dispendiosas ou métodos tradicionais que normalmente não refletem o comportamento real dos dados ou não suportam a quantidade significativa de informação gerada na Indústria 4.0. Além disso, existem lacunas na literatura sobre previsão de lead time, como o uso de métodos inteligentes para prever o lead time em toda cadeia de suprimentos. Nesse contexto, o objetivo dessa pesquisa é utilizar mineração de dados com uso de algoritmos de aprendizado de máquina para previsão do lead time em processos reais. A metodologia proposta fez o uso do ciclo de Knowledge Discovery in Databases (KDD) estruturado nas fases seleção, pré-processamento, transformação, mineração de dados e descoberta de conhecimento. Foram testados os algoritmos de aprendizado para predição Linear Regression (LR), Random Forest (RF), Support Vector Machine (SVM), K-Nearest Neighbors (KNN) e Multilayers Perceptron (MLP). Para validação dos experimentos foram utilizadas três bases de dados advindas do Sistema Eletrônico de Informações (SEI), cadeia de suprimentos de um setor de logística farmacêutica e do setor de automação industrial para o setor cerâmico. Os resultados mostraram que a mineração de dados é uma ferramenta eficaz para análise de dados gerados na quarta revolução industrial para previsão Lead time e a tomada de decisão sobre o planejamento e controle da produção.