Previsão do lead time de processos usando mineração de dados
| dc.contributor.advisor-co1 | Cordeiro, Douglas Farias | |
| dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/5269312530540199 | pt_BR |
| dc.contributor.advisor1 | Silva, Núbia Rosa da | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/8448585265537772 | pt_BR |
| dc.contributor.referee1 | Silva, Núbia Rosa da | |
| dc.contributor.referee2 | Duarte, Carlos Antonio Ribeiro | |
| dc.contributor.referee3 | Silva, Sergio Francisco da | |
| dc.contributor.referee4 | Cordeiro, Douglas Farias | |
| dc.creator | Oliveira, Maíza Biazon de | |
| dc.creator.Lattes | http://lattes.cnpq.br/0710041273835449 | pt_BR |
| dc.date.accessioned | 2021-05-06T20:29:59Z | |
| dc.date.accessioned | 2022-04-26T12:55:13Z | |
| dc.date.available | 2021-05-06T20:29:59Z | |
| dc.date.available | 2022-04-26T12:55:13Z | |
| dc.date.issued | 2021-03-09 | |
| dc.description.abstract | The era of Industry 4.0 leads to constant adaptations of production processes and generates a significant amount of information. In this way, information management becomes a crucial factor to guarantee the competitive strategy in the industries. One of the information to be managed is textit lead time, time between the customer requesting an order and it being available. Usually, it can be estimated using expensive measurements or traditional methods that do not normally reflect the actual behavior of the data or do not support the significant amount of information generated in Industry 4.0. In addition, there are gaps in the literature on textit lead time forecasting, such as the use of smart methods to predict textit lead time across the supply chain. In this context, the objective of this research is to use data mining using machine learning algorithms to predict the textit lead time in real processes. The proposed methodology made use of the textit Knowledge Discovery in Databases (KDD) cycle structured in the selection, pre-processing, transformation, data mining and knowledge discovery phases. The learning algorithms for textit Linear Regression (LR), textit Random Forest (RF), textit Support Vector Machine (SVM), textit K-Nearest Neighbors (KNN) were tested and textit Multilayers Perceptron (MLP). To validate the experiments, three databases from the Electronic Information System (SEI), a supply chain from a pharmaceutical logistics sector and from the industrial automation sector for the ceramic sector, were used. The results showed that data mining is an effective tool for analyzing data generated in the fourth industrial revolution for forecasting textit Lead time and decision making on production planning and control. | eng |
| dc.description.resumo | 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. | pt_BR |
| dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES | pt_BR |
| dc.description.sponsorship | Fundação de Amparo à Pesquisa do Estado de Goiás | pt_BR |
| dc.identifier.citation | OLIVEIRA, M. B. Previsão do lead time de processos usando mineração de dados. 2021. 85 f. Dissertação (Mestrado em Engenharia de Produção) - Universidade Federal de Goiás, Catalão, 2021. | pt_BR |
| dc.identifier.uri | http://repositorio.ufcat.edu.br/tede/handle/tede/11340 | |
| dc.language | por | pt_BR |
| dc.publisher | Universidade Federal de Goiás | pt_BR |
| dc.publisher.country | Brasil | pt_BR |
| dc.publisher.department | Regional Catalão (RC) | pt_BR |
| dc.publisher.initials | UFG | pt_BR |
| dc.publisher.program | Programa de Pós-graduação em Engenharia de Produção (RC) | pt_BR |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.subject | Mineração de dados | por |
| dc.subject | Inteligência artificial | por |
| dc.subject | Aprendizado de máquina | por |
| dc.subject | Lead time | eng |
| dc.subject | Data mining | eng |
| dc.subject | Artificial intelligence | eng |
| dc.subject | Knowledge discovery in databases | eng |
| dc.subject | Machine learning | eng |
| dc.subject.cnpq | ENGENHARIAS::ENGENHARIA DE PRODUCAO::ENGENHARIA DO PRODUTO | pt_BR |
| dc.title | Previsão do lead time de processos usando mineração de dados | pt_BR |
| dc.type | Dissertação | pt_BR |