Uso de machine learning para classificação de fornecedores no contexto da data science

• Ano de defesa: 2021
• Autor(a) principal: SIQUEIRA JUNIOR, Laércio Almeida
• Orientador(a): PINHO, Alexandre Ferreira de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Itajubá
• Programa de Pós-Graduação: Programa de Pós-Graduação: Mestrado - Engenharia de Produção
• Departamento: IEPG - Instituto de Engenharia de Produção e Gestão
• País: Brasil
• Palavras-chave em Português: Data science; Machine learning,; Classificação e seleção de fornecedores; Clusterização; Tomada de decisão baseada em dados; Framework
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/2530

A tomada de decisão por grupos, públicos ou privados, é indispensável para o desenvolvimento das organizações e encontrar mecanismos que apoiem os gestores de forma mais assertiva é fundamental para essa finalidade. Saber utilizar dados brutos transformando os em conhecimento permite que essas decisões sejam baseadas em dados além de puramente em intuição. Dentre as decisões importantes tomadas por qualquer organização, a classificação e seleção de fornecedores é uma prática importante para a engenharia de produção e a Data Science é um campo ascendente que estuda dados e como realizar essa transformação de dados brutos em conhecimento. Para essa pesquisa foram utilizados dados reais dos fornecedores de uma empresa do setor aeronáutico em suas análises. Então, esta pesquisa atuou entre Data Science e Classificação e Seleção de fornecedores e teve seu foco no problema conhecido como clusterização (ou agrupamento) que é a segmentação de dados em regiões o mais homogêneas possíveis quando não se apresentam categorias prévias e busca-se resolver este problema auxiliando no gerenciamento dos fornecedores. Isso acontece na prática utilizando-se de ferramentas de Data Science conhecidas como Machine Learning que consistem em algoritmos que podem ser utilizados na segmentação de grupos sem nenhuma classificação inicial. Para o desenvolvimento utilizou-se o procedimento CRISP DM que permite solucionar problemas de análises de dado ajudando a estruturar o pensamento científico. Desta forma, por meio do auxílio desse procedimento, esta dissertação teve como objetivo geral utilizar a técnica de Machine Learning para auxiliar na classificação e seleção de fornecedores dessa organização. Tendo dois objetivos específicos, o primeiro consistindo na demonstração do funcionamento e comportamento dos algoritmos clássicos de clusterização na base de dados real das técnicas clássicas. E o segundo objetivo específico consistiu em analisar esses algoritmos de clusterização em busca do mais apropriado para a base de fornecedores em estudo culminando com a criação e sugestão de um framework que pode ser utilizado para análises futuras de clusterização. As modelagens das clusterizações foram realizadas e por meio de validação interna e de estabilidade a eficiência delas foi testada permitindo que os dados fossem separados em clusters. A utilização do CRISP-DM permitiu que o framework para clusterização fosse proposto.