Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
SANTOS, Italo Mathaus Chaves |
| Orientador(a): |
MAIOR, Caio Bezerra Souto |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de Pernambuco
|
| Programa de Pós-Graduação: |
Programa de Pos Graduacao em Engenharia de Producao / CAA
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufpe.br/handle/123456789/53233
|
Resumo: |
Nos últimos anos, eventos de escala global colocaram em risco variados modelos de negócios, obrigando-os a repensar suas estratégias e parcerias. Tal fragilidade pode ser enfrentada pela aplicação de metodologias capazes de predizer prováveis eventos disruptivos por meio da análise de dados. Esse trabalho visa a adoção de técnicas de aprendizado de máquina no campo do gerenciamento de risco da cadeia de suprimentos aplicados na cadeia da soja. O objetivo é auxiliar a indústria nacional na tomada de decisão, a fim de mitigar os riscos de abastecimento com o propósito de manter as operações dessa commodity. Foi implementado o modelo Isolation Forest, um algoritmo de aprendizado de máquina não supervisionado desenvolvido para detecção de anomalias. As fontes de dados são índices futuros da soja, ligados aos mercados dos Estados Unidos e da China. O estudo utilizou dois tipos de verificação, uma dedicada a investigar eventos capazes de alterar o preço da soja, a outra comparando implementações de diferentes bancos de dados. Os resultados obtidos se mostraram satisfatórios, uma vez que as anomalias detectadas pelo modelo possuíam possíveis correlações com acontecimentos relativos ao mercado da soja. |
