Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
Eidelwein, Frederico Ernesto |
| Orientador(a): |
Morandi, Maria Isabel Motta |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade do Vale do Rio dos Sinos
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação em Engenharia de Produção e Sistemas
|
| Departamento: |
Escola Politécnica
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Palavras-chave em Inglês: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
http://repositorio.jesuita.org.br/handle/UNISINOS/13204
|
Resumo: |
O desenvolvimento de modelos utilizando dados disponíveis para as empresas é uma necessidade para manter que se mantenham competitivas no mercado global. Este trabalho aborda o dimensionamento e posicionamento de estoques na cadeia de suprimentos, utilizando a clusterização de produtos por suas características categóricas e histórico de vendas como base para projetar a alocação de novas coleções. Foi realizada uma consulta com especialistas para validação das variáveis disponíveis, atribuídas para produtos relacionados a coleções passadas, e coleção futura. Os produtos das coleções passadas foram então agrupados utilizando o algoritmo k-modes e seus desempenhos foram medidos para cada origem preferencial segundo o destino do pedido, conforme indicação de parceiro logístico. Utilizando os mesmos critérios, os produtos que compõe a coleção futura foram associados aos grupos criados, e com base no despenho passado medido, seus volumes foram projetados para cada armazém. O estudo compara o resultado de três diferentes cenários, executado, potencial e do modelo. A pesquisa alcançou seus objetivos ao construir um modelo de agrupamento de produtos para coleções futuras, avaliar modelos de aprendizado de máquina não supervisionados aderentes ao problema, avaliar os impactos econômicos do modelo atual do contexto analisado, e avaliar os benefícios resultantes do emprego de modelos de aprendizagem de máquina não supervisionados no processo de posicionamento e dimensionamento de estoques. O modelo proposto define critérios para alocação de produtos e sugere a redução de custos operacionais e melhoria no serviço de logística, permitindo identificar fatores ocultos, como possível aumento no nível de serviço e satisfação do cliente. |
