Avaliação e segmentação de fornecedores apoiadas por técnicas de aprendizado de máquina e interpretadas por XAI - eXplainable Artificial Intelligence

• Main Author: Arantes, Rafael Ferro Munhoz
• Publication Date: 2024
• Format: Doctoral thesis
• Language: por
• Source: Biblioteca Digital de Teses e Dissertações da USP
• Download full: https://www.teses.usp.br/teses/disponiveis/18/18156/tde-13012025-162657/
• topic: Consensus Reaching Process; Explainable Artificial Intelligence; aprendizado de máquinas; avaliação de fornecedores; Consensus Reaching Process; Explainable Artificial Intelligence; machine learning; segmentação de fornecedores; supplier evaluation; supplier segmentation

O processo de gestão de fornecedores, baseado na avaliação de múltiplos critérios, é vital para uma gestão adequada da cadeia de suprimentos. Geralmente, essa avaliação pode requerer ser conduzida por um grupo de especialistas. Nesse caso, para que as decisões do grupo sejam apoiadas por seus membros, métodos CRP (Consensus Reaching Process) podem ser utilizados, porém, demandam várias rodadas de negociação, o que consome recursos organizacionais significativos. Para preencher essa primeira lacuna de pesquisa, esta tese propõe um GDMPM (Group Decision Making Predicting Model), baseado no ANFIS. O modelo foi validado por meio de análise estatística, demonstrando sua eficácia. As contribuições incluem: (1) o GDMPM elimina a necessidade de múltiplas rodadas no CRP, acelerando a tomada de decisão; (2) as superfícies do ANFIS expõem as interações entre os decisores; e (3) critérios com baixo nível de consenso não podem ser compensados por critérios com nível de alto consenso. Para gestores, isso otimiza o processo de decisão em grupo, economizando tempo e recursos. Para os acadêmicos, o modelo preenche uma lacuna ao ser o primeiro estudo a prever os resultados do CRP utilizando aprendizado de máquina. Além disso, esta tese aborda a ausência de métodos XAI (Explainable Artificial Intelligence) para interpretar modelos de segmentação de fornecedores como uma segunda lacuna de pesquisa. Para aumentar a interpretabilidade desses algoritmos, de natureza caixa preta, e entender o funcionamento do processo decisório dos especialistas, a presente tese também propõem o uso do método SHAP (SHapley Additive exPlanations) para interpretar um modelo de segmentação de fornecedores. Em uma aplicação ilustrativa, para dimensão de capabilidades, o SHAP conseguiu identificar pesos dos critérios de avaliação alinhados aos eliciatados por especialistas. No caso da dimensão de disposição para colaborar, na qual houve diversos casos de avaliações extremas, o SHAP revelou que esses critérios têm maior peso, uma vez que eles causam um maior impacto em uma classificação mais negativa dos fornecedores. Esses achados destacam a importância de alinhar a visão estratégica da organização com o desempenho real dos fornecedores na definição de pesos de critérios. O SHAP também foi útil para analisar o impacto dos critérios por classe de fornecedor, proporcionando informações relevantes para o desenvolvimento de planos de melhoria, considerando o segmento de cada fornecedor. Finalmente, o SHAP também se mostrou útil para verificar como o desempenho de cada fornecedor em cada critério afetou sua classificação final, sendo essa, outra informação que pode ser útil para criar planos de desenvolvimento de fornecedores.