Análise de conglomerados em curvas de aprendizado para formação de agrupamentos homogêneos de trabalhadores
Autor(a) principal: | |
---|---|
Data de Publicação: | 2013 |
Outros Autores: | , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Production |
Texto Completo: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-65132013000300008 |
Resumo: | Em diversos setores da indústria é desejado que trabalhadores reunidos em uma estação de trabalho apresentem perfil de aprendizado similar. O presente artigo apresenta um método de agrupamento de trabalhadores utilizando modelagem por curva de aprendizado e técnicas de clusterização. O método modela dados de desempenho de trabalhadores por intermédio de diversos modelos de curvas de aprendizado; os parâmetros de aprendizado dos modelos testados permitem predizer o desempenho dos trabalhadores em intervalos de tempo pré-determinados. Os valores preditos são agrupados através de ferramentas de clusterização. O maior índice de ajuste (IA), gerado a partir do Silhouette Index e do coeficiente de determinação, indica o modelo de curva mais consistente em termos de aderência aos dados e qualidade de agrupamento de perfis de aprendizado. Ao ser aplicado em dados de uma indústria de calçados, o método gerou agrupamentos consistentes de trabalhadores com base nos distintos perfis de aprendizado. |
id |
ABEPRO-1_c1183dcd23a4ecd32f15cec456c9d80f |
---|---|
oai_identifier_str |
oai:scielo:S0103-65132013000300008 |
network_acronym_str |
ABEPRO-1 |
network_name_str |
Production |
repository_id_str |
|
spelling |
Análise de conglomerados em curvas de aprendizado para formação de agrupamentos homogêneos de trabalhadoresCurvas de aprendizadoClusterizaçãoAgrupamento de trabalhadoresEm diversos setores da indústria é desejado que trabalhadores reunidos em uma estação de trabalho apresentem perfil de aprendizado similar. O presente artigo apresenta um método de agrupamento de trabalhadores utilizando modelagem por curva de aprendizado e técnicas de clusterização. O método modela dados de desempenho de trabalhadores por intermédio de diversos modelos de curvas de aprendizado; os parâmetros de aprendizado dos modelos testados permitem predizer o desempenho dos trabalhadores em intervalos de tempo pré-determinados. Os valores preditos são agrupados através de ferramentas de clusterização. O maior índice de ajuste (IA), gerado a partir do Silhouette Index e do coeficiente de determinação, indica o modelo de curva mais consistente em termos de aderência aos dados e qualidade de agrupamento de perfis de aprendizado. Ao ser aplicado em dados de uma indústria de calçados, o método gerou agrupamentos consistentes de trabalhadores com base nos distintos perfis de aprendizado.Associação Brasileira de Engenharia de Produção2013-09-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersiontext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-65132013000300008Production v.23 n.3 2013reponame:Productioninstname:Associação Brasileira de Engenharia de Produção (ABEPRO)instacron:ABEPRO10.1590/S0103-65132012005000084info:eu-repo/semantics/openAccessStroieke,Renato EduardoFogliatto,Flavio SansonAnzanello,Michel Josepor2015-05-12T00:00:00Zoai:scielo:S0103-65132013000300008Revistahttps://www.scielo.br/j/prod/https://old.scielo.br/oai/scielo-oai.php||production@editoracubo.com.br1980-54110103-6513opendoar:2015-05-12T00:00Production - Associação Brasileira de Engenharia de Produção (ABEPRO)false |
dc.title.none.fl_str_mv |
Análise de conglomerados em curvas de aprendizado para formação de agrupamentos homogêneos de trabalhadores |
title |
Análise de conglomerados em curvas de aprendizado para formação de agrupamentos homogêneos de trabalhadores |
spellingShingle |
Análise de conglomerados em curvas de aprendizado para formação de agrupamentos homogêneos de trabalhadores Stroieke,Renato Eduardo Curvas de aprendizado Clusterização Agrupamento de trabalhadores |
title_short |
Análise de conglomerados em curvas de aprendizado para formação de agrupamentos homogêneos de trabalhadores |
title_full |
Análise de conglomerados em curvas de aprendizado para formação de agrupamentos homogêneos de trabalhadores |
title_fullStr |
Análise de conglomerados em curvas de aprendizado para formação de agrupamentos homogêneos de trabalhadores |
title_full_unstemmed |
Análise de conglomerados em curvas de aprendizado para formação de agrupamentos homogêneos de trabalhadores |
title_sort |
Análise de conglomerados em curvas de aprendizado para formação de agrupamentos homogêneos de trabalhadores |
author |
Stroieke,Renato Eduardo |
author_facet |
Stroieke,Renato Eduardo Fogliatto,Flavio Sanson Anzanello,Michel Jose |
author_role |
author |
author2 |
Fogliatto,Flavio Sanson Anzanello,Michel Jose |
author2_role |
author author |
dc.contributor.author.fl_str_mv |
Stroieke,Renato Eduardo Fogliatto,Flavio Sanson Anzanello,Michel Jose |
dc.subject.por.fl_str_mv |
Curvas de aprendizado Clusterização Agrupamento de trabalhadores |
topic |
Curvas de aprendizado Clusterização Agrupamento de trabalhadores |
description |
Em diversos setores da indústria é desejado que trabalhadores reunidos em uma estação de trabalho apresentem perfil de aprendizado similar. O presente artigo apresenta um método de agrupamento de trabalhadores utilizando modelagem por curva de aprendizado e técnicas de clusterização. O método modela dados de desempenho de trabalhadores por intermédio de diversos modelos de curvas de aprendizado; os parâmetros de aprendizado dos modelos testados permitem predizer o desempenho dos trabalhadores em intervalos de tempo pré-determinados. Os valores preditos são agrupados através de ferramentas de clusterização. O maior índice de ajuste (IA), gerado a partir do Silhouette Index e do coeficiente de determinação, indica o modelo de curva mais consistente em termos de aderência aos dados e qualidade de agrupamento de perfis de aprendizado. Ao ser aplicado em dados de uma indústria de calçados, o método gerou agrupamentos consistentes de trabalhadores com base nos distintos perfis de aprendizado. |
publishDate |
2013 |
dc.date.none.fl_str_mv |
2013-09-01 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-65132013000300008 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-65132013000300008 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
10.1590/S0103-65132012005000084 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
text/html |
dc.publisher.none.fl_str_mv |
Associação Brasileira de Engenharia de Produção |
publisher.none.fl_str_mv |
Associação Brasileira de Engenharia de Produção |
dc.source.none.fl_str_mv |
Production v.23 n.3 2013 reponame:Production instname:Associação Brasileira de Engenharia de Produção (ABEPRO) instacron:ABEPRO |
instname_str |
Associação Brasileira de Engenharia de Produção (ABEPRO) |
instacron_str |
ABEPRO |
institution |
ABEPRO |
reponame_str |
Production |
collection |
Production |
repository.name.fl_str_mv |
Production - Associação Brasileira de Engenharia de Produção (ABEPRO) |
repository.mail.fl_str_mv |
||production@editoracubo.com.br |
_version_ |
1754213152372817920 |