Data mining e machine learning: aplicação em reaproveitamento de stock

Detalhes bibliográficos
Autor(a) principal: Henriques, Beatriz Barreto
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/79699
Resumo: Dissertação de mestrado em Engenharia de Sistemas
id RCAP_2d538bf560ea2dd6c6ec47b1a3a44e51
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/79699
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Data mining e machine learning: aplicação em reaproveitamento de stockData mining e machine learning: stock reuse applicationAnálise de dadosApoio à decisãoData miningMachine learningStockData analysisDecision makingEngenharia e Tecnologia::Outras Engenharias e TecnologiasDissertação de mestrado em Engenharia de SistemasO desenvolvimento da tecnologia de informação gerou uma elevada quantidade de dados. Com este progresso, torna-se fulcral fornecer suporte ao agente de decisão através de análises estruturadas e em tempo real. Assim, instaura-se a necessidade de recorrer a técnicas de análise de dados que, a um nível estratégico, possibilitem estabelecer metas empresariais adequadas, e a nível operacional, auxiliem nas atividades funcionais da organização. No quotidiano industrial, uma gestão de stock ineficiente e desajustada da realidade pode induzir a empresa em custos extraordinários. A presente dissertação aborda esta problemática para o universo de produção de bicicletas em Portugal pela Decathlon. Onde, o objetivo crucial incide na implementação de um sistema de apoio à decisão capaz de estabelecer padrões entre os dados e aprender de forma automática a analisar e associar diferentes tipos de componentes de uma bicicleta, de modo a usufruir do stock excedentário. A metodologia implementada, com vista a obtenção do objetivo principal, inicialmente, recai sobre a implementação de métodos de Machine Learning que permitem transformar dados brutos em informação. Neste caso, a análise remete à tipologia de aprendizagem supervisionada para dados multiclasse e culmina no desenvolvimento de uma ferramenta de apoio ao agente de decisão. De modo a averiguar o melhor modelo mais indicado para responder à presente problemática foram implementados três modelos, Decision Tree, Random Forest, Artificial Neural Network. O modelo em rede apresenta, de forma geral, melhores resultados para os cenários desenvolvidos em comparação com os restantes modelos. Assim, a classificação dos componentes por tipologia incorre numa precisão de, aproximadamente, 95%. Relativamente, à previsão de consumo médio do stock excedentário é de aproximadamente 85% num horizonte temporal de 5 anos.The development of information technology has generated a high amount of data, making it crucial to provide support to the decision agent through structured analysis in real-time. Thus, the need to implement data storage and analysis systems to support decision-making is required. At a strategic level, these systems can establish appropriate business goals, and at an operational level, they can assist the organization's functional activities. In everyday industrial life, inefficient stock management and misadjusted to reality can induce the company in extraordinary costs. This dissertation addresses this issue for the universe of bicycle production in Portugal by Decathlon. Where the crucial objective is the implementation of a system capable of establishing patterns between data and learning automatically to analyze and associate different types of components of a bicycle to take advantage of excess stock. The methodology implemented, to obtain the main objective, initially falls on the implementation of Machine Learning methods that allow transforming raw data into information. In this case, the analysis refers to the supervised learning typology for multiclass data and culminates in the development of a decision support tool. To find the best model to respond to the present problem, three models were implemented, Decision Tree, Random Forest, Artificial Neural Network. The network model presents better results, in general, for the different scenarios compared to the other models. Thus, the classification of components by typology incurs an accuracy of approximately 95%. Relatively, the forecast of the average consumption of the surplus stock is approximately 85% in a time horizon of 5 years.Afonso, PauloCosta, LinoUniversidade do MinhoHenriques, Beatriz Barreto2022-04-292022-04-29T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/79699por203005066info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-11-04T01:17:15Zoai:repositorium.sdum.uminho.pt:1822/79699Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:27:36.302669Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Data mining e machine learning: aplicação em reaproveitamento de stock
Data mining e machine learning: stock reuse application
title Data mining e machine learning: aplicação em reaproveitamento de stock
spellingShingle Data mining e machine learning: aplicação em reaproveitamento de stock
Henriques, Beatriz Barreto
Análise de dados
Apoio à decisão
Data mining
Machine learning
Stock
Data analysis
Decision making
Engenharia e Tecnologia::Outras Engenharias e Tecnologias
title_short Data mining e machine learning: aplicação em reaproveitamento de stock
title_full Data mining e machine learning: aplicação em reaproveitamento de stock
title_fullStr Data mining e machine learning: aplicação em reaproveitamento de stock
title_full_unstemmed Data mining e machine learning: aplicação em reaproveitamento de stock
title_sort Data mining e machine learning: aplicação em reaproveitamento de stock
author Henriques, Beatriz Barreto
author_facet Henriques, Beatriz Barreto
author_role author
dc.contributor.none.fl_str_mv Afonso, Paulo
Costa, Lino
Universidade do Minho
dc.contributor.author.fl_str_mv Henriques, Beatriz Barreto
dc.subject.por.fl_str_mv Análise de dados
Apoio à decisão
Data mining
Machine learning
Stock
Data analysis
Decision making
Engenharia e Tecnologia::Outras Engenharias e Tecnologias
topic Análise de dados
Apoio à decisão
Data mining
Machine learning
Stock
Data analysis
Decision making
Engenharia e Tecnologia::Outras Engenharias e Tecnologias
description Dissertação de mestrado em Engenharia de Sistemas
publishDate 2022
dc.date.none.fl_str_mv 2022-04-29
2022-04-29T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/79699
url https://hdl.handle.net/1822/79699
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv 203005066
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132768343425024

Registros relacionados