Seleção dos indicadores mais relevantes para melhorar o monitoramento dos dados em estatal de transporte de passageiros utilizando PCA.
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Outros Autores: | , , , |
Tipo de documento: | Artigo de conferência |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFCG |
Texto Completo: | http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/33102 |
Resumo: | O Monitoramento efetivo de indicadores realizado pelas empresas é crucial para uma gestão otimizada, para alocação de recursos devidamente e promoção da melhoria do desempenho. No caso da empresa estudada, o resultado obtido foi essencial, principalmente por se tratar da utilização de verba pública. Para isto, este trabalho teve o propósito de aplicar a técnica de aprendizado de máquina chamada PCA para a seleção de indicadores de desempenho efetivos para a gestão, provenientes de um conjunto de indicadores pré-estabelecidos pela empresa. Os dados analisados foram fornecidos pelo setor operacional a fim de chegar a uma quantidade de reduzida de indicadores, mas que fosse capaz de traduzir para os gestores informações suficientes sem a necessidade de esforço para analisar os dados original. Este estudo trouxe uma significativa contribuição para a empresa porque os resultados obtidos permitiram avaliar os indicadores de custo, segurança e manutenção para uma importante tomada de decisão baseada em dados, melhorando o desempenho corporativo. Palavras-Chaves: KPI; indicadores; visualização de dados; tomada |
id |
UFCG_d404b0826cbce2a264a95bd030000599 |
---|---|
oai_identifier_str |
oai:localhost:riufcg/33102 |
network_acronym_str |
UFCG |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFCG |
repository_id_str |
4851 |
spelling |
Seleção dos indicadores mais relevantes para melhorar o monitoramento dos dados em estatal de transporte de passageiros utilizando PCA.Selection of the most relevant indicators to improve data monitoring in state-owned passenger transport using PCA.Aprendizado de máquina - PCATécnica de aprendizado de máquina PCAMonitoramento de dadosLogarítmoEstatal de transportes de passageiros - monitoramento de dadosTransporte ferroviário de passageiros - monitoramento de dadosTransporte coletivo sobre trilhos - estatalIndicadores de desempenhoRedução de dimensionalidadeMachine Learning - PCAPCA machine learning techniqueLogarithmData monitoringState passenger transport - data monitoringRail passenger transport - data monitoringPublic transport on rails - state-ownedPerformance indicatorsDimensionality reductionEngenharia de Produção.O Monitoramento efetivo de indicadores realizado pelas empresas é crucial para uma gestão otimizada, para alocação de recursos devidamente e promoção da melhoria do desempenho. No caso da empresa estudada, o resultado obtido foi essencial, principalmente por se tratar da utilização de verba pública. Para isto, este trabalho teve o propósito de aplicar a técnica de aprendizado de máquina chamada PCA para a seleção de indicadores de desempenho efetivos para a gestão, provenientes de um conjunto de indicadores pré-estabelecidos pela empresa. Os dados analisados foram fornecidos pelo setor operacional a fim de chegar a uma quantidade de reduzida de indicadores, mas que fosse capaz de traduzir para os gestores informações suficientes sem a necessidade de esforço para analisar os dados original. Este estudo trouxe uma significativa contribuição para a empresa porque os resultados obtidos permitiram avaliar os indicadores de custo, segurança e manutenção para uma importante tomada de decisão baseada em dados, melhorando o desempenho corporativo. Palavras-Chaves: KPI; indicadores; visualização de dados; tomadaUniversidade Federal de Campina GrandeBrasilUFCG20232023-11-22T18:55:52Z2023-11-222023-11-22T18:55:52Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/conferenceObjecthttp://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/33102GOMES, Daniel Alexandre da Silva; MOREIRA, Miguel ngelo Lellis; MIRANDA, Jarbas Honorio de; FÁVERO, Luiz Paulo; SANTOS, Marcos dos. Seleção dos indicadores mais relevantes para melhorar o monitoramento dos dados em estatal de transporte de passageiros utilizando PCA. In: XI SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO, 11, 2023. Anais [...]. Campina Grande - PB, Garden Hotel & Resort,, 2023. ISSN: 2318-9258. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/33102porGOMES, Daniel Alexandre da Silva.MOREIRA, Miguel Ângelo Lellis.MIRANDA, Jarbas Honorio de.FÁVERO, Luiz Paulo.SANTOS, Marcos dos.info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFCGinstname:Universidade Federal de Campina Grande (UFCG)instacron:UFCG2023-11-28T17:52:06Zoai:localhost:riufcg/33102Biblioteca Digital de Teses e Dissertaçõeshttp://bdtd.ufcg.edu.br/PUBhttp://dspace.sti.ufcg.edu.br:8080/oai/requestbdtd@setor.ufcg.edu.br || bdtd@setor.ufcg.edu.bropendoar:48512023-11-28T17:52:06Biblioteca Digital de Teses e Dissertações da UFCG - Universidade Federal de Campina Grande (UFCG)false |
dc.title.none.fl_str_mv |
Seleção dos indicadores mais relevantes para melhorar o monitoramento dos dados em estatal de transporte de passageiros utilizando PCA. Selection of the most relevant indicators to improve data monitoring in state-owned passenger transport using PCA. |
title |
Seleção dos indicadores mais relevantes para melhorar o monitoramento dos dados em estatal de transporte de passageiros utilizando PCA. |
spellingShingle |
Seleção dos indicadores mais relevantes para melhorar o monitoramento dos dados em estatal de transporte de passageiros utilizando PCA. GOMES, Daniel Alexandre da Silva. Aprendizado de máquina - PCA Técnica de aprendizado de máquina PCA Monitoramento de dados Logarítmo Estatal de transportes de passageiros - monitoramento de dados Transporte ferroviário de passageiros - monitoramento de dados Transporte coletivo sobre trilhos - estatal Indicadores de desempenho Redução de dimensionalidade Machine Learning - PCA PCA machine learning technique Logarithm Data monitoring State passenger transport - data monitoring Rail passenger transport - data monitoring Public transport on rails - state-owned Performance indicators Dimensionality reduction Engenharia de Produção. |
title_short |
Seleção dos indicadores mais relevantes para melhorar o monitoramento dos dados em estatal de transporte de passageiros utilizando PCA. |
title_full |
Seleção dos indicadores mais relevantes para melhorar o monitoramento dos dados em estatal de transporte de passageiros utilizando PCA. |
title_fullStr |
Seleção dos indicadores mais relevantes para melhorar o monitoramento dos dados em estatal de transporte de passageiros utilizando PCA. |
title_full_unstemmed |
Seleção dos indicadores mais relevantes para melhorar o monitoramento dos dados em estatal de transporte de passageiros utilizando PCA. |
title_sort |
Seleção dos indicadores mais relevantes para melhorar o monitoramento dos dados em estatal de transporte de passageiros utilizando PCA. |
author |
GOMES, Daniel Alexandre da Silva. |
author_facet |
GOMES, Daniel Alexandre da Silva. MOREIRA, Miguel Ângelo Lellis. MIRANDA, Jarbas Honorio de. FÁVERO, Luiz Paulo. SANTOS, Marcos dos. |
author_role |
author |
author2 |
MOREIRA, Miguel Ângelo Lellis. MIRANDA, Jarbas Honorio de. FÁVERO, Luiz Paulo. SANTOS, Marcos dos. |
author2_role |
author author author author |
dc.contributor.author.fl_str_mv |
GOMES, Daniel Alexandre da Silva. MOREIRA, Miguel Ângelo Lellis. MIRANDA, Jarbas Honorio de. FÁVERO, Luiz Paulo. SANTOS, Marcos dos. |
dc.subject.por.fl_str_mv |
Aprendizado de máquina - PCA Técnica de aprendizado de máquina PCA Monitoramento de dados Logarítmo Estatal de transportes de passageiros - monitoramento de dados Transporte ferroviário de passageiros - monitoramento de dados Transporte coletivo sobre trilhos - estatal Indicadores de desempenho Redução de dimensionalidade Machine Learning - PCA PCA machine learning technique Logarithm Data monitoring State passenger transport - data monitoring Rail passenger transport - data monitoring Public transport on rails - state-owned Performance indicators Dimensionality reduction Engenharia de Produção. |
topic |
Aprendizado de máquina - PCA Técnica de aprendizado de máquina PCA Monitoramento de dados Logarítmo Estatal de transportes de passageiros - monitoramento de dados Transporte ferroviário de passageiros - monitoramento de dados Transporte coletivo sobre trilhos - estatal Indicadores de desempenho Redução de dimensionalidade Machine Learning - PCA PCA machine learning technique Logarithm Data monitoring State passenger transport - data monitoring Rail passenger transport - data monitoring Public transport on rails - state-owned Performance indicators Dimensionality reduction Engenharia de Produção. |
description |
O Monitoramento efetivo de indicadores realizado pelas empresas é crucial para uma gestão otimizada, para alocação de recursos devidamente e promoção da melhoria do desempenho. No caso da empresa estudada, o resultado obtido foi essencial, principalmente por se tratar da utilização de verba pública. Para isto, este trabalho teve o propósito de aplicar a técnica de aprendizado de máquina chamada PCA para a seleção de indicadores de desempenho efetivos para a gestão, provenientes de um conjunto de indicadores pré-estabelecidos pela empresa. Os dados analisados foram fornecidos pelo setor operacional a fim de chegar a uma quantidade de reduzida de indicadores, mas que fosse capaz de traduzir para os gestores informações suficientes sem a necessidade de esforço para analisar os dados original. Este estudo trouxe uma significativa contribuição para a empresa porque os resultados obtidos permitiram avaliar os indicadores de custo, segurança e manutenção para uma importante tomada de decisão baseada em dados, melhorando o desempenho corporativo. Palavras-Chaves: KPI; indicadores; visualização de dados; tomada |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023 2023-11-22T18:55:52Z 2023-11-22 2023-11-22T18:55:52Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/conferenceObject |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/33102 GOMES, Daniel Alexandre da Silva; MOREIRA, Miguel ngelo Lellis; MIRANDA, Jarbas Honorio de; FÁVERO, Luiz Paulo; SANTOS, Marcos dos. Seleção dos indicadores mais relevantes para melhorar o monitoramento dos dados em estatal de transporte de passageiros utilizando PCA. In: XI SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO, 11, 2023. Anais [...]. Campina Grande - PB, Garden Hotel & Resort,, 2023. ISSN: 2318-9258. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/33102 |
url |
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/33102 |
identifier_str_mv |
GOMES, Daniel Alexandre da Silva; MOREIRA, Miguel ngelo Lellis; MIRANDA, Jarbas Honorio de; FÁVERO, Luiz Paulo; SANTOS, Marcos dos. Seleção dos indicadores mais relevantes para melhorar o monitoramento dos dados em estatal de transporte de passageiros utilizando PCA. In: XI SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO, 11, 2023. Anais [...]. Campina Grande - PB, Garden Hotel & Resort,, 2023. ISSN: 2318-9258. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/33102 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Campina Grande Brasil UFCG |
publisher.none.fl_str_mv |
Universidade Federal de Campina Grande Brasil UFCG |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFCG instname:Universidade Federal de Campina Grande (UFCG) instacron:UFCG |
instname_str |
Universidade Federal de Campina Grande (UFCG) |
instacron_str |
UFCG |
institution |
UFCG |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFCG |
collection |
Biblioteca Digital de Teses e Dissertações da UFCG |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFCG - Universidade Federal de Campina Grande (UFCG) |
repository.mail.fl_str_mv |
bdtd@setor.ufcg.edu.br || bdtd@setor.ufcg.edu.br |
_version_ |
1809744602370932736 |