Aplicação de técnicas de machine learning para classificação ABC multicritério
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/231881 |
Resumo: | Quando falamos na gestão de estoques de uma empresa, a classificação ABC é uma forma bastante conhecida e amplamente utilizada para priorizar itens de forma a identificar quais são mais e menos relevantes no contexto da empresa. Ao longo do tempo alguns méto dos foram propostos para realizar esta classificação, de modo a considerar um ou mais critérios neste análise, sempre com o objetivo de ser mais assertivo no resultado. Dada a ampla gama de aplicações voltadas para classificação que utilizam técnicas de Machine Learning, neste trabalho explorou-se a viabilidade da aplicação destas técnicas para o problema da classificação ABC. Utilizando uma base de dados reais, foram aplicadas três técnicas distintas de Machine Learning comparando os resultados obtidos pelas técnicas entre si e contra um cenário de referência. A abordagem se mostrou viável, com as técni cas obtendo resultados melhores que o cenário de referência na maior parte dos testes. |
id |
UFRGS-2_0af63462f4516656ca2f5ed789002531 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/231881 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Luchese, Rafael LeitesOliveira, Flavio Moreira de2021-11-17T04:25:17Z2021http://hdl.handle.net/10183/231881001133576Quando falamos na gestão de estoques de uma empresa, a classificação ABC é uma forma bastante conhecida e amplamente utilizada para priorizar itens de forma a identificar quais são mais e menos relevantes no contexto da empresa. Ao longo do tempo alguns méto dos foram propostos para realizar esta classificação, de modo a considerar um ou mais critérios neste análise, sempre com o objetivo de ser mais assertivo no resultado. Dada a ampla gama de aplicações voltadas para classificação que utilizam técnicas de Machine Learning, neste trabalho explorou-se a viabilidade da aplicação destas técnicas para o problema da classificação ABC. Utilizando uma base de dados reais, foram aplicadas três técnicas distintas de Machine Learning comparando os resultados obtidos pelas técnicas entre si e contra um cenário de referência. A abordagem se mostrou viável, com as técni cas obtendo resultados melhores que o cenário de referência na maior parte dos testes.When talking about a company’s inventory management, the ABC classification is a well known and widely applied method to prioritize items in order to identify which ones are more and less relevant in the company’s context. Over time, some methods were proposed to carry out this classification, in order to consider one or more criteria in this analysis, al ways aiming to be more assertive in the result. Given the wide range of Machine Learning Algorithms in classification problems, we explore the feasibility of applying these tech niques to the ABC Classification problem. Using a real database, we applied three distinct Machine Learning algorithms comparing their results against each other and against a ref erence scenario. The approach proved to be viable, with the algorithms obtaining better results than the reference scenario in nearly all tests.application/pdfporAprendizado de máquinaStocks ManagementABC ClassificationAplicação de técnicas de machine learning para classificação ABC multicritérioApplying machine learning algorithms for multi-criteria ABC classification info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPorto Alegre, BR-RSespecializaçãoCurso de Especialização em Engenharia de Software e Inovaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001133576.pdf.txt001133576.pdf.txtExtracted Texttext/plain95388http://www.lume.ufrgs.br/bitstream/10183/231881/2/001133576.pdf.txt7e5893bbb193e3b3d3ca74e576c0b77fMD52ORIGINAL001133576.pdfTexto completoapplication/pdf1140183http://www.lume.ufrgs.br/bitstream/10183/231881/1/001133576.pdf6f3e48987715667763254ae6115e81baMD5110183/2318812021-11-20 06:15:29.977356oai:www.lume.ufrgs.br:10183/231881Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2021-11-20T08:15:29Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Aplicação de técnicas de machine learning para classificação ABC multicritério |
dc.title.alternative.en.fl_str_mv |
Applying machine learning algorithms for multi-criteria ABC classification |
title |
Aplicação de técnicas de machine learning para classificação ABC multicritério |
spellingShingle |
Aplicação de técnicas de machine learning para classificação ABC multicritério Luchese, Rafael Leites Aprendizado de máquina Stocks Management ABC Classification |
title_short |
Aplicação de técnicas de machine learning para classificação ABC multicritério |
title_full |
Aplicação de técnicas de machine learning para classificação ABC multicritério |
title_fullStr |
Aplicação de técnicas de machine learning para classificação ABC multicritério |
title_full_unstemmed |
Aplicação de técnicas de machine learning para classificação ABC multicritério |
title_sort |
Aplicação de técnicas de machine learning para classificação ABC multicritério |
author |
Luchese, Rafael Leites |
author_facet |
Luchese, Rafael Leites |
author_role |
author |
dc.contributor.author.fl_str_mv |
Luchese, Rafael Leites |
dc.contributor.advisor1.fl_str_mv |
Oliveira, Flavio Moreira de |
contributor_str_mv |
Oliveira, Flavio Moreira de |
dc.subject.por.fl_str_mv |
Aprendizado de máquina |
topic |
Aprendizado de máquina Stocks Management ABC Classification |
dc.subject.eng.fl_str_mv |
Stocks Management ABC Classification |
description |
Quando falamos na gestão de estoques de uma empresa, a classificação ABC é uma forma bastante conhecida e amplamente utilizada para priorizar itens de forma a identificar quais são mais e menos relevantes no contexto da empresa. Ao longo do tempo alguns méto dos foram propostos para realizar esta classificação, de modo a considerar um ou mais critérios neste análise, sempre com o objetivo de ser mais assertivo no resultado. Dada a ampla gama de aplicações voltadas para classificação que utilizam técnicas de Machine Learning, neste trabalho explorou-se a viabilidade da aplicação destas técnicas para o problema da classificação ABC. Utilizando uma base de dados reais, foram aplicadas três técnicas distintas de Machine Learning comparando os resultados obtidos pelas técnicas entre si e contra um cenário de referência. A abordagem se mostrou viável, com as técni cas obtendo resultados melhores que o cenário de referência na maior parte dos testes. |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-11-17T04:25:17Z |
dc.date.issued.fl_str_mv |
2021 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/231881 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001133576 |
url |
http://hdl.handle.net/10183/231881 |
identifier_str_mv |
001133576 |
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.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/231881/2/001133576.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/231881/1/001133576.pdf |
bitstream.checksum.fl_str_mv |
7e5893bbb193e3b3d3ca74e576c0b77f 6f3e48987715667763254ae6115e81ba |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224615375142912 |