Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufjf.br/jspui/handle/ufjf/6861
Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
rodrigobarbosadesantis.pdf2.54 MBAdobe PDFVista previa
Visualizar/Abrir
Clase: Dissertação
Título : Previsão de falta de materiais no contexto de gestão inteligente de inventário: uma aplicação de aprendizado desbalanceado
Autor(es): Santis, Rodrigo Barbosa de
Orientador: Fonseca, Leonardo Goliatt da
Co-orientador: Aguiar, Eduardo Pestana de
Miembros Examinadores: Bernardino, Heder Soares
Miembros Examinadores: Fabiano, Ana Laura Cruz
Resumo: Falta de materiais é um problema comum na cadeia de suprimentos, impactando o nível de serviço e eficiência de um sistema de inventário. A identificação de materiais com grande riscos de falta antes da ocorrência do evento pode apresentar uma enorme oportunidade de melhoria no desempenho geral de uma empresa. No entanto, a complexidade deste tipo de problema é alta, devido ao desbalanceamento das classes de itens faltantes e não faltantes no inventário, que podem chegar a razões de 1 para 100. No presente trabalho, algoritmos de classificação são investigados para proposição de um modelo preditivo para preencher esta lacuna na literatura. Algumas métricas específicas como a área abaixo das curvas de Característica Operacionais do Receptor e de Precisão-Abrangência, bem como técnicas de amostragem e comitês de aprendizado são aplicados nesta tarefa. O modelo proposto foi testado em dois estudos de caso reais, nos quais verificou-se que adoção da ferramenta pode contribuir com o aumento do nível de serviço em uma cadeia de suprimentos.
Resumen : Material backorder (or stockout) is a common supply chain problem, impacting the inventory system service level and effectiveness. Identifying materials with the highest chances of shortage prior its occurrence can present a high opportunity to improve the overall company’s performance. However, the complexity of this sort of problem is high, due to class imbalance between missing items and not missing ones in inventory, which can achieve proportions of 1 to 100. In this work, machine learning classifiers are investigated in order to fulfill this gap in literature. Specific metrics such as area under the Receiver Operator Characteristic and precision-recall curves, sampling techniques and ensemble learning are employed to this particular task. The proposed model was tested in two real case-studies, in which it was verified that the use of the tool may contribute with the improvemnet of the service level in the supply chain.
Palabras clave : Gestão da cadeia de suprimentos
Planejamento e controle de inventário
Aprendizado desbalanceado
Métodos de amostragem
Comitês de classificadores
Supply chain management
Inventory planning and control
Imbalanced learning
Sampling methods
Ensembles of classifiers
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Idioma: por
País: Brasil
Editorial : Universidade Federal de Juiz de Fora (UFJF)
Sigla de la Instituición: UFJF
Departamento: ICE – Instituto de Ciências Exatas
Programa: Programa de Pós-graduação em Modelagem Computacional
Clase de Acesso: Acesso Aberto
URI : https://repositorio.ufjf.br/jspui/handle/ufjf/6861
Fecha de publicación : 26-mar-2018
Aparece en las colecciones: Mestrado em Modelagem Computacional (Dissertações)



Los ítems de DSpace están protegidos por licencias Creative Commons, con todos los derechos reservados, a menos que se indique lo contrario.