Técnicas de machine learning como auxílio para a construção e comparação de modelos de previsão do processo de revestimento e liberação de tubos de aço.
1 - Lucas Alves Dias Cardoso Escola Superior de Agricultura "Luiz de Queiroz" - USP - ESALQ
2 - FERNANDO FREIRE VASCONCELOS Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo - FEA - Administração
3 - André Leme da Silva Fleury Bonini Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo - FEA - FEA
Reumo
Um único fenômeno de estudo pode ser analisado de múltiplas formas e através de perspectivas diversas. Como consequência, valores estimados ou previstos por diferentes técnicas de modelagem podem também ser diferentes. Estas divergências não são necessariamente um problema, uma vez que o intuito dos modelos é representar a realidade de forma simplificada, de modo a se obter a melhor semelhança possível entre os valores observados na realidade e os valores previstos através das modelagens (Silberzahn e Uhlmann, 2015).
Este trabalho foi realizado numa empresa que produz tubos de aço, tendo por objeto a observação da produção de um módulo tubular de grandes dimensões. Neste processo, foram constatadas altas divergências diárias entre as quantidades de produtos que eram de fato entregues ao cliente e as quantidades que eram planejadas, levando em consideração tão somente a produtividade da fábrica. Visto que o volume de material a ser produzido e entregue periodicamente ao cliente é algo definido contratualmente, o recorrente problema de entregas de quantidade a menor pode sofrer multas.
Sendo assim, para o prosseguimento do projeto, assim como para os futuros contratos de produção da empresa em questão, se faz necessária a aplicação de técnicas que proporcionem um planejamento mais viável, mais próximo do que é realmente possível entregar. Portanto, este estudo testou a hipótese de que a liberação de tubos sofreu a influência de fatores relacionados às condições climáticas, face a necessidade de parar a produção quando há alerta de raios, assim como da quantidade de funcionários diariamente alocados na realização do processo em questão.
Foram empregados 06 métodos de “machine learning” supervisionados para a construção de Modelos Lineares Generalizados: Regressão Linear Múltipla, Logística Múltipla, Poisson (para dados de contagem), Binomial Negativa ou Poisson-Gama (para dados de contagem quando há superdispersão dos dados), Poisson com inflação de zeros e Poisson-gama com inflação de zeros, todos de forma independente ou em conjunto com técnicas hierárquicas e não hierárquicas de clusterização, estabelecendo uma matriz com todos os modelos. Os modelos construídos foram comparados pelos seus Log-Likelihood.
A partir do teste e da comparação entre as técnicas estudadas, constatou-se que o modelo mais adequado foi o construído a partir da Regressão Poisson-Gama (Binomial Negativa para dados de contagem) levando em consideração a Inflação de Zeros, com Clusterização pelo método Hierárquico Complete Linkage, pois este apresenta maior precisão e capacidade preditivas, tanto para quantidades quanto para as probabilidades de eventos de não-liberação de tubos.
A contribuição teórica do estudo decorre da afirmação de que a utilização de métodos de clusterização prévios podem melhorar de forma substancialmente os modelos de machine learning. Em termos financeiros, esta divergência se refere a R$ 15 milhões, ou seja, bem menor que os R$ 33 milhões de divergência de produção previstos pela própria empresa. como contribuição gerencial, com um método de previsão baseado no modelo proposto, entende-se que possa haver uma significativa melhora na definição ou negociação das quantidades de produtos a serem entregues de forma periódica.