Business intelligence e sistemas nebulosos na definição de lean score

Autores

DOI:

https://doi.org/10.46421/sbtic.v3i00.597

Palavras-chave:

Construção enxuta, Lógica fuzzy, Desempenho enxuto, Regras fuzzy, Power BI

Resumo

Não há um consenso na literatura sobre o método mais adequado de se avaliar o nível de implementação de construção enxuta em empresas. Ao contrário dos métodos de avaliação existentes, o uso da lógica fuzzy reduz a subjetividade da avaliação. Este artigo usa o Business Intelligence para definir as regras de um modelo de sistema de inferência difuso para calcular o indicador de desempenho “lean score”. A simulação pelo Power BI permitiu identificar vieses no modelo. As regras propostas foram locadas igualmente para cada uma das quatro variáveis de entrada do modelo: presença, complexidade, tempo e estágio.

Downloads

Não há dados estatísticos.

Biografia do Autor

Pedro Dantas Bezerra Braga, Universidade Federal do Rio Grande do Norte

Cursando Engenharia Civil na Universidade Federal do Rio Grande do Norte.

Tatiana Gondim do Amaral , Universidade Federal de Goiás

Doutorado em Engenharia Civil pela Universidade Federal de Santa Catarina. Professora na Universidade Federal de Goiás.

Reymard Sávio Sampaio de Melo , Universidade Federal da Bahia

Doutorado em Engenharia Civil pela Universidade Estadual de Campinas. Professor na Universidade Federal da Bahia. 

Referências

BOJADZIEV, G.; BOJADZIEV, M. Fuzzy logic for business, finance, and management. 2nd ed. Singapore: World Scientific, 2007. 252 p.

CALDINI, V.; VARELA, E. Uso de Business Intelligence para gerenciamento processos pós-obra. In: ENCONTRO NACIONAL DE TECNOLOGIA DO AMBIENTE CONSTRUÍDO, 18., 2020, Porto Alegre. Anais [...]. Porto Alegre: ANTAC, 2020.

CAMARGO FILHO, C. A. B. LCAT: ferramenta de avaliação da implementação da construção enxuta. 2017. 143 f. Dissertação (Mestrado em Geotecnia, Estruturas e Construção Civil) - Universidade Federal de Goiás, Goiânia, 2017.

CHEN, H; CHIANG, R. H.; STOREY V. C. Business Intelligence and Analytics: From Big Data to Big Impact. MIS Quarterly. v.36, n.4, p.1165–88, 2012. DOI: https://doi.org/10.2307/41703503

ETGES, B. M. B. S.; SAURIN, T. A.; BULHÕES, I. R. A Protocol for Assessing the Use of Lean Construction Practices. In: ANNUAL CONFERENCE INTERNATIONAL GROUP FOR LEAN CONSTRUCTION, 21., 2013, Fortaleza. Proceedings […] Fortaleza: IGLC, 2013, p 93-101.

GAOL, F.; ABDILLAH, L.; MATSUO, T. Adoption of Business Intelligence to Support Cost Accounting Based Financial Systems — Case Study of XYZ Company. Open Engineering. v. 11, n. 1, 2021, p. 14-28, 2021. DOI: https://doi.org/10.1515/eng-2021-0002

KO, C. H. Evolutionary Fuzzy Neural Inference Model (EFNIM) for Decision-Making in Construction Management. 2002. Ph.D. Thesis, Department of Construction Engineering, National Taiwan University of Science and Technology, Taipei, Taiwan, 2002.

KOSKELA, L. Lean Production in Construction. In: ANNUAL INTERNATIONAL SYMPOSIUM ON AUTOMATION AND ROBOTICS IN CONSTRUCTION, 10., 1993, Houston. Proceedings […] Houston: The International Association for Automation and Robotics in Construction, 1993, p.47-54. DOI: https://doi.org/10.22260/ISARC1993/0007

LOPES, A. B. Aplicações analíticas na construção civil: investigações e um estudo de caso na gestão de custos. 2020. 102 f. Dissertação (Mestrado em Tecnologias, Gestão e Sustentabilidade) - Universidade Estadual do Oeste do Paraná, Foz do Iguaçu, 2020.

MOSSMAN, A. What Is Lean Construction: Another Look - 2018. In: ANNUAL CONFERENCE INTERNATIONAL GROUP FOR LEAN CONSTRUCTION, 26., 2018, Chennai. Proceedings […] Chennai: IGLC, 2018, p 1229-1239. DOI: https://doi.org/10.24928/2018/0309

PETROVIĆ, D.; TANASIJEVIĆ, M.; MILIĆ, V.; LILIC, N.; STOJADINOVIĆ, S.; SVRKOTA, I. Risk assessment model of mining equipment failure based on fuzzy logic. Expert Systems with Applications. v.41, n.18, p. 8157–8164, 2014. DOI: https://doi.org/10.1016/j.eswa.2014.06.042

deflection. Neural Network World. v.24, p.193-210, 2014.

ROY, A.; CHENG, M.; WU, Y. Time dependent evolutionary fuzzy support vector machine inference model for predicting diaphragm wall deflection. Neural Network World. v.24, p.193-210, 2014.

VICENTE, P. O uso de simulação como metodologia de pesquisa em ciências sociais. Cadernos EBAPE.BR, Rio de Janeiro, v. 3, n. 1, p. 01-09, Mar. 2005. Disponível em: http://dx.doi.org/10.1590/S1679-39512005000100008

WOMACK, J. P.; JONES, D. T. Beyond Toyota: how to root out waste and pursue perfection. Harvard business review, v.74, n.5, p. 140, 1996.

ZADEH L. A. Fuzzy sets. Information and Control. v.8, n.3, p. 338–353, 1965. DOI: https://doi.org/10.1016/S0019-9958(65)90241-X

Downloads

Publicado

30/08/2021

Como Citar

BRAGA, P. D. B. .; AMARAL , T. G. do .; MELO , R. S. S. de . Business intelligence e sistemas nebulosos na definição de lean score. In: SIMPÓSIO BRASILEIRO DE TECNOLOGIA DA INFORMAÇÃO E COMUNICAÇÃO NA CONSTRUÇÃO, 3., 2021. Anais [...]. Porto Alegre: ANTAC, 2021. p. 1–8. DOI: 10.46421/sbtic.v3i00.597. Disponível em: https://eventos.antac.org.br/index.php/sbtic/article/view/597. Acesso em: 18 maio. 2024.

Edição

Seção

A inteligência artificial na Arquitetura, Engenharia, Construção e Operação