A proposição de um framework de Data Analytics para o estudo do desempenho da inovação

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Camps, Raissa Scariot Fernandez
Orientador(a): Guedes, Pablo Cristini
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Inovação
Desempenho organizacional
Indicadores de desempenho
Retorno financeiro
Indicadores econômicos
Análise de dados
Palavras-chave em Inglês:
Classification
Data analytics
Decision support
Innovation performance
Link de acesso: http://hdl.handle.net/10183/246249
Resumo: O objetivo deste estudo é propor um framework de data analytics para classificar setores econômicos em níveis de inovação – em uma escala que vai de altamente a pouco inovadores, a partir de uma base de dados com indicadores de inovação. O problema consiste em entender como se comporta o desempenho de inovação nesses setores, dado o número de empresas inovadoras que contêm e características que apresentam, e é formulado como um problema de classificação. O framework combina métodos para normalização da base, determinação do número de classes (níveis de inovação) encontrados nos dados, tratamento de classes desbalanceadas, seleção de variáveis (indicadores de inovação dos setores), classificação e estimação do desempenho da inovação (empresas que inovam no setor em relação ao total da amostra). Para isso, diferentes abordagens são experimentadas. Os modelos Random Forest, Extreme Gradient Boosting e Support Vector Machine são utilizados nas etapas de classificação das observações, seleção de variáveis e estimação da variável de saída. Na determinação do número de classes, são experimentadas abordagens gerencial e de quartis. Técnicas de Synthetic Minority Oversampling Technique são testadas para o balanceamento de amostras nas classes. A abordagem analítica no estudo dos dados de inovação das empresas auxilia na compreensão dos fatores que influenciam o desempenho da inovação dos setores e apoiará a tomada de decisão acerca de ações de fomento.
id URGS_cd1bb61155f96de584e127577553eb3a
oai_identifier_str oai:www.lume.ufrgs.br:10183/246249
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str
spelling Camps, Raissa Scariot FernandezGuedes, Pablo Cristini2022-08-05T04:48:06Z2022http://hdl.handle.net/10183/246249001146609O objetivo deste estudo é propor um framework de data analytics para classificar setores econômicos em níveis de inovação – em uma escala que vai de altamente a pouco inovadores, a partir de uma base de dados com indicadores de inovação. O problema consiste em entender como se comporta o desempenho de inovação nesses setores, dado o número de empresas inovadoras que contêm e características que apresentam, e é formulado como um problema de classificação. O framework combina métodos para normalização da base, determinação do número de classes (níveis de inovação) encontrados nos dados, tratamento de classes desbalanceadas, seleção de variáveis (indicadores de inovação dos setores), classificação e estimação do desempenho da inovação (empresas que inovam no setor em relação ao total da amostra). Para isso, diferentes abordagens são experimentadas. Os modelos Random Forest, Extreme Gradient Boosting e Support Vector Machine são utilizados nas etapas de classificação das observações, seleção de variáveis e estimação da variável de saída. Na determinação do número de classes, são experimentadas abordagens gerencial e de quartis. Técnicas de Synthetic Minority Oversampling Technique são testadas para o balanceamento de amostras nas classes. A abordagem analítica no estudo dos dados de inovação das empresas auxilia na compreensão dos fatores que influenciam o desempenho da inovação dos setores e apoiará a tomada de decisão acerca de ações de fomento.The aim of this study is to propose an analytics framework to classify sectors at levels of innovation - on a scale from highly to less innovative, given a database with innovation indicators for economic sectors. The problem is to understand how innovation performance behaves in these sectors, given the number of innovative companies they contain and the characteristics they present, and it is formulated as a classification problem. The framework combines methods for data normalization, determination of the number of classes (levels of innovation), deal with imbalanced classes, feature selection (innovation indicators), classification and estimation (companies that innovate in the sector in relation to the total sample). For this, different approaches are tested. The Random Forest, Extreme Gradient Boosting and Support Vector Machine models are used in the observation classification, feature selection and output estimation steps. To determine the number of classes, managerial and quartile approaches are experimented. Synthetic Minority Oversampling Techniques are tested for balancing classes. The analytical approach in the study of companies innovation data helps to understand which factors that affect the sectors innovation performance and support decision making about fostering actions.application/pdfporInovaçãoDesempenho organizacionalIndicadores de desempenhoRetorno financeiroIndicadores econômicosAnálise de dadosClassificationData analyticsDecision supportInnovation performanceA proposição de um framework de Data Analytics para o estudo do desempenho da inovaçãoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulEscola de AdministraçãoPrograma de Pós-Graduação em AdministraçãoPorto Alegre, BR-RS2022mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001146609.pdf.txt001146609.pdf.txtExtracted Texttext/plain122832http://www.lume.ufrgs.br/bitstream/10183/246249/2/001146609.pdf.txt0fe8af157c640908988b94d92c7f19e8MD52ORIGINAL001146609.pdfTexto completoapplication/pdf774826http://www.lume.ufrgs.br/bitstream/10183/246249/1/001146609.pdfa4377b1f8112c8d3583f59162fc62d8fMD5110183/2462492022-08-06 04:54:05.83471oai:www.lume.ufrgs.br:10183/246249Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532022-08-06T07:54:05Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv A proposição de um framework de Data Analytics para o estudo do desempenho da inovação
title A proposição de um framework de Data Analytics para o estudo do desempenho da inovação
spellingShingle A proposição de um framework de Data Analytics para o estudo do desempenho da inovação
Camps, Raissa Scariot Fernandez
Inovação
Desempenho organizacional
Indicadores de desempenho
Retorno financeiro
Indicadores econômicos
Análise de dados
Classification
Data analytics
Decision support
Innovation performance
title_short A proposição de um framework de Data Analytics para o estudo do desempenho da inovação
title_full A proposição de um framework de Data Analytics para o estudo do desempenho da inovação
title_fullStr A proposição de um framework de Data Analytics para o estudo do desempenho da inovação
title_full_unstemmed A proposição de um framework de Data Analytics para o estudo do desempenho da inovação
title_sort A proposição de um framework de Data Analytics para o estudo do desempenho da inovação
author Camps, Raissa Scariot Fernandez
author_facet Camps, Raissa Scariot Fernandez
author_role author
dc.contributor.author.fl_str_mv Camps, Raissa Scariot Fernandez
dc.contributor.advisor1.fl_str_mv Guedes, Pablo Cristini
contributor_str_mv Guedes, Pablo Cristini
dc.subject.por.fl_str_mv Inovação
Desempenho organizacional
Indicadores de desempenho
Retorno financeiro
Indicadores econômicos
Análise de dados
topic Inovação
Desempenho organizacional
Indicadores de desempenho
Retorno financeiro
Indicadores econômicos
Análise de dados
Classification
Data analytics
Decision support
Innovation performance
dc.subject.eng.fl_str_mv Classification
Data analytics
Decision support
Innovation performance
description O objetivo deste estudo é propor um framework de data analytics para classificar setores econômicos em níveis de inovação – em uma escala que vai de altamente a pouco inovadores, a partir de uma base de dados com indicadores de inovação. O problema consiste em entender como se comporta o desempenho de inovação nesses setores, dado o número de empresas inovadoras que contêm e características que apresentam, e é formulado como um problema de classificação. O framework combina métodos para normalização da base, determinação do número de classes (níveis de inovação) encontrados nos dados, tratamento de classes desbalanceadas, seleção de variáveis (indicadores de inovação dos setores), classificação e estimação do desempenho da inovação (empresas que inovam no setor em relação ao total da amostra). Para isso, diferentes abordagens são experimentadas. Os modelos Random Forest, Extreme Gradient Boosting e Support Vector Machine são utilizados nas etapas de classificação das observações, seleção de variáveis e estimação da variável de saída. Na determinação do número de classes, são experimentadas abordagens gerencial e de quartis. Técnicas de Synthetic Minority Oversampling Technique são testadas para o balanceamento de amostras nas classes. A abordagem analítica no estudo dos dados de inovação das empresas auxilia na compreensão dos fatores que influenciam o desempenho da inovação dos setores e apoiará a tomada de decisão acerca de ações de fomento.
publishDate 2022
dc.date.accessioned.fl_str_mv 2022-08-05T04:48:06Z
dc.date.issued.fl_str_mv 2022
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/246249
dc.identifier.nrb.pt_BR.fl_str_mv 001146609
url http://hdl.handle.net/10183/246249
identifier_str_mv 001146609
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:Biblioteca Digital de Teses e Dissertações 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 Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/246249/2/001146609.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/246249/1/001146609.pdf
bitstream.checksum.fl_str_mv 0fe8af157c640908988b94d92c7f19e8
a4377b1f8112c8d3583f59162fc62d8f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1797065189904875520

Registros relacionados