Descoberta e validação de KPIs através de dados: um framework de machine learning para procurement

• Ano de defesa: 0026
• Autor(a) principal: Tito, Erisom Pimenta
• Orientador(a): Vallim Filho, Arnaldo Rabello de Aguiar
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• País: Brasil
• Palavras-chave em Português: aprendizado de máquina; descoberta de indicadores orientada por dados; desempenho em compras; importância de variáveis; segmentação de fornecedores; mensuração de desempenho
• Link de acesso: https://dspace.mackenzie.br/handle/10899/42102

Objetivo: Desenvolver e aplicar um framework baseado em aprendizado de máquina para a descoberta empírica de indicadores-chave de desempenho (KPIs) em processos de compras, revelando quais métricas possuem maior impacto preditivo sobre o desempenho operacional e financeiro. Metodologia/Abordagem: A pesquisa adota abordagem empírica quantitativa, aplicando o framework proposto em empresa brasileira de manufatura com 58.865 transações de compras ao longo de 36 meses. Algoritmos de aprendizado de máquina — Random Forest para identificação de importância de variáveis e K-Means para segmentação de fornecedores — são implementados para revelar a hierarquia de KPIs com base em análise de dados históricos extraídos de sistema integrado de gestão (ERP). Resultados: O framework identificou prazo de entrega (19,66%) e divergência quantitativa (17,24%) como principais determinantes de desempenho, revelando que precisão operacional supera métricas isoladas de custo (preço unitário: 1,42%). A segmentação por agrupamento identificou 39 fornecedores críticos (volume médio R$ 2,1 milhões, 45% de taxa de entrega no prazo), representando risco concentrado não detectável por análises convencionais. O modelo Random Forest alcançou 90% de acurácia e F1-Score de 92,1%, validando a capacidade preditiva dos KPIs descobertos. Implicações Práticas: O trabalho fornece método sistemático e replicável para que organizações descubram objetivamente quais KPIs monitorar, priorizando ações de melhoria com base em impacto empírico. O framework utiliza ferramentas de código aberto (Python, scikit-learn), democratizando o acesso a técnicas analíticas avançadas. Originalidade: A pesquisa propõe abordagem orientada por dados para a definição de KPIs, complementando métodos prescritivos tradicionais. Enquanto frameworks estabelecidos definem indicadores com base em referências setoriais e melhores práticas, esta abordagem valida empiricamente quais métricas realmente impulsionam o desempenho em contexto organizacional específico. Contribuições: Contribuição teórica: framework sistemático de descoberta de KPIs por meio de aprendizado de máquina e evidência empírica de indicadores subestimados (divergência quantitativa). Contribuição metodológica: procedimento replicável e documentado. Contribuição prática: identificação de 39 fornecedores críticos, repriorização de iniciativas de melhoria com foco em prazo de entrega e acurácia quantitativa, e redesenho de painéis gerenciais hierarquizados por importância empírica. Limitações da Pesquisa: As limitações incluem especificidade setorial (manufatura), janela temporal de 36 meses, escopo funcional limitado a compras e distinção entre associação preditiva e causalidade estrita. O framework é replicável, mas os KPIs específicos descobertos dependem do contexto organizacional.