Decisões inteligentes em cidades complexas: integração de Machine Learning em sistemas de suporte à decisão

• Ano de defesa: 2025
• Autor(a) principal: Aranguez, Beatrice
• Orientador(a): Verschoore Filho, Jorge Renato de Souza
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Administração
• Departamento: Escola de Gestão e Negócios
• País: Brasil
• Palavras-chave em Português: Logística urbana; Aprendizado de máquina; Sistemas de suporte à decisão; Mobilidade urbana
• Palavras-chave em Inglês: Urban logistics; Machine learning; Decision support systems; Urban mobility
• Área do conhecimento CNPq: ACCNPQ::Ciências Sociais Aplicadas::Administração
• Link de acesso: http://repositorio.jesuita.org.br/handle/UNISINOS/13847

Nas cidades contemporâneas, a logística urbana representa um desafio crítico diante da crescente demanda por entregas rápidas, do congestionamento viário e da pressão por práticas sustentáveis. Esse ambiente apresenta fragmentação de dados, ausência de padronização nas bases disponíveis e baixa maturidade digital das instituições públicas. Paralelamente, técnicas de Machine Learning (ML) oferecem novas possibilidades para transformar informações dispersas em conhecimento útil, embora ainda exista uma distância entre o potencial técnico e a prática cotidiana da gestão urbana. Com esse contexto, a pesquisa teve como propósito desenvolver um framework teórico voltado à integração de ML a Sistemas de Suporte à Decisão (SSD), com foco em apoiar gestores públicos em processos decisórios ligados à logística urbana. A investigação seguiu a metodologia Design Science Research (DSR), combinando revisão sistemática da literatura, entrevistas em profundidade, aplicação de questionário estruturado e entrevistas de validação. Dez especialistas das áreas de Inteligência Artificial, inovação e gestão pública participaram das etapas, o que possibilitou análise triangulada entre dados qualitativos e quantitativos. Os resultados demonstraram a viabilidade de um modelo cíclico composto por oito etapas, capaz de transformar dados urbanos em decisões fundamentadas. O estudo também identificou barreiras institucionais, critérios de maturidade digital e estratégias para aproximar dados, algoritmos e práticas de gestão, reforçando a aplicabilidade prática do modelo para o setor público. A contribuição central do framework está na articulação entre dimensões técnicas, institucionais e operacionais da logística urbana, oferecendo base conceitual consistente e adaptável a diferentes realidades. Do ponto de vista prático, o modelo apresenta diretrizes claras para gestores que enfrentam a fragmentação de dados e a urgência por decisões mais ágeis. Entre as limitações, destacam-se a ausência de testes em cenários reais e o número restrito de participantes, aspectos que abrem espaço para investigações futuras em outros contextos institucionais e territoriais.