Controladoria e Finanças Empresariais (Doutorado Profissional) - Teses - CCSA Higienópolis

URI Permanente para esta coleção

https://dspace.mackenzie.br/handle/10899/33205

Navegar

Navegando Controladoria e Finanças Empresariais (Doutorado Profissional) - Teses - CCSA Higienópolis por Orientador "Vallim Filho, Arnaldo Rabello de Aguiar"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Tese
    Modelo de Machine Learning para decisão sobre acordos em processos judiciais na esfera civil: o desafio para apuração massificada em Instituição Financeira
    Silva, Wellington Prattes da (2024-09-05)

    Centro de Ciências Sociais e Aplicadas (CCSA)

    Este estudo investiga o uso de aprendizado de máquina (Machine Learning - ML) para estruturar um processo técnico decisório que auxilie na previsão de acordos judiciais em processos cíveis envolvendo instituições financeiras. A relevância do tema é reforçada por dados do Conselho Nacional de Justiça (CNJ), que indicam 79,5 milhões de processos aguardando decisão até junho de 2023, com quase 16 milhões de novos processos apenas em 2023. A metodologia envolveu a coleta de dados dos Tribunais de Justiça dos estados brasileiros e a aplicação de técnicas de ML, como Regressão Logística, Floresta Aleatória, Árvore de Decisão, Modelos Lineares Generalizados, Deep Learning e Naive Bayes. Os modelos foram treinados e validados com a ferramenta RapidMiner, utilizando tanto a funcionalidade AutoModel quanto modelos construídos manualmente. Os resultados mostraram que a Regressão Logística e a Floresta Aleatória foram os mais eficazes, com acurácia acima de 92% e coeficientes Kappa que indicam concordância quase perfeita, além de uma análise de matrizes de confusão que revelou alta proporção de verdadeiros positivos e negativos. Para validar os modelos, foi realizada uma análise adicional de processos que estavam sem sentença no início do estudo. A validação final demonstrou uma precisão de 93% para acordos e 79% para não acordos, com sensibilidade de 80% e especificidade de 92%, comprovando a eficácia dos modelos preditivos. A originalidade do estudo reside na integração de ML com abordagens teóricas jurídicas, como a Jurimetria, a teoria do processo duplo e da complexidade, resultando em um Processo Técnico Decisório robusto para acordos judiciais. As implicações práticas incluem a melhoria na gestão de riscos e na redução de custos para instituições financeiras, além de provisões mais precisas que afetam positivamente os resultados contábeis e financeiros. As principais contribuições incluem a construção de um Processo Técnico Decisório eficaz, que integra técnicas avançadas de Machine Learning com abordagens teóricas jurídicas para prever acordos judiciais. As limitações envolvem a dependência da qualidade dos dados e a necessidade de ajustes contínuos dos modelos. Conclui-se que a combinação de ML, Jurimetria e teorias jurídicas proporciona uma ferramenta valiosa para apoiar decisões judiciais, destacando a importância de modelos bem calibrados para aumentar a eficiência e a justiça no sistema jurídico.
  • Imagem de Miniatura
    Tese
    Uma metodologia de aprendizagem de máquina como suporte para a controladoria industrial identificar impactos de condições de produção em perdas de eficiência: uma aplicação em um caso real de geração de sucata em linhas de produção
    Toaldo, Alexsandro (2023-09-28)

    Centro de Ciências Sociais e Aplicadas (CCSA)

    Propósito – Esta tese apresenta a proposta de uma metodologia, com o desenvolvimento de uma pesquisa intervencionista, através de um experimento de campo em uma indústria no segmento de embalagens (latas) premium de alumínio, localizada nos Estados Unidos. Desenho/Método/Abordagem: Este estudo é baseado na pesquisa intervencionista, que é um tipo de experimento de campo onde o pesquisador não tem controle total sobre o experimento e busca experimentar por meio da observação, atuando em conjunto com a organização anfitriã. Foram desenvolvidos experimentos com modelos preditivos de Machine Learning (ML), baseados em árvores, tais como: árvores de decisão (decision tree - DT), floresta aleatória (random forest - RF) e árvores impulsionadas por gradiente (gradient boosted tree - GBT). Além disso, foi explorado também o algoritmo de redes neurais artificiais (artificial neural net - ANN), por ser muito utilizada com sucesso em diferentes tipos de problemas." Resultados: Os resultados dos modelos se mostraram promissores, atingindo acurácias em suas predições, da ordem acima de 90%, e definindo de forma objetiva um rank para as variáveis que causam maior impacto na perda de matéria-prima, indicando que os experimentos poderiam ser expandidos para outras linhas de produção e/ou produtos. Em uma segunda fase do estudo foi desenvolvido um experimento de campo, dentro dos padrões estatísticos do DOE – Design of Experiments, que confirmou os achados dos modelos preditivos de ML. Limitação da Pesquisa/Implicações: A principal limitação foi a amostra utilizada no experimento de campo, correspondente a uma linha de produção e experimento em dois produtos específicos por um curto espaço de tempo. Pesquisas futuras envolvem estudos longitudinais para avaliar os resultados da pesquisa intervencionista. Implicações Práticas: A pesquisa contribui tanto em relação à questão prática quanto a acadêmica. Apesar de amplamente utilizadas em diferentes áreas, as pesquisas intervencionistas e experimento de campo ainda apresentam uma lacuna importante nas ciências sociais, principalmente na controladoria de processos industriais. O modelo apresentado pode ser replicado em uma escala maior, na própria empresa em outra linhas de produção, bem como em empresas do mesmo segmento ou ainda naquelas empresas que estejam passando por desafios de eficiência em seus processos produtivos.