Divulgação - Defesa Nº 243

Aluno: Geovanne Oliveira Alves

Título: "Desenvolvimento de Modelos de Previsão de Vendas Utilizando Dados do Varejo Físico”

Orientador: Alexandre Magno Andrade Maciel (PPGEC)

Corientador: Jorge Cavalcanti Barbosa Fonsêca (UPE)

Examinador Externo : Djalma Silva Guimarães Júnior - (UPE)

Examinador Interno : Byron Leite Dantas Bezerra (PPGEC/UPE)

Data-hora: 17/Dezembro/2021 (15:00h) - PM
Local: Formato Remoto (https://meet.google.com/bhc-osuv-jwf)

Resumo:

O varejo é um setor da economia que está expandindo ao longo dos últimos anos, tanmesmo sob as consequências da pandemia do Covid-19. Para mensurar os impactos no desempenho das estratégias empresariais, os indicadores auxiliam os gestores na identificação de possíveis problemas e melhorias necessárias. Um importante indicador é o faturamento bruto, referente ao montante que a empresa adquiriu através das vendas. Como esse indicador contribui com o entendimento do estado da empresa, gerar previsões do faturamento de vendas é uma estratégia que auxilia o gestor no direcionamento do negócio. Com o foco no comércio físico, que engloba mais desafios na extração de dados e detém a maior parte do PIB do setor que os ecommerces, este trabalho tem tem como objetivo de desenvolver um conjunto de modelos de Machine Learning (ML) para previsao de vendas no varejo físico. Para condução desse trabalho foi proposta uma metodologia para criar, comparar e avaliar modelos de ML que contempla as etapas de apresentação das bases de dados, pré-processamento dos dados, seleção de atributos, divisão dos conjuntos em treinamento e teste, treinamento e avaliação dos modelos. A partir das bases de dados de vendas, utilização do Wi-Fi e fluxo de pessoas em um shopping center, foram criados dois conjuntos de dados com periodicidade por hora e por dia. Os modelos foram treinados com esses conjuntos, com seleção e atributos e com todos eles. A cada execução, foi realizado o treinamento de 13 algoritmos de ML, dentre eles, foram selecionados os melhores, a partir da métrica F1-score, para o ajuste dos hiper-parâmetros. Após o teste estatístico de Wilcoxon, os modelos foram avaliados sob as métricas F1-score, Acurácia e MCC, e também pelas matrizes de confusão. Ao analisar os dois cenários, foi observado que as previsões do cenário por hora apresentaram maior desempenho que as previsões do cenário por dia. Destacamos o modelo LIGHTGBM, pois apresentou as melhores pontuações nas métricas de avaliação. Espera-se, que os modelos de previsão ajudem os gestores a encontrar insights e apoiar as decisões operacionais do varejo físico, contribuindo para realizar ações de otimização da jornada de trabalho dos colaboradores, melhorar o processo de controle de estoque, criar ações de impulsionamento das vendas através de campanhas de marketing ou elaborar sistemas de metas para a equipe, por exemplo.

Divulgação - Defesa de Doutorado Nº 1

Aluno: Yves Mendes Galvão

Título: "Modelos Híbridos para Detecção de Anomalias Relacionadas a Riscos de Saúde"

Orientador: Prof. Bruno José Torres Fernandes (PPGEC)

Corientador: Roberta Andrade de Araújo Fagundes (PPGEC)

Examinador Externo 1 : Luiz Eduardo S. Oliveira (UFPR)

Examinador Externo 2: George D. da C. Cavalcanti (UFPE)

Examinador Externo 3: Hugo Valadares Siqueira (UTFPR)

Examinador Interno: João Fausto Lorenzato de Oliveira (PPGEC)

Data-hora: 29/Novembro/2021 (9:00h) - AM
Local: Escola Politécnica de Pernambuco – Formato Híbrido

Resumo:

Sistemas automáticos de monitoramento têm apresentado um crescente aumento de utilização na última década e, atualmente, são capazes de identificar diversas atividades da vida diária (ADL). Dentro do contexto de monitoramento de indivíduos em uma residência, um importante campo de pesquisa é o monitoramento de riscos à saúde e a identificação de quedas. Estima-se que, a cada ano, uma em cada três pessoas com mais de 65 anos caem, sendo esse número ainda maior em um ambiente doméstico. Além disso, esses eventos também estão associados a altas taxas de mortalidade entre os idosos. Porém, identificar estas ações corretamente não é uma tarefa fácil, uma vez que existem muitas ADL semelhantes a riscos relacionados à saúde e, geralmente, os conjuntos de dados públicos disponíveis apresentam muitas atividades cotidianas e poucas relacionadas a quedas, sendo essas inclusive ações simuladas por atores. Uma alternativa bastante utilizada para construção de sistemas automáticos para monitoramento um monitoramento automático é a utilização de aprendizado de máquina. Nesse contexto, as soluções que dependem de uma estrutura de dados rotulados em seu treinamento tendem a gerar resultados enviesados e mesmo que, em alguns casos, superem o estado da arte, não são confiáveis na utilização no mundo real, visto que o treinamento com dados sintéticos não permite uma correta generalização em diferentes tipos de dados. Uma possível solução para esse problema é a utilização de múltiplas fontes de dados (imagens e acelerômetros por exemplo) em uma abordagem multimodal ou a utilização de técnicas de detecção de anomalias. Como as quedas são eventos raros de ocorrer, a utilização de detecção de anomalia é bastante útil nesse tipo de cenário, permitindo que o modelo seja treinado utilizando apenas os dados de ADL e consiga identificar um evento de queda automaticamente quando ele ocorrer. Desta forma, se suponhe que a solução não se torne enviesada pela distribuição dos dados. Este projeto de doutorado explora diferentes formas para o monitoramento automático de quedas com o intuito de identificar e reportar rapidamente tais eventos. Durante o desenvolvimento deste trabalho foram desenvolvidos três tipos diferentes de modelos: o primeiro utiliza uma abordagem multimodal, que faz uso de dados de um acelerômetro e de imagens em uma rede Convolucional (CNN) e Long-Short Term Memory (LSTM). O segundo utiliza uma rede convolucional de grafos (ST- GCN) como extrator de características em conjunto com a utilização de encoders, que treinados apenas com ADL conseguem reconstruir esse tipo de ação, identificando uma queda se o erro de reconstrução for maior que um limiar pré-estabelecido. Após os dados observados durante a análise dos projetos anteriores, foi criada a OneFall-GAN, terceira e última solução, a qual explora a utilização de Redes Adversárias Generativas (GAN) aplicadas na detecção de anomalias e técnicas de one-class. Os resultados obtidos nos conjuntos de dados utilizados sugerem que foi alcançado um melhor resultado em comparação com outros trabalhos existentes na literatura.

Divulgação - Defesa Nº 242

Aluno: Ericks da Silva Rodrigues

Título: "Desenvolvimento de Modelos de Previsão de Vendas Utilizando Dados do Varejo Físico”

Orientador: Alexandre Magno Andrade Maciel (PPGEC)

Corientador: Jorge Cavalcanti Barbosa Fonsêca (UPE)

Examinador Externo : Djalma Silva Guimarães Júnior - (UPE)

Examinador Interno : Byron Leite Dantas Bezerra (PPGEC/UPE)

Data-hora: 17/Dezembro/2021 (15:00h) - PM
Local: Formato Remoto (https://meet.google.com/bhc-osuv-jwf)

Resumo:

O varejo é um setor da economia que está expandindo ao longo dos últimos anos, tanmesmo sob as consequências da pandemia do Covid-19. Para mensurar os impactos no desempenho das estratégias empresariais, os indicadores auxiliam os gestores na identificação de possíveis problemas e melhorias necessárias. Um importante indicador é o faturamento bruto, referente ao montante que a empresa adquiriu através das vendas. Como esse indicador contribui com o entendimento do estado da empresa, gerar previsões do faturamento de vendas é uma estratégia que auxilia o gestor no direcionamento do negócio. Com o foco no comércio físico, que engloba mais desafios na extração de dados e detém a maior parte do PIB do setor que os ecommerces, este trabalho tem tem como objetivo de desenvolver um conjunto de modelos de Machine Learning (ML) para previsao de vendas no varejo físico. Para condução desse trabalho foi proposta uma metodologia para criar, comparar e avaliar modelos de ML que contempla as etapas de apresentação das bases de dados, pré-processamento dos dados, seleção de atributos, divisão dos conjuntos em treinamento e teste, treinamento e avaliação dos modelos. A partir das bases de dados de vendas, utilização do Wi-Fi e fluxo de pessoas em um shopping center, foram criados dois conjuntos de dados com periodicidade por hora e por dia. Os modelos foram treinados com esses conjuntos, com seleção e atributos e com todos eles. A cada execução, foi realizado o treinamento de 13 algoritmos de ML, dentre eles, foram selecionados os melhores, a partir da métrica F1-score, para o ajuste dos hiper-parâmetros. Após o teste estatístico de Wilcoxon, os modelos foram avaliados sob as métricas F1-score, Acurácia e MCC, e também pelas matrizes de confusão. Ao analisar os dois cenários, foi observado que as previsões do cenário por hora apresentaram maior desempenho que as previsões do cenário por dia. Destacamos o modelo LIGHTGBM, pois apresentou as melhores pontuações nas métricas de avaliação. Espera-se, que os modelos de previsão ajudem os gestores a encontrar insights e apoiar as decisões operacionais do varejo físico, contribuindo para realizar ações de otimização da jornada de trabalho dos colaboradores, melhorar o processo de controle de estoque, criar ações de impulsionamento das vendas através de campanhas de marketing ou elaborar sistemas de metas para a equipe, por exemplo.