Setembro 2025 vol. 12 num. 1 - XXXII Simpósio Internacional de Engenharia

Trabalho completo - Open Access.

Idioma principal | Segundo idioma

Inteligência Artificial para Otimização da Gestão de Portfólios - "Portfolio Squeeze"

Artificial Intelligence for Portfolio Management Optimization -"Portfolio Squeeze"

PIOVESAN, Leonardo ;

Trabalho completo:

Este estudo explora o uso da IA, com foco na Agrupação Aglomerativa, para otimizar a análise do portfólio de bicos "S". A gestão de portfólios é essencial no cenário atual, mas enfrenta desafios devido à complexidade de dados e variáveis. Utilizando um estudo de caso experimental qualitativo, a pesquisa demonstra a eficácia da abordagem hierárquica e incremental do algoritmo escolhido. A revisão bibliográfica reforça a importância crescente da gestão de portfólios e destaca a aplicabilidade da Agrupação Aglomerativa em diferentes áreas. Os resultados indicam que 76 dos 430 bicos analisados são elegíveis para o LT50 na planta de CtP, com uma taxa de 17,7%. A variabilidade entre os tipos de bicos evidencia a precisão da metodologia. Em conclusão, a aplicação de IA, especialmente com técnicas de agregação, contribui significativamente para a gestão de portfólios na Indústria 4.0, oferecendo bases sólidas para pesquisas futuras e aplicação prática em ambientes dinâmicos.

Trabalho completo:

This study explores the potential of AI, particularly Agglomerative Clustering, to optimize the analysis of "S" nozzle portfolio. Portfolio management, crucial for success in the current business landscape, faces challenges in making precise decisions amid vast information and variables. The study applies a qualitative, experimental case study approach, demonstrating the robustness of the methodology. The chosen Agglomerative Clustering algorithm's hierarchical and incremental clustering proves effective in handling complex data. The literature review emphasizes the growing importance of portfolio management, while clustering, particularly Agglomerative Clustering, has proven efficacy in diverse areas. The results reveal that 76 out of 430 nozzles are eligible for LT50 at CtP plant, with an overall eligibility percentage of 17.7%. Different nozzle types exhibit varying eligibility rates, emphasizing the effectiveness of the methodology. In conclusion, the integration of AI, specifically clustering techniques, offers a substantial contribution to portfolio management in the industry 4.0 era. This study provides a significant step in practically applying these technologies, offering insights for future research and implementations in the dynamic context of portfolio management.

Download (PDF)

Palavras-chave: -,

Palavras-chave: -,

DOI: 10.5151/simea2025-PAP34

Referências bibliográficas
  • [1] Archibald, R. D., Kerzner, H., & Kharbanda, O. P. (2021). Managing high-technology programs and projects (4th ed.). Wiley.
  • [2] Charrad, M., Ghazzali, N., Boiteau, V., & Niknafs, A. (2020). NbClust: An R package for determining the relevant number of clusters in a data set. Journal of Statistical Software, 61(6), 1–36. https://doi.org/10.18637/jss.v061.i06
  • [3] Cooper, R. G., Edgett, S. J., & Kleinschmidt, E. J. (2019). Portfolio management for new products (3rd ed.). Basic Books.
  • [4] Lahrmann, G., Marx, F., Winter, R., & Wortmann, F. (2018). Business intelligence maturity: Development and evaluation of a theoretical model. Information Systems Management, 28(4), 239–25 https://doi.org/10.1080/10580530.2011.607181
  • [5] Lechler, T., Edington, B., & Gao, T. (2020). Project management in the strategy execution process. Journal of Management in Engineering, 28(4), 1–11. https://doi.org/10.1061/(ASCE)ME.1943-5479.0000104
  • [6] Shenhar, A. J., & Dvir, D. (2020). Reinventing project management: The diamond approach to successful growth and innovation. Harvard Business Review Press.
  • [7] Wu, H., Li, X., Xu, L., & Zhang, Y. (2019). Gene expression data analysis using agglomerative hierarchical clustering with adjusted distance metric. BMC Bioinformatics, 20(1), 1–12. https://doi.org/10.1186/s12859-019-2998-4
  • [8] Zhang, J., Wang, L., & Chen, Y. (2021). Customer segmentation using agglomerative clustering for targeted marketing. Expert Systems with Applications, 168, 114–124. https://doi.org/10.1016/j.eswa.2020.114124
Como citar:

PIOVESAN, Leonardo; "Inteligência Artificial para Otimização da Gestão de Portfólios - "Portfolio Squeeze"", p. 159-163 . In: Anais do XXXII Simpósio Internacional de Engenharia. São Paulo: Blucher, 2025.
ISSN 2357-7592, DOI 10.5151/simea2025-PAP34

últimos 30 dias | último ano | desde a publicação


downloads


visualizações


indexações