TCC - Bacharelado em Sistemas da Informação (Sede)
URI permanente para esta coleçãohttps://arandu.ufrpe.br/handle/123456789/427
Navegar
4 resultados
Resultados da Pesquisa
Item Automatização dos serviços de coleta domiciliar com o QGIS e Python(2024-10-04) Prado, Artillis Henrique Mendes do; Medeiros, Victor Wanderley Costa de; http://lattes.cnpq.br/7159595141911505; http://lattes.cnpq.br/7294722691197017Este trabalho apresenta o desenvolvimento de uma ferramenta inovadora para monitoramento dos serviços de coleta domiciliar na cidade do Recife, Brasil, utilizando QGIS e Python. O objetivo principal é otimizar o gerenciamento das operações do CCO (Centro de Controle Operacional) que atua na Autarquia de Manutenção e Limpeza Urbana, permitindo o acompanhamento dos veículos de coleta e a análise detalhada de suas rotas. A plataforma desenvolvida coleta e processa dados geoespaciais, fornecendo informações precisas e imediatas sobre o percurso dos caminhões, gerando relatórios que auxiliam na gestão do serviço. Com a integração dessas tecnologias, a ferramenta oferece funcionalidades como a identificação de trechos não atendidos, análise do tempo de atendimento por setor e avaliação da produtividade dos veículos. Os relatórios gerados permitem uma visão ampla da eficiência das operações, facilitando a tomada de decisões estratégicas, como ajustes nas rotas e realocação de veículos mais produtivos. A ferramenta também possibilita filtrar dados por velocidade e tolerância de distância, o que ajuda a verificar se os caminhões seguiram as rotas planejadas. A implementação desta solução traz benefícios significativos para a gestão pública, como maior controle operacional, precisão nos dados e transparência nas ações de coleta de resíduos. Ao gerar informações em tempo real e resultados rápidos, a ferramenta contribui para a eficiência das operações e a melhoria contínua dos serviços, além de promover uma administração mais eficiente e baseada em dados. Dessa forma, o sistema desenvolvido ajuda a tornar o processo de coleta de resíduos mais ágil e sustentável.Item Uso de Machine Learn para classificação de lançamentos financeiro: estudo comparativo entre modelo AutoML e Redes MLP(2022-10-10) Silva, Vinicius Mateus Mendonça da; Monteiro, Cleviton Vinicius Fonsêca; http://lattes.cnpq.br/9362573782715504; http://lattes.cnpq.br/6180002649065928O estudo desse trabalho visa auxiliar as empresas na sua gestão financeira gerando modelos baseados em Machine Learning para classificação de lançamentos financeiros. Com auxilio de bibliotecas desenvolvidas na linguagem Python, foi possível realizar o treinamento de modelos de AutoML e Redes Neurais Multilayer Perceptron responsáveis pela classificação dos dados. Com resultados acima de 85% nas métricas de Accuracy, Recall, F-measure e Precision para ambos os modelos, a utilização dos mesmo trás a possibilidade de uma melhor gestão dos lançamento financeiro com menos esforço.Item Processo de ETL voltado para jurimetria(2021-12-20) Cristovam, Edson Fagner da Silva; Bocanegra, Silvana; http://lattes.cnpq.br/4596111202208863; http://lattes.cnpq.br/1519472768897299Grandes empresas podem ter dificuldades em gerenciar numerosos processos judiciais em que são rés, pois uma equipe do tamanho necessário para gerir esses processos pode ser muito dispendiosa. Com a digitalização dos processos judiciais, uma estratégia que automatize a organização das informações processuais e que seja de fácil consulta pode ser muito proveitosa. Diante disso, o data warehouse parece ser uma técnica muito indicada para tal, por normalizar e padronizar as informações de diversas fontes que estão contidas nele. Mas para carregar os dados em um data warehouse, é necessário prepará-los com um método comumente conhecido por ETL. Com esse método podemos criar fluxos de extração, transformação e carga de dados que serão escritos no data warehouse. Com um data warehouse preenchido com dados judiciais, podemos utilizá-lo para auxiliar a tomada de decisão do setor jurídico das empresas por meio da jurimetria, que consiste na aplicação de ferramentas estatísticas ao Direito, fornecendo novos pontos de vista baseado em dados.Item Uso da ciência de dados para estudo de falhas e fraudes dos abastecimentos de postos de gasolina(2019-12-19) Arruda, Luiz Felipe Ribeiro de; Albuquerque Júnior, Gabriel Alves de; Roullier, Ana; http://lattes.cnpq.br/1399502815770584; http://lattes.cnpq.br/1825682578554550Nos dias de hoje, se faz necessário como uma prática essencial do empreendedorismo, um estudo descritivo das vendas realizadas pelas empresas levando em consideração fatores como localização, horário, fidelização do cliente e outros. Tales tudo, é necessário para compreender os padrões envolvidos nos volumes de vendas, bem como, em alguns casos, mensurar a produtividade de vendedores e criar uma métrica de produtividade baseado nos dados obtidos. Assim como toda empresa, os postos de gasolinas também gerenciam as suas vendas fazendo projeções, melhorias e estratégia de vendas. De acordo com a lei federal nº 9.9562, os postos de gasolinas são obrigados a terem técnicos responsáveis para realizar os abastecimentos, comumente chamados de frentistas. Os frentistas são tratados nos postos como vendedores, e então existe todo um controle de vendas para eles. Também é regulamentado em lei, para postos de combustíveis, ou so de automação comercial, antes pelo regulamento da SEFAZPAF-ECF e agora pela NFC-e. A automação comercial usada nos postos de combustíveis, trabalha em conjunto com as bombas de combustíveis e os frentistas. As bombas de combustíveis, nos postos, são os geradores de dados para o posto. É através das bombas que os consumidores recebem o que compram, e é o papel da automação registrar os dados oriundos dos abastecimentos e associar o frentista para o seu respectivo abastecimento. Esses dados são enviados para sistemas comerciais que fazem atratativa do gerenciamento de venda. Este estudo tem por finalidade usar os conceitos da ciência de dados e machine learning, para identificar falhas, possíveis fraudes, automatizar a análise dos logs e extrair dados relevantes para a análise de abastecimentos através delogs. Por isso, foram criados algoritmos de identificação de falhas e fraudes, que alimentam uma tabela de dados, e posteriormente, é criada uma machine learning, alimentada por essa tabela, para que seja possível prever futuros abastecimentos com erro. Após a aplicação dos treinos e testes, a máquina teve uma precisão (precision) de 96% de acerto das previsões de falhas nos abastecimentos.