Aplicação de um modelo de descoberta de conhecimento na era do Big Data

Autores

DOI:

https://doi.org/10.47456/bjpe.v7i3.35743

Palavras-chave:

Desenvolvimento de produto, Descoberta de conhecimento, Big data, rede social

Resumo

A facilidade e a evolução do acesso tecnológico têm sido responsáveis pela velocidade e pelo volume com que os dados são produzidos. Em consequência, surgem cenários, oportunidades e desafios que favorecem as tomadas de decisão e auxiliam o processo de desenvolvimento do produto (PDP). Diante disso, o presente trabalho desenvolveu o modelo denominado MDC-PDP (Modelo de descoberta de conhecimento no processo de desenvolvimento de produto), com objetivo de apoiar a descoberta de conhecimento no processo de desenvolvimento do produto. Para dar suporte ao modelo, foram utilizadas as metodologias tradicionais associadas às demandas do Big Data. Para ilustrar a sua aplicação, o presente modelo foi aplicado no domínio de aplicação da indústria de moda. O modelo evidenciou que esforços empreendidos na compreensão antecipada dos dados, podem contribuir para que os dados extraídos sejam menos complexos. Outra evidência é a dissociação entre volume e valor dos dados, pois o valor dos dados não está vinculado ao seu volume. Por fim o MDC-PDP também contribuiu na obtenção de conhecimentos úteis e novos no desenvolvimento de coleção de moda, sendo possível aplicar o modelo em outros domínios de aplicação.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

  • Emerson Rabelo, Instituto Federal do Paraná

    Possui graduação em Informática pela Universidade Estadual de Maringá (UEM-2003); Mestrado em Ciência da Computação pela Universidade Estadual de Maringá (UEM-2007). Doutorado em Engenharia de Produção pelo Programa de Pós-Graduação em Engenharia da Universidade Metodista de Piracicaba (UNIMEP);  Atualmente é professor de dedicação exclusiva do Instituto Federal do Paraná . Tem experiência na área de Ciência da Computação, atuando principalmente nos seguintes temas: Banco de dados, KDD, Data Mining , Big Data, engenharia de software, sistema operacional, sistema de informação e sistema distribuído.

  • Fernando Celso de Campos, UNIMEP – Universidade Metodista de Piracicaba - PPGEP/FEAU

    Possui graduação em Ciência da Computação pelo Instituto de Ciências Matemáticas de São Carlos (ICMSC-USP) (1987), mestrado em Engenharia Mecânica pela Escola de Engenharia de São Carlos (EESC-USP) (1994), doutorado em Engenharia Mecânica pela Faculdade de São Carlos Engenharia (EESC-USP) (1999), pós-doutorado em Engenharia de Produção pelo DEP-UFSCar (2016). Atualmente é professor e pesquisador da Universidade Metodista de Piracicaba-UNIMEP atuando em cursos de graduação e pós-graduação. Tem experiência na área de Engenharia de Produção, com ênfase em Tecnologia da Informação Aplicada (sistema de informação, modelagem de processos, governança de TI, ERP, gestão do conhecimento), Tecnologias Digitais (Business Intelligence, BIA, Big Data Analysis, IoT), Green IT. Sustentabilidade (TI Verde, Economia Circular, Produção Mais Limpa), Indústria 4.0, Manutenção Industrial (PCM, Preventiva, Preditiva, Prescritiva, TPM), APL / gestão de cluster / modelos de cooperação, gestão de operações estratégicas e alternativas de projeto. Atuou na Engenharia de Métodos em projetos de melhoria contínua (Lean Manufacturing, SMED, Lean Office, Lean Healthcare, Gestão do uso de tecnologias na área da saúde).

  • Leandro Magno Correa da Silva, IFPR - Instituto Federal do Paraná

    Professor do ensino básico, técnico e tecnológico no IFPR - Instituto Federal do Paraná. Mestre em Inovações Tecnológicas pela UTFPR - Universidade Tecnológica Federal do Paraná. Especialista em Tecnologia da Informação pelo SPEI - Sociedade Paranaense de Ensino em Informática. Bacharel em Ciência da Computação pela UEM - Universidade Estadual de Maringá - Mestrado profissional em Inovações Tecnológicas - Universidade Tecnológica Federal do Paraná, UTFPR. Experiência em Ciência da Computação nos temas: Desenvolvimento e Engenharia de Software, Algoritmos, Sistemas Operacionais, Arquitetura de Computadores, Bancos de Dados, Redes de Computadores, Sistemas Distribuídos e Inteligência Artificial.

Referências

Asamoah, D. A., & Sharda, R. (2015). Adapting CRISP-DM Process for Social Network Analytics: Application to Healthcare. Twenty-First Americas Conference on Information Systems, Puerto Rico, 2015, (Mdd), 1–12.

Begoli, E., & Horey, J. (2012). Design Principles for Effective Knowledge Discovery from Big Data. Proceedings of the Joint Working IEEE/IFIP Conference on Software Architecture and European Conference on Software Architecture, Helsinki, Finland, 2012. 215–218. https://doi.org/10.1109/WICSA-ECSA.212.32

Davenport, T. (2014). Big data at work: dispelling the myths, uncovering the opportunities. Harvard Business Review Press.

Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3), 37. https://doi.org/10.1609/aimag.v17i3.1230

Gantz, J., Reinsel, D., & Shadows, B. D. (2012). The Digital Universe in 2020. IDC iView “Big Data, Bigger Digital Shadows, and Biggest Growth in the Far East,” 2007(December 2012), 1–16.

Halvorsen, K., Hoffmann, J., Coste-Manière, I., & Stankeviciute, R. (2013). Can fashion blogs function as a marketing tool to influence consumer behavior? Evidence from Norway. Journal of Global Fashion Marketing, 4(3), 211–224. https://doi.org/10.1080/20932685.2013.790707

Hashem, I. A. T., Yaqoob, I., Anuar, N. B., Mokhtar, S., Gani, A., & Ullah Khan, S. (2015). The rise of “big data” on cloud computing: Review and open research issues. Information Systems, 47, 98–115. https://doi.org/10.1016/j.is.2014.07.006

Kaisler, S., Armour, F., Espinosa, J. A., & Money, W. (2013). Big data: Issues and challenges moving forward. In System Sciences (HICSS), Proceedings of the Hawaii International Conference, HI, USA, 46.

Li, J., Tao, F., Cheng, Y., & Zhao, L. (2015). Big Data in product lifecycle management. The International Journal of Advanced Manufacturing Technology, 81(1–4), 667–684. https://doi.org/10.1007/s00170-015-7151-x

Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Byers, A. H. (2011). Big data: The next frontier for innovation, competition, and productivity. McKinsey & Company. Retrieved from https://www.mckinsey.com/~/media/McKinsey/Business%20Functions/McKinsey%20Digital/Our%20Insights/Big%20data%20The%20next%20frontier%20for%20innovation/MGI_big_data_exec_summary.pdf

McAfee, A., & Brynjolfsson, E. (2012). Big Data. The management revolution. Harvard Buiness Review, 90(10), 61–68. https://doi.org/10.1007/s12599-013-0249-5

Milonas, E. (2011). Wittgenstein and web facets. NASKO, 3(1), 33–40.

Piatetsky, B. G. (2014). CRISP-DM, still the top methodology for analytics, data mining, or data science projects. Retrieved from http://www.kdnuggets.com/2014/10/crisp-dm-top-methodology-analytics-data-mining-data-science-projects.html

Rabelo, E., Dias, M., Franco, C., & Pacheco, R. C. S. (2008). Information visualization: Which the most appropriate technique to represent data mining results? Proceedings of the International Conference on Computational Intelligence for Modelling Control and Automation, CIMCA 2008, Vienna, Áustria. (pp. 1228–1233). https://doi.org/10.1109/CIMCA.2008.139

Schröer, C., Kruse, F., & Gómez, J. M. (2021). A Systematic Literature Review on Applying CRISP-DM Process Model. Procedia Computer Science, 181, 526-534.

Shiri, A. (2014). Making sense of big data: A facet analysis approach. Knowledge Organization, 41(5), 357–368. Retrieved from http://www.scopus.com/inward/record.url?eid=2-s2.0-84913553153&partnerID=tZOtx3y1

Wu, X., Zhu, X., Wu, G.-Q., & Ding, W. (2014). Data mining with big data. IEEE Transactions on Knowledge and Data Engineering, 26(1), 97–107. https://doi.org/10.1109/TKDE.2013.109

Zhang, Y., Ren, S., Liu, Y., & Si, S. (2017). A big data analytics architecture for cleaner manufacturing and maintenance processes of complex products. Journal of Cleaner Production, 142, 626–641. https://doi.org/10.1016/j.jclepro.2016.07.123

Zhuang, Y., Wang, Y., Shao, J., Chen, L., Lu, W., Sun, J., … Wu, J. (2016). D-Ocean: an unstructured data management system for data ocean environment. Frontiers of Computer Science, 10(2), 353–369. https://doi.org/10.1007/s11704-015-5045-6

Zikopoulos, P., Eaton, C., & et al. (2011). Understanding big data: Analytics for enterprise class hadoop and streaming data. McGraw-Hill Osborne Media.

Downloads

Publicado

17.08.2021

Edição

v. 7 n. 3 (2021): Número Regular (Julho - Setembro)

Seção

ENGENHARIA DO PRODUTO

Licença

Copyright (c) 2021 Emerson Rabelo, Fernando Celso de Campos, Leandro Magno Correa da Silva (Autor)

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Todos os trabalhos publicados na Brazilian Journal of Production Engineering (BJPE) estão licenciados sob a Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

Isso significa que:

  • Qualquer pessoa pode copiar, distribuir, exibir, adaptar, remixar e até utilizar comercialmente os conteúdos publicados na revista;

  • Desde que sejam atribuídos os devidos créditos aos autores e à BJPE como fonte original;

  • Não é exigida permissão adicional para reutilização, desde que respeitados os termos da licença.

Esta política está em conformidade com os princípios do acesso aberto, promovendo a ampla disseminação do conhecimento científico.

Como Citar

Rabelo, E., Campos, F. C. de, & Silva, L. M. C. da. (2021). Aplicação de um modelo de descoberta de conhecimento na era do Big Data. Brazilian Journal of Production Engineering, 7(3), 106-125. https://doi.org/10.47456/bjpe.v7i3.35743

Artigos Semelhantes

1-10 de 850

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.