Análise e Mapeamento de Sinistros na Ambev
No início do ano de 2020, a Ambev abriu um edital voltado para empresas juniores, e nosso projeto foi selecionado. A principal produtora de bebidas também é uma das maiores empresas do Brasil e possuía diversos dados referentes às cargas que sofreram sinistro, ou seja, que foram roubadas, perdidas e situações similares. Pesquisando, encontramos que somente na região de Campinas, foram registrados cerca de 600 casos de roubos de carga por mês em 2019. Então, fizemos o questionamento: como analisar as rotas mais seguras, com base no histórico existente? A solução que chegamos foi procurar essas informações dentro dos dados da empresa, assim entramos em contato com a Ambev para elaborar o projeto. Desse modo, da mesma forma que ocorre em várias empresas (veja aqui a matéria da Exame), a maneira como tais dados eram armazenados não permitia que houvesse uma comunicação lógica entre as informações, tornando-as quase incompreensíveis para eles. Então, nossa proposta foi realizar uma análise desses dados a fim de conseguir mapear as causas por trás dos sinistros, aumentando o conhecimento da Ambev sobre seu processo de transporte de cargas. Resultados do projeto A primeira etapa consistiu em se familiarizar com os dados e iniciar o tratamento deles, para torná-los uniformizados. Esse processo foi essencial para começarmos a fazer análises sobre o conjunto de dados. Em seguida, executamos a categorização dos dados para conseguir analisar a correlação das variáveis e produzir gráficos que orientassem a visualização das informações relevantes. Como último passo, elaboramos e enviamos um relatório que permitisse a Ambev entender facilmente as causas por trás dos sinistros. No fim, foram gerados diversos gráficos que transcreviam informações como o produto mais sinistrado ou época do ano com maior frequência de sinistros. Além disso, fizemos um mapa de calor interativo que nos mostrava as ocorrências de sinistro ao longo de todo nosso país. Tais gráficos foram fundamentais para o entendimento de todos os dados possuídos, já que as informações passaram a ser apresentadas de forma visual e intuitiva. Assim, a Ambev tinha em suas mãos uma maneira extremamente eficaz de compreender a origem de seus problemas de transporte de carga. Quer saber mais como usar os dados gerados na sua empresa a seu favor e encontrar soluções para seus principais problemas? Não hesite em entrar em contato agora mesmo, agende uma consultoria com um de nossos consultores.
Otimização com Machine Learning para Petrobras
O projetoA Petrobras, maior empresa do Brasil segundo o Forbes Global 2000 (2022),procurou a Quanta Jr. para otimizar seus resultados a partir de um banco de dados jáexistente na empresa. Assim como muitas empresas grandes e pequenas, a Petrobrástambém tinha à sua disposição diversos dados aptos a serem utilizados. A Quanta Jr. foicapaz de realizar esta otimização com Machine Learning.No projeto, fizemos uma análise sobre a corrosão dos navios da empresa a partirdos dados que a Petrobras disponibilizou. Feita tal análise, a equipe da Quanta Jr.utilizou técnicas de Machine Learning para prever o estado da corrosão após umdeterminado tempo, com intuito de focar a pintura anticorrosiva em partes prováveis dedanificação. Otimização com Machine LearningPrimeiramente, a Quanta Jr. recebeu da Petrobras um banco de dados e, destebanco, extraímos os dados relevantes para o projeto. Após a extração, a Quanta fez amanipulação de alguns dados para facilitar o seu uso posteriormente, como a limpeza, anormalização e a redução de dimensionalidade. Vale ressaltar que o banco de dados, jáorganizado e manipulado para este fim específico, também foi entregue ao cliente.Então, com estes dados em mão, construímos e treinamos um algoritmo deMachine Learning utilizando Python como linguagem de programação. Para quem temalgum conhecimento de Machine Learning, deve saber que existem várias técnicas asquais podemos utilizar na construção de um destes softwares. Portanto, no projeto emquestão, a Quanta utilizou uma técnica chamada Random Forest. Com ela, é possívelchegar em previsões a partir da criação de várias árvores de decisão, combinando seusdiferentes resultados para conseguir a previsão final.Dessa forma, após construir e treinar o algoritmo com o banco de dados queextraímos e organizamos, foi preciso avaliar e ajustar os hiperparâmetros dele. Narealização destes ajustes, a Quanta fez testes para observar o funcionamento doalgoritmo a fim de adaptar o projeto para o formato final de entrega. O que entregamosFinalmente, a Quanta entregou, neste projeto, um software de Machine Learning,o qual prediz o valor da corrosão após um determinado período, e um banco de dadoslimpo e normalizado seguindo as especificações acordadas com a Petrobras.Apesar de a Petrobras ser a maior empresa do Brasil, é preciso enfatizar que estetipo de otimização é recomendado para empresas de qualquer tamanho, inclusivepequenas e micro empresas. E aí, sabia que os dados da sua empresa podem ajudá-la a alavancar seusresultados? Agora que sabe, não deixe de entrar em contato com a Quanta Jr. pararealizarmos, em conjunto, sua própria otimização com Machine Learning.
