1 INTRODUÇÃO
Os sistemas de abastecimento hídrico e
de tratamento de esgoto representam parcela significativa do processo de
saneamento básico na sociedade. Tais sistemas são compostos por ativos
tangíveis que demandam manutenção e revisão de forma periódica com os
investimentos necessários.
Tendo em vista a demanda e importância
de tais ativos e dos serviços a eles relacionados, existem órgãos públicos que
atuam como agências reguladoras e desempenham um papel essencial no processo de
gerência dos recursos disponíveis. Dessa forma, visando regular, fiscalizar e
zelar pela qualidade dos serviços públicos delegados pelo estado, como por
exemplo, energia elétrica, água, esgoto e gás natural canalizado.
As agências reguladoras possuem, como
uma das suas responsabilidades, realizar as revisões tarifárias, onde se
calcula o índice de reajuste a ser aplicado na tarifa para proporcionar ao
prestador de serviço a receita anual necessária para recuperar os custos
operacionais considerados eficientes e remunerar os investimentos realizados
com prudência. Nessa ocasião, são verificadas todas as condições da prestação
dos serviços, seus custos, receitas, remuneração de investimentos, de acordo
com metodologia previamente definida por cada um dos órgãos.
1.1 DESCRIÇÃO
DO PROBLEMA
A consistência dos dados é de
fundamental importância para uma melhor assertividade nas revisões. No entanto,
como a maior parte dos dados é encaminhada por outros agentes que não são da
própria agência reguladora, informações de suma relevância não são informadas,
o que leva a um processo manual e analítico dos analistas responsáveis pela
revisão.
Deste modo, o processo de revisão
tarifária descrito, atualmente estabelecido nas organizações para tomada de
decisões é lento, pouco eficaz, executado manualmente e suscetível a falhas
humanas, em decorrência da grande quantidade e variedade de dados disponíveis
nas bases de ativos existentes para análise.
Sendo assim, os órgãos necessitam de
uma solução refinada com a implantação de um sistema analítico mais eficiente,
capaz de extrair maiores e mais relevantes informações sobre os componentes dos
sistemas pertencentes às companhias reguladas. Transformando, desta forma, os
dados atuais em informações importantes que agreguem mais valor ao trabalho das
organizações.
1.2 OBJETIVOS
Este projeto tem como objetivo
classificar, com o auxílio de técnicas e ferramentas de Mineração de Dados
(MD), a qual serviço um determinado ativo está integrado, sendo ele de água ou
esgoto. São objetivos específicos:
● Classificar os ativos de acordo com
o tipo de serviço do qual o mesmo faz parte.
● Filtrar os dados existentes na base
de dados para adquirir apenas as informações úteis para o processamento.
● Auxiliar e otimizar o trabalho dos
funcionários das agências reguladoras.
1.3 JUSTIFICATIVA
Como o processo de revisão tarifária
exige uma divisão primária entre ativos e suas regiões, bem como o tipo de
serviço do qual está associado. Dentre a grande quantidade de dados disponível,
muitos ativos não possuem essa divisão básica informada, sendo esse problema
contornado com análises que demandam tempo demasiadamente.
Dado o potencial da problemática
levantada e a enorme quantidade de dados disponíveis, identificou-se uma ótima
oportunidade de desenvolver de forma prática os conhecimentos teóricos
adquiridos ao longo da disciplina.
O lado social também foi um ponto
decisivo para a escolha, tendo em vista a oportunidade de desempenhar um papel
importante em um sistema que afeta diretamente a economia. Como por exemplo,
impactar os mais de 9.5 milhões de residentes do estado de Pernambuco, de
acordo com as projeções do Instituto Brasileiro de Geografia e Estatística
(IBGE) para o ano de 2020.
1.4 ESCOPO
NEGATIVO
A ideia principal de implantar um
sistema que extrai informações mais relevantes dos dados disponibilizados não
contempla a identificação e/ou desenvolvimento de técnicas para a obtenção dos
dados mencionados. Assim como, o objetivo final do trabalho desempenhado não
visa o reajuste da equação final, mas sim auxiliar no processo de revisão.
2 FUNDAMENTAÇÃO TEÓRICA
2.1 GESTÃO
DE ATIVOS
Para Perez e Famá [1], a contabilidade básica define ativos
os bens e os direitos de uma entidade, expressos em moeda e à disposição da
administração. Em uma ótica econômica, ativos são recursos que são controlados
pela empresa e que são dotados da capacidade de gerar fluxo de caixa para os
seus detentores. Para a Associação Brasileira de Manutenção de Gestão de
Ativos (ABRAMAN), define ativo como algo que tenha valor real, ou potencial,
para uma organização.
Segundo Pereira [2], não há um consenso para definir
“valor”, sendo então um conceito que varia entre as organizações e seus
públicos de interesse, podendo ser classificados em tangível ou intangível,
financeiro ou não financeiro. Campbell et al. [3]. reforça em seu trabalho que há um
grande desafio nas organizações, para determinar o impacto do ativo, e a
identificação e categorização do que realmente é considerado ativo para os
mesmos.
Em 2014, uma série ISO 55000 foi
lançada [4], definindo um padrão global que
permite o gerenciamento de ativos de forma consistente e sustentável ao longo
do tempo, devidos custos com manutenções, períodos de inatividade e eficiência
operacional. Cantelli et al. [5], por sua vez, define a gestão de ativos como o tratamento
dado sobre os ativos físicos, utilizado para suportar a tomada de decisões,
priorização de investimentos, determinação de manutenção ideal dos ativos e a
frequência de renovação.
É evidente a importância que os ativos
representam dentro das suas organizações, sendo, então, necessário realizar a
gerência e gestão desse tipo de recurso de forma eficiente e eficaz para todos
os agentes envolvidos no processo.
2.2 MINERAÇÃO
DE DADOS
Segundo Fayyad [6], durante os últimos anos, o aumento
substancial na quantidade de dados tem mostrado a inviabilidade de tratar os
dados apenas com planilhas ou com a análise humana. Portanto, é necessário
encontrar ferramentas para a extração de informações relevantes dos dados é
essencial, sendo essa extração, para Fayyad, chamada de Knowledge Discovery
in Databases (KDD).
Para Zhang [7], um problema de classificação ocorre
quando objetos precisam ser atribuídos a um grupo ou uma classe previamente
definida, com base em um número de atributos observados para o objeto em
questão.
Árvores de decisão ou Decision Tree
são modelos estatísticos que utilizam um treinamento supervisionado para a
classificação e previsão de dados, realizando uma partição dos seus dados de
forma recursiva baseado nos valores de seus atributos.
Uma árvore de decisão é formada por
três componentes: nós de decisão, os quais representam atributos que são usados
para prever o resultado, nós de folha, que representam a resposta final do
algoritmo e um nó raiz, o qual contém a informação com maior ganho da árvore.
Uma métrica utilizada para calcular a
incerteza é a entropia. O ganho de informação é uma medida de como a incerteza
na variável alvo é reduzida, dado um conjunto de variáveis independentes
As árvores de decisão têm sido
aplicadas em várias áreas como, por exemplo, um sistema de admissão em
universidades [8],
análise de risco de crédito [9], análise de notas esportivas [10] e etc. De acordo com Patel [11], uma árvore é similar ao processo de tomada de decisão
humana, o que a torna mais facilmente explicável.
Random Forest ou Floresta Aleatória é um algoritmo
de aprendizado supervisionado que combina árvores de decisão, de forma que cada
árvore depende dos valores de um vetor aleatório amostrado independente e com
igual distribuição para todas as árvores que compõem a floresta [12].
A floresta aleatória emprega o método
de Bagging para gerar a previsão necessária [13]. Esse método realiza diferentes amostragens de dados
no treinamento, em vez de apenas uma amostra. As árvores de decisão individuais
produzem resultados diferentes, dependendo dos dados de treinamento fornecidos
ao algoritmo de floresta aleatório.
Em um processo de classificação com o
algoritmo de Random Forest, cada nó folha de cada árvore é a saída final
produzida por aquela árvore de decisão específica. O produto escolhido pela
maioria das árvores de decisão torna-se o produto final do sistema. Dentre as
aplicações do algoritmo de floresta aleatória, é possível citar trabalhos de classificação
no setor industrial e elétrico [14], no setor agrícola [15] e etc.
2.3 TRABALHOS
RELACIONADOS
O artigo de
Campos et al. [16] destaca as
características de análise de dados na área de manufatura com o foco em gestão
de ativos. Nele é proposto um modelo de arquitetura analítico baseado em três
camadas. A primeira destaca o uso de tecnologias baseadas nos 3 V 's do Big
Data. A segunda camada trataria os dados de forma analítica com técnicas de MD,
usando abordagens como o CRISP-DM. E a última camada se trata de uma camada de
visualização, o que facilitaria a extração de conhecimento por parte dos
cientistas e engenheiros de dados.
Para Mathew et
al. [17], a indústria de serviços
hídricos é um dos ramos que mais apresenta dificuldades para a gestão dos seus
ativos, devido aos seus grandes estoques de diferentes tipos de ativos, sendo
eles equipamentos mecânicos, elétricos, civis e etc. A partir disso, os autores
realizaram uma revisão da literatura e propuseram um modelo conceitual de Data
Warehouse (DW) baseado em estudos de casos.
Em Babovic et
al. [18] são utilizadas técnicas
de MD para determinar os riscos de rompimento de tubulações, os quais, de uma
forma geral, fazem parte dos ativos da rede de água e esgoto das cidades. Com
os dados obtidos em um estudo de caso, os autores elaboraram um modelo de
classificação, agrupando as tubulações em classes indicando qual a
probabilidade de determinada tubulação se romper baseado em parâmetros como
idade da tubulação, data da última manutenção, diâmetro e etc.
Já em Li e Gao [19] é proposto um modelo de MD baseado na
técnica multiagente para realizar a exploração de descrédito no serviço público
de oferta de água. Um sistema multiagente (MAS) é um sistema composto de
entidades independentes e fracamente acopladas que trabalham de forma conjunta
para a tomada de decisões. Desta forma, os autores propõem um sistema de MD que
inclui os agentes exploratórios, os agentes de mineração, os agentes de
identificação ou avaliação e um agente de interação humano-máquina, passando
por árvores de decisão, redes neurais multicamadas e protocolos de comunicação
Knowledge Query and Manipulation Language (KQML).
3 MATERIAIS E MÉTODOS
3.1 STAKEHOLDERS
ENVOLVIDOS
Quadro 1 – Stakeholders
do projeto.
|
STAKEHOLDER
|
DESCRIÇÃO
|
|
Analistas e
técnicos de regulação
|
Os únicos
apoiadores diretos. São funcionários da ARPE que estão em constante contato
com a equipe para auxiliar nas etapas do desenvolvimento do projeto.
|
|
Concessionária
do serviço público
|
COMPESA faz
parte dos apoiadores indiretos.
|
|
Poder
concedente
|
Estado de
Pernambuco
|
|
Usuários do
serviço
|
Sociedade
pernambucana que usufrui do serviço.
|
Fonte: Os Autores.
3.2 DESCRIÇÃO
DA BASE DE DADOS
Quadro 2 – Dicionário
de dados da base de ativos.
|
NOME
|
DESCRIÇÃO
|
TIPO
|
TAM.
|
|
sistema
|
Nome do
sistema que o ativo está inserido.
|
String
|
255
|
|
município
|
Nome do
município onde o ativo está situado.
|
String
|
255
|
|
grupo_ativo
|
Grupo no
qual o ativo é classificado.
|
String
|
255
|
|
valor_aquisicao
|
Valor de
compra do ativo em Reais.
|
Float
|
20
|
|
valo_depreciacao_acumulada
|
Valor total
da depreciação acumulada do ativo.
|
Float
|
20
|
|
valor_mercado
|
Valor atual
do ativo.
|
Float
|
20
|
|
situação_imovel
|
Status de
operação do imóvel.
|
String
|
255
|
|
tipo
|
Indicativo
de qual tipo de ativo (Esgoto ou água).
|
String
|
255
|
|
regiao
|
Região onde
o ativo está localizado (RMR ou interior)
|
String
|
255
|
|
microrregião
|
Nome da
microrregião que subdivide a região.
|
String
|
255
|
|
mesoregião
|
Nome da
mesoregião que congrega diversos municípios.
|
String
|
255
|
Fonte: Os Autores.
Os dados
disponibilizados pela ARPE, a fim de serem utilizados no desenvolvimento deste
trabalho e possibilitar a extração de informações mais relevantes, consistem em
aproximadamente 63 mil linhas de registros. A base de dados representa os
ativos, que são um componente essencial da equação tarifária nos processos de
revisões ordinárias da COMPESA.
A base é, originalmente,
constituída por 29 colunas que contém informações sobre cada sistema que
compõem as redes de tratamento de esgoto e de água encanada do estado de
Pernambuco. Após realizar um tratamento inicial da base, foram obtidas 11
colunas que teriam suma relevância para a análise do problema, como mostra o
Quadro 2.
3.3 ANÁLISE
DESCRITIVA DOS DADOS
A partir do
tratamento dos dados, foi realizada uma análise gráfica das informações
disponíveis. De acordo com a Figura 1, é possível observar uma maior
concentração de imóveis ocupados pela COMPESA para a prestação do serviço de
água e tratamento de esgoto. Esses imóveis são elegíveis e juntamente com os
classificados como: Em operação, equivale a 61% dos ativos totais. Em contrapartida,
os imóveis inelegíveis são classificados como: Abandonado; Inelegível Arpe;
Invadido por terceiros e Ocupado por terceiros, somando um total de 1.707
terrenos, o que representa cerca de 39% do total de ativos imóveis.
Figura
1 – Análise gráfica da situação do imóvel.
Fonte: Os
Autores.
Com base na análise
da Figura 2, fica notória a discrepância na alocação de recursos para a
distribuição de água tratada entre a Região Metropolitana do Recife (RMR) e o
interior do Estado.
Figura 2 – Distribuição dos ativos de Esgoto e
Água por região do Estado.
Fonte: Os Autores.
O esgoto da RMR é
composto por 359 ativos, que representam 58,6% do total do sistema de esgoto do
Estado. Observa-se que, para esses recursos, o quantitativo entre as regiões
analisadas não difere tanto comparado aos ativos de água tratada, os quais
representam apenas 15% dos ativos na RMR.
A partir da
identificação da necessidade de observar os dados em um contexto regional,
foram introduzidas duas novas colunas na base de ativos que facilitaram o
entendimento dos valores disponíveis. A coluna de microrregião foi inserida com
o objetivo de agrupar os 174 municípios presentes durante o tratamento de dados
dos seus sistemas. O estado de Pernambuco é dividido em 19 microrregiões, das
quais 18 foram utilizadas no mapeamento realizado, tendo em vista que Fernando
de Noronha não participou da análise.
Para alcançarmos uma
visualização ainda mais macro, a coluna de mesorregião foi adicionada, de forma
que agrupou os municípios e microrregiões nas 5 mesorregiões presentes na
divisão do estado pernambucano. A Figura 3 mostra a distribuição das micro e
mesorregiões de Pernambuco.
Figura 3 – Distribuição das microrregiões e
mesorregião no estado de Pernambuco.
Fonte: Agência Condepe/Fidem [20]
A partir dos novos
relacionamentos entre os municípios conhecidos e as regiões inseridas na
tabela, foi possível realizar análises gráficas mais relevantes e com uma maior
facilidade de se extrair as informações devido à simplicidade dos gráficos
gerados.
Inicialmente foi
criado um gráfico (Figura 4) onde é possível avaliar o valor de mercado dos
ativos dos municípios que foram somados por sistemas contidos nas
microrregiões. É notável a disparidade entre os valores da microrregião do Recife
quando comparada às outras 17 analisadas. No entanto, deve-se levar em
consideração que na base tratada, o município do Recife possui a maior
quantidade de ativos totais somando todos os sistemas presentes na Região, o
que pode comprometer a análise realizada.
Figura
4 – Análise dos valores de mercado total
dos ativos por microrregiões do Estado.
Fonte: Os
Autores.
Em seguida, foi
realizada uma análise acerca da depreciação acumulada sobre os ativos em
questão, e para esse cálculo, leva-se em consideração o valor de aquisição do
ativo subtraindo seu atual valor de mercado.
Observa-se que a
microrregião do Recife ainda se destaca das demais, possuindo o maior valor em
somatório da depreciação dos ativos dos sistemas contidos na região (Figura 5).
Figura
5 – Análise dos valores de depreciação
acumulada dos ativos por microrregiões do Estado.
Fonte: Os Autores.
A mesma análise foi
realizada a partir das mesorregiões de Pernambuco, com o objetivo principal de
se obter uma visualização mais generalizada das depreciações acumuladas nas
regiões, que reúnem diversos municípios de uma área geográfica com
similaridades econômicas e sociais (Figura 6).
Figura
6 – Análise dos valores de depreciação
acumulada dos ativos por mesorregiões do Estado.
Fonte: Os Autores.
3.3 PRÉ-PROCESSAMENTO DOS DADOS
Durante o desenvolvimento do trabalho,
uma das etapas que mais consumiu tempo foi a execução do pré-processamento dos
dados originais gerados pela COMPESA e disponibilizados pela Arpe. Esse
processo consistiu em um conjunto de atividades que envolveram preparação,
organização e estruturação dos dados. A Figura 7 mostra o fluxograma do
pré-processamento.
Figura
7 – Fluxograma do pré-processamento.
Fonte: Os Autores.
As etapas de pré-processamento dos
dados consistiram em:
1 - A primeira ação realizada durante
essa etapa foi a remoção de registros com valores faltantes para colunas
relevantes da base. Os ativos que não possuíam valores para tais colunas não
seriam importantes para realizar a classificação e valoração dos ativos.
2 - A partir do resultado obtido
anteriormente, foram removidas colunas que não agregavam valor ao objetivo do
trabalho, como, por exemplo, as colunas de datas, endereços dos ativos e
identificadores.
3 - Ainda no processo de tratamento da
base, foi realizada a divisão de uma coluna que continha duas informações
relevantes, o “tipo” (esgoto ou água encanada) e a “regiao”, onde o mesmo se
localiza (RMR ou interior). A referida divisão gerou uma coluna a mais na base,
o que resultou em um objeto de trabalho com maior granularidade e proporcionou
uma análise crítica sobre os valores distribuídos nas regiões do estado de
Pernambuco.
4 - Foi feita a transformação de
palavras do campo “regiao” de letras maiúsculas para minúsculas, visando manter
a consistência e singularidade dos registros.
5 - Colunas originalmente textuais que
representavam valores (valor_aquisição, valor_depreciacao_acumulada e
valor_mercado) foram formatadas e convertidas para colunas numéricas, através
da substituição de vírgulas por pontos, remoção de caracteres inválidos (+ e
-), substituição de valores nulos por zeros para a depreciação dos terrenos e
finalmente a conversão para o tipo numérico float. Possibilitando, dessa forma,
a realização de operações com seus registros e a análise gráfica dos dados.
6 – Por fim, para entrada do modelo,
os valores categóricos foram codificados com a técnica de label encoding e os
demais valores foram normalizados usando a técnica de mínimo-máximo, a qual
segue a Equação (1).
(1)
Onde, 
é o valor normalizado, x é o valor atual, min(x) é o menor
valor da coluna e max(x) é o maior valor presente na coluna.
Após o tratamento dos dados, foi
possível notar a necessidade de observá-los através de diferentes perspectivas
para um melhor entendimento dos registros disponíveis. Por conta disso, novas
colunas foram adicionadas à tabela para auxiliar no relacionamento entre os
valores existentes e a interpretação dos mesmos de forma mais relevante.
Portanto, a partir do
pré-processamento realizado, é notável a importância da execução do tratamento
dos dados antes da aplicação de modelos ou técnicas de MD.
3.3 METODOLOGIA EXPERIMENTAL
A partir do
tratamento da base de dados original, foi observada a lacuna existente nos
valores do tipo de serviço prestado. Foram, então, implementados algoritmos de
classificação, como árvore de decisão e floresta aleatória, buscando alcançar
um modelo capaz de prever a informação faltante, com uma alta acurácia, baseada
nos dados das demais colunas disponíveis.
Inicialmente, se fez
necessário realizar um balanceamento das classes a serem preditas para
desenvolver a solução, para isso duas abordagens foram implementadas.
A primeira delas foi
o undersampling [21], que se refere a um grupo de técnicas projetadas para equilibrar
a distribuição distorcida de classes para um conjunto de dados de classificação
diminuindo o número de elementos da classe maioritária.
A segunda abordagem
foi o SMOTE (Synthetic Minority Oversampling Technique) [22] que é um dos métodos
de sobre-amostragem mais comumente usados para também resolver o problema de
desequilíbrio. Seu objetivo é equilibrar a distribuição de classes, aumentando
aleatoriamente os exemplos de classes minoritárias, replicando-os.
Na criação dos
modelos, as features dadas como entradas para os algoritmos de
classificação foram: região, valor de depreciação, valor de mercado, valor de
aquisição, situação do imóvel e grupo ativo.
4 ANÁLISE E DISCUSSÃO DOS RESULTADOS
4.1 RESULTADOS
Em relação as
técnicas de balanceamento dos dados tanto para árvore de decisão quanto para a
floresta aleatória, o melhor resultado obtido entre as duas abordagens foi undersampling,
enquanto a técnica de SMOTE gerou o problema de overfitting em ambos os
algoritmos.
Com a abordagem de undersampling,
foram utilizadas 4196 instâncias dos dados, onde 2098 eram ativos com o tipo de
serviço de água (classe 1) e os 2098 restantes, eram do tipo de serviço de
esgoto (classe 0). Esses dados foram divididos em 75% para treino e 25% para
testes para garantir uma melhor avaliação do modelo final.
A Tabela 1 mostra o
comparativo entre os modelos avaliados para o trabalho. Como se pode observar,
apesar dos valores próximos, o algoritmo random forest obteve melhores
resultados em todas as taxas analisadas.
Tabela
1 – Comparativo dos modelos.
|
|
Acuracy
|
ROC
|
Recall
|
Precision
|
F1
|
|
RF
|
79,9%
|
87,6%
|
81,5%
|
79,4%
|
80,4%
|
|
DT
|
77,9%
|
82,2%
|
76,6%
|
79,2%
|
77,8%
|
Fonte: Os Autores.
Como demonstrativo das taxas modelo
construído com random forest, a Figura 8 mostra a curva ROC (Receiver
Operating Characteristic).
Figura
8 – Curva ROC do modelo com Random
Forest.
Fonte: Os Autores.
Na Figura 9
tem-se uma explicitação da análise percentual por classe dos valores preditos
com o modelo de melhor taxa.
Figura 9 – Random
Forest: taxas por classe.
Fonte: Os Autores.
4.2 DISCUSSÃO
Como visto na seção anterior, o modelo
baseado no algoritmo de floresta aleatória obteve melhor desempenho em todas as
métricas analisadas.
Como explicitado na Figura 9, na base
de testes composta por 533 ativos com tipo de serviço de água e 517 esgoto, observa-se
que as taxas precision, recall e f1-score se mantêm com baixa variância em
ambas as classes, o que nos mostra uma boa robustez para o modelo.
Quanto a curva ROC demostrada na Figura
8, para ambas as classes foi obtido um valor de 0.88, o que reforça ainda mais
uma consistência na distinção entre as diferentes classes.
5 CONCLUSÕES
E TRABALHOS FUTUROS
O processo de revisão tarifária é uma
tarefa prolongada para os analistas e um dos fatores que contribui para o
aumento do tempo despendido é a falta de dados com alta relevância para a
realização da análise.
Para sanar esse problema, a solução
encontrada pela agência se resume em aplicar índices médios nas lacunas
existentes na base de dados.
Por ser um trabalho manual e maçante,
esta análise está amplamente sujeita a erro humano, podendo reduzir a precisão
e influenciar negativamente nos resultados do processo de revisão tarifária.
Sendo assim, aplicar um modelo de
classificação para predizer parte das informações faltantes poderá ter uma
contribuição relevante para os envolvidos no processo.
Visando a continuidade do presente
trabalho e consequente melhoria da base de dados original, identificou-se a
possibilidade de realizar um agrupamento a partir da coluna de Sistema, de
forma que seja possível unir todos os ativos que compartilham as mesmas
características de endereço e tipo de serviço em sistemas reais. Desta forma,
reduzindo a falta dessas informações e aumentando a precisão dos cálculos
realizados pela agência reguladora.
Além disso, apesar dos resultados
alcançados pelo modelo desenvolvido terem sido satisfatórios, ainda há
possibilidade de melhoria em suas taxas, por meio de testes de outros
algoritmos de classificação ou modelos mais robustos baseados em aprendizado
profundo.
REFERÊNCIAS
[1] PEREZ, Marcelo Monteiro; FAMÁ, Rubens. Ativos intangíveis e o
desempenho empresarial. Revista de Contabilidade & Finanças, São
Paulo, v. 17, n. 40, Abr. 2006.
[2] PEREIRA, Luciana Maria Pinho. Gestão de Ativos:
Estudo de Caso em Empresa de Telecomunicações. 2016. Dissertação em
Mestrado em Engenharia de Produção, PUC-Rio.
[3] CAMPBELL, John; JARDINE, Andrew; McGLYNN, Joel. Asset Maintenance Excellence: optimizing
equipment life cycle decision,
CRC Press; 2nd ed, 2011.
[4] International Standards Organization. ISO
55000: Asset management - Overview, principles and terminology. ISO, 2014.
[5] CATELLI,
Armando; PARISI, Cláudio; SANTOS, Edilene Santana. Gestão econômica de
investimentos em ativos fixos. Revista Contabilidade & Finanças, v. 14, n. 31, Abr. 2003.
[6] FAYYAD, U.; SHAPIRO, G.P.; SMYTH, P. From
Data Mining to Knowledge Discovery in Databases. AI magazine, vol. 17,
n. 3, 1996.
[7] ZHANG, G. P. Neural networks for
classification: a survey. In: IEEE Transactions on Systems,
Man, and Cybernetics, Part C (Applications and Reviews), 2000. vol. 30, pp.
451-462.
[8] MASHAT, A. F. et al. A Decision Tree
Classification Model for University Admission System. In: International
Journal of Advanced Computer Science and Applications, 2012. vol. 3, N. 10.
[9] KABARI, L. G; NWACHUKWU, Enoch. Credit Risk
Evaluating System Using Decision Tree – Neuro Based Model. In: Nigerian
Journal of Tecnology, 2009. vol. 28, no. 1.
[10] LINI, Z. Application of Research on
Decision Tree Algorithm for Sports Grade Analysis. In: The Open
Automation and Control Systems Journal, 2012, vol. 7. pp. 2300-2305.
[11] PATEL, H. PRAJAPATI, P. Study and Analysis
of Decision Tree Based Classification Algorithms. In: International
Journal of Computer Sciences and Engineering, 2018. vol. 6, issue-10.
[12] BREIMAN, L; Random forest. In: Machine Learning,
vol. 45 pp. 5-32, 2001.
[13] BÜHLMAN, P; Bagging, Boosting and Ensemble methods. In:
Handbook of Computational Statistics, 2012.
[14] LOPES, T. D et al;
Aplicação do Algoritmo Random Forest como Classificador de Padrões de Falhas em
Rolamentos de Motores de Indução. In: XIII Simpósio
Brasileiro de Automação Inteligente, ed. 1, 2017.
[15] YOU, J et al; Application of random forest
classification to predict daily oviposition events in broiler breeders fed by
precision feeding system, In: Computers and Electronics in
Agriculture, 2020, v. 175.
[16] CAMPOS, Jaime et al. A big data analytical
architecture for the Asset Management. In: The 9th CIRP IPSS Conference:
Circular Perspectives on Product / Service-Systems. 2017. pp. 369 –
374 .
[17] MATHEW, Avin et al. A Water Utility Industry
Conceptual Asset Management Data Warehouse Model. In: Proceeding of
the 36th International Conference on Computers and Industrial Engineering.
2006. National Tsing Hua University, CD Rom, pp. 1-11.
[18] BABOVIC, Vladan et al. A data mining approach to
modelling of water supply assets. In: Urban Water Journal. 2002.
v. 4. p. 401-414.
[19] LI, Chunsheng; GAO, Yatian. Agent-Based Pattern Mining
of Discredited Activities in Public Services. In: International
Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT 2006
Workshops). 2006.
[20] CONDEPE/FIDEM,
Agência; Planos Regionais de Inclusão Social. In: Programa Governo
nos Municípios, Seplan/Governo do Estado de Pernambuco, v. 12, 2004.
[21] BACH, M.; WERNER, A.; PALT, M.; The Proposal of
Undersampling Method for Learning from Imbalanced Datasets. In:
Procedia Computer Science, 2019, v. 159, pp. 125-134.
[22] CHAWLA, N. V et al; SMOTE: Synthetic Minority
Over-sampling Technique. In: Journal of Artificial Intelligence
Research 16. 2002, pp. 321-357.