Aplicação de data mining à análise da atividade de uma lavandaria industrial

Abstract

A crescente digitalização dos processos industriais gera grandes volumes de dados, criando oportunidades para otimização e tomada de decisões mais precisas. Esta dissertação explora a aplicação de técnicas de data mining para melhorar os sistemas de apoio à decisão numa lavandaria industrial. A empresa recolhe dados operacionais, mas ainda não implementou processos para analisá-los ou extrair conhecimento útil. Através da aplicação de algoritmos de clustering e modelos preditivos, este estudo visa contribuir para o início da transformação da lavandaria numa organização orientada por dados. O objetivo principal é desenvolver modelos que auxiliem na tomada de decisões e na previsão, contribuindo para melhorias operacionais. As técnicas de clustering são utilizadas para agrupar os dados, identificando padrões nas transações com clientes, tipos de serviços e tratamento de produtos ao longo de um período de seis anos. Esta análise revela tendências que apoiam decisões empresariais relacionadas com a alocação de recursos, segmentação de clientes e estratégias de marketing. Adicionalmente, modelos de previsão de séries temporais são aplicados para prever receitas futuras, permitindo que a empresa antecipe a procura e se prepare melhor para as necessidades operacionais futuras.

The increasing digitalization of industrial processes generates vast amounts of data, creating opportunities for optimization and more precise decision-making. This dissertation explores the application of data mining techniques to improve decision support systems within an industrial laundry company. The company collects operational data but has not yet implemented processes to analyse or derive insights from it. By applying clustering algorithms and predictive models, this study aims to contribute to the beginning of the transformation of the laundry into a data-driven organization. The primary goal is to develop models that assist in decision-making and forecasting, contributing to operational improvements. Clustering techniques are applied to group data, identifying patterns in customer transactions, types of services, and product handling over a six-year period. This analysis reveals trends that inform business decisions related to resource allocation, customer segmentation, and marketing strategies. Additionally, time series forecasting models are applied to predict future revenues, allowing the company to anticipate demand and better prepare for future operational needs.