Navegando por Autor "GARCIA, Laciene Melo"

Agora exibindo 1 - 1 de 1

Acesso aberto (Open Access)
Avaliação de desempenho de algoritmos de mineração de dados e simulação de Monte Carlo na descoberta de tendências no Hambre Delivery
(Universidade Federal do Pará, 2025-08-14) GARCIA, Laciene Melo; FARIAS, Fabrício de Souza; https://lattes.cnpq.br/1521079293982268; https://orcid.org/0000-0003-4344-6953; PINHEIRO, Daniel da Conceição; ALVES, Elton Rafael; COSTA, Allan Barbosa; BALIEIRO, Andson Marreiros; https://lattes.cnpq.br/2970581734279237; https://lattes.cnpq.br/8408339809247090; https://lattes.cnpq.br/1243311868600821; https://lattes.cnpq.br/9825617657358787
O setor food service agiliza as transações e contribui para melhorar a qualidade dos produtos e serviços oferecidos, ocasionando crescimento contínuo e valorização de compras via marketplace. Com a maior adesão da população à digitalização do food service, novas informações e conhecimentos podem ser gerados a partir da análise de tendências extraídas de bases de dados oriundas de transações comerciais. Para a coleta de dados, este setor tem adotado apps especializados, que se mostram viáveis para usuários que buscam atendimento em plataformas digitais. Além disso, o uso Inteligência Artificial (IA), em conjunto com os apps, tem reconfigurado a forma como os negócios operam, representando uma nova tendência para empresas que oferecem produtos e serviços na modalidade online. Diante desse cenário, surge a necessidade de considerar soluções baseadas em software que apliquem IA para sistematizar a análise de tendências em dados coletados. Por essa razão, este trabalho propõe uma investigação por meio de simulações que avaliam o desempenho computacional, combinando o método Monte Carlo e diferentes algoritmos de mineração de dados, a fim de identificar o modelo mais adequado para o suporte a decisões na gestão do setor de food service via apps. Para validar a eficácia das simulações, dados reais foram coletados nas lojas parceiras da plataforma Hambre Delivery. Durante as simulações, foram analisados os algoritmos FP-Growth, FP-Max, Apriori e Eclat, considerando escalabilidade, tempo de execução e uso de memória como critérios de desempenho. Os resultados revelaram que o algoritmo Eclat é mais indicado para conjuntos pequenos e de baixa complexidade, enquanto FP-Growth e FP-Max são escaláveis para grandes volumes de dados, sendo mais eficientes quanto ao tempo de execução e ao uso de memória. Além disso, as 27 regras de associação geradas revelaram tendências relevantes, mostrando que a aplicação do Monte Carlo gera padrões mais precisos e confiáveis.