Decisões inteligentes em cidades complexas: integração de Machine Learning em sistemas de suporte à decisão
| Orientador(a) (dc.contributor.advisor) | Verschoore Filho, Jorge Renato de Souza | |
| Coorientador(a) (dc.contributor.advisor-co1) | Bittencourt, Bruno Anicet | |
| Lattes Coorientador(a) (dc.contributor.advisor-co1Lattes) | http://lattes.cnpq.br/3273936462544903 | pt_BR |
| Lattes Orientador(a) (dc.contributor.advisorLattes) | http://lattes.cnpq.br/5485189907016634 | pt_BR |
| Autor(a) (dc.contributor.author) | Aranguez, Beatrice | |
| Autor(a) Lattes (dc.contributor.authorLattes) | http://lattes.cnpq.br/9616851134543233 | pt_BR |
| Data de Disponibilização (dc.date.accessioned) | 2025-11-14T17:51:57Z | |
| dc.date.available (dc.date.available) | 2025-11-14T17:51:57Z | |
| Data da defesa / Data do evento (dc.date.issued) | 2025-09-24 | |
| Abstract (dc.description.abstract) | In contemporary cities, urban logistics represents a critical challenge due to the growing demand for rapid deliveries, traffic congestion, and increasing pressure for sustainable practices. This environment reveals fragmented data, lack of standardization across available databases, and limited digital maturity within public institutions. At the same time, Machine Learning (ML) techniques provide new possibilities for transforming dispersed information into actionable knowledge, although a considerable gap remains between technical potential and practical implementation in urban management. Within this context, the research aimed to develop a theoretical framework that integrates ML into Decision Support Systems (DSS), with the purpose of supporting public managers in decision-making processes related to urban logistics. The study adopted the Design Science Research (DSR) methodology, combining systematic literature review, in-depth interviews, a structured questionnaire, and validation interviews. Ten specialists from the fields of Artificial Intelligence, innovation, and public management participated in the research, enabling triangulated analysis between qualitative and quantitative data. The findings demonstrated the feasibility of an eight-stage cyclical model designed to transform urban data into well-founded decisions. The study also identified institutional barriers, digital maturity requirements, and strategies for bridging data, algorithms, and management practices, reinforcing the practical applicability of the model to the public sector. The framework contributes to the literature by articulating technical, institutional, and operational dimensions of urban logistics, offering a consistent and adaptable conceptual basis. From a practical perspective, it provides clear guidelines for public managers facing fragmented data and the urgency for more agile and evidence-based decisions. As limitations, the research highlights the absence of real-world testing and the restricted sample size, opening opportunities for further studies in different institutional and territorial contexts. | en |
| Resumo (dc.description.resumo) | Nas cidades contemporâneas, a logística urbana representa um desafio crítico diante da crescente demanda por entregas rápidas, do congestionamento viário e da pressão por práticas sustentáveis. Esse ambiente apresenta fragmentação de dados, ausência de padronização nas bases disponíveis e baixa maturidade digital das instituições públicas. Paralelamente, técnicas de Machine Learning (ML) oferecem novas possibilidades para transformar informações dispersas em conhecimento útil, embora ainda exista uma distância entre o potencial técnico e a prática cotidiana da gestão urbana. Com esse contexto, a pesquisa teve como propósito desenvolver um framework teórico voltado à integração de ML a Sistemas de Suporte à Decisão (SSD), com foco em apoiar gestores públicos em processos decisórios ligados à logística urbana. A investigação seguiu a metodologia Design Science Research (DSR), combinando revisão sistemática da literatura, entrevistas em profundidade, aplicação de questionário estruturado e entrevistas de validação. Dez especialistas das áreas de Inteligência Artificial, inovação e gestão pública participaram das etapas, o que possibilitou análise triangulada entre dados qualitativos e quantitativos. Os resultados demonstraram a viabilidade de um modelo cíclico composto por oito etapas, capaz de transformar dados urbanos em decisões fundamentadas. O estudo também identificou barreiras institucionais, critérios de maturidade digital e estratégias para aproximar dados, algoritmos e práticas de gestão, reforçando a aplicabilidade prática do modelo para o setor público. A contribuição central do framework está na articulação entre dimensões técnicas, institucionais e operacionais da logística urbana, oferecendo base conceitual consistente e adaptável a diferentes realidades. Do ponto de vista prático, o modelo apresenta diretrizes claras para gestores que enfrentam a fragmentação de dados e a urgência por decisões mais ágeis. Entre as limitações, destacam-se a ausência de testes em cenários reais e o número restrito de participantes, aspectos que abrem espaço para investigações futuras em outros contextos institucionais e territoriais. | pt_BR |
| Agência de fomento (dc.description.sponsorship) | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | pt_BR |
| URI (dc.identifier.uri) | http://repositorio.jesuita.org.br/handle/UNISINOS/13847 | |
| Idioma (dc.language) | pt_BR | pt_BR |
| Nome da instituição (dc.publisher) | Universidade do Vale do Rio dos Sinos | pt_BR |
| País da Instituição (dc.publisher.country) | Brasil | pt_BR |
| Departamento (dc.publisher.department) | Escola de Gestão e Negócios | pt_BR |
| Sigla da Instituição (dc.publisher.initials) | Unisinos | pt_BR |
| Programa (dc.publisher.program) | Programa de Pós-Graduação em Administração | pt_BR |
| Direitos de acesso ao documento (dc.rights) | openAccess | pt_BR |
| Assunto (dc.subject) | Logística urbana | pt_BR |
| Assunto (dc.subject) | Aprendizado de máquina | pt_BR |
| Assunto (dc.subject) | Sistemas de suporte à decisão | pt_BR |
| Assunto (dc.subject) | Mobilidade urbana | pt_BR |
| Assunto (dc.subject) | Urban logistics | en |
| Assunto (dc.subject) | Machine learning | en |
| Assunto (dc.subject) | Decision support systems | en |
| Assunto (dc.subject) | Urban mobility | en |
| Tema (CNPq) (dc.subject.cnpq) | ACCNPQ::Ciências Sociais Aplicadas::Administração | pt_BR |
| Título (dc.title) | Decisões inteligentes em cidades complexas: integração de Machine Learning em sistemas de suporte à decisão | pt_BR |
| Tipo de arquivo (dc.type) | Dissertação | pt_BR |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Beatrice Aranguez Silveira_.pdf
- Tamanho:
- 1.07 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- decisoes_inteligentes
Licença do pacote
1 - 1 de 1
Carregando...
- Nome:
- license.txt
- Tamanho:
- 2.12 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: