| dc.description.abstract |
Os indicadores de produtividade de mão-de-obra são elementos importantes para o sistema de produção da construção civil, no fornecimento de informações para a elaboração de planejamento financeiro do empreendimento, da programação físicofinanceira e para o controle do processo produtivo. Neste sentido, o objetivo deste trabalho consiste no desenvolvimento de um sistema de informação gerencial, para fazer predição dos níveis de produtividade que devem ocorrer frente a condições ambientais predeterminadas, considerando o conjunto de fatores mais influentes na produtividade do trabalho do serviço de alvenaria de elevação. A metodologia se baseou na seleção de atributos, mineração de dados e redes neurais. Foram coletados indicadores diários de produtividade, cada um deles associados a 24 fatores passíveis de afetá-los, nas cidades de Florianópolis-SC e Maringá-PR. Esses dados, após serem tratados e normalizados, foram selecionados pelas ferramentas de seleção de atributos information gain, Qui-quadrado e heurística Correlationbased Feature Selection (CFS). Para se identificar os fatores de maior influência, os dados passaram por processo de mineração de dados, com o uso de um algoritmo de classificação. O sistema de informação desenvolvido foi baseado em redes neurais de múltiplas camadas alimentadas adiante, treinadas com o algoritmo de retropropagação do erro (error back-propagation), sendo sua capacidade de generalização analisada em experimentos mediante matriz de confusão e coeficiente Kappa. Os métodos de seleção de atributos associados à mineração de dados permitiram reduzir o número de fatores a serem analisados, bem como selecionar aqueles de maior impacto nos indicadores de produtividade, sem a presença de considerações subjetivas. A partir da mineração de dados, constatou-se diferentes níveis de influência dos atributos na produtividade, entretanto ficou evidente a influência da forma de pagamento da mão-de-obra nos níveis de produtividade. O sistema de informações desenvolvido é capaz de fazer a predição de índices de produtividade e selecionar o conjunto de atributos que proporcionam maior acurácia de generalização. Nos resultados das experimentações, as predições atingiram uma mediana acurácia, em torno de 70% de acerto para o conjunto de teste. Indicators of labour productivity are important factors for the system of production of civil construction, in the information delivery of the project#s financial planning, and for the physical-financial programming, and control of the production process. On the basis of these considerations, the purpose of this research is to develop a management information system to predict the levels of productivity that should occur due to the predetermined environmental conditions, considering the factors that significantly affect masonry productivity. The methodology was based on the selection of attributes, data mining and neural networks. Daily indicators of productivity were collected, each one of them was associated to 24 factors that could affect them in the cities of Florianopolis-SC and Maringá-PR. These data, after being treated and standardized, were selected by the tools of attributes selection information gain, chi-square and heuristic-based Correlation Feature Selection (CFS). To identify the factors that have the most influence, the data went through a data mining, with the use of decision tree algorithm. The developed information system was based on neural networks of multiple layers fed ahead, trained with the algorithm of error back-propagation. Its ability of generation was analyzed in experiments by matrix of confusion and Kappa coefficient. The attribute selection methods associated with data mining allowed to reduce the number of factors to be analyzed as well select the ones with greater impact on indicators of productivity, without the presence of subjective considerations. From the data mining it was verified different levels of influence of the attributes of productivity, however the influence of the labour form of payment was evident. The information system developed is capable of generating prediction of the productivity rates and selects the group of attributes that provide greater generalization accuracy. In the results of experiments, the predictions reached a median accuracy, around 70% of hit for the whole test. |
pt_BR |
