UNIVERSIDADE FEDERAL DO PARANÁ

GIANE FERREIRA RAMOS ROTH

GREGORI SCHNEIDER

MARKUS EDUARDO DE ANDRADE

BARREIRAS E SOLUÇÕES PARA O USO DO BIGDATA NA TOMADA DE

DECISÕES SOBRE A ESCOLHA DE MODAIS LOGISTICOS

CURITIBA

2017
 GIANE FERREIRA RAMOS ROTH

GREGORI SCHNEIDER

MARKUS EDUARDO DE ANDRADE

BARREIRAS E SOLUÇÕES PARA O USO DO BIGDATA NA TOMADA DE

DECISÕES SOBRE A ESCOLHA DE MODAIS LOGISTICOS

Trabalho apresentado como requisito

parcial à conclusão da disciplina de Análise
e Operações Logísticas, Setor de
Tecnologia, Programa de Pós Graduação
em Engenharia de Produção, Universidade
Federal do Paraná.
Professor: Dr. Eng. Robson Seleme

CURITIBA

2017
 2

RESUMO

Tema: BigData

Problema: Barreiras no uso do BigData para tomada de decisão sobre o uso modais
logísticos não permitem o uso massivo dessa ferramenta.

Objetivo Geral: Mostrar quais são as barreiras para o uso do BigData nas decisões
de movimentação logística e formas para superá-las.

Objetivos Específicos:

1. Descrever o que é BigData, Modais Logisticos e modelo de tomada de

decisão (falar sobre a diferença  entre os bancos de dados internos e
externos).

2. Descrever como são usados os BigDatas para decisões

3. Descrever quais, os custos para acessar um bigdata, custos para

desenvolvimento de algoritimos, necessidades de pessoal para manejo
dessas informações.

4. Analisar por que ainda não existe um uso generalizado dos BigData  (vai
recair nas barreiras).

5. Analisar as barreiras que identificamos e propor soluções possíveis. (ver tbm

se sempre vale a pena usar o bigdata, ou se ainda é caro, ou de dificil
acesso, sendo melhor usar outras ferramentas)

Palavras-chave: BigData, Modais de Transporte, Modelo de decisão

 3

INTRODUÇÃO

Nos dias atuais um tema tem ressurgido, com mais interesse, o BigData. O
conceito não é novo. Porém, com os avanços tecnológicos que conquistamos nos
últimos anos, a aplicação dessa ferramenta tem se tornado possível para as
empresas. (citar o artigo que mostrava que o BigData é um tema que já existia a
certo tempo, e agora com a evolução digital, ressurgiu e talvez se torne perene)
Outro ponto que trás o big data átona é que em nossa realidade cercada de diversas
ferramentas eletrônicas e conectadas a geração de informações relevantes é grande
e atrai atenção das empresas conforme Fosso Wamba et al. (2015) e Kaur; Singh
(2017). Comprova-se a atualidade desse tema ao se verificar a quantidade de
estudos feitos. Usando a base de dados Science Direct e cruzando os termos “big
data” e “supply chain management”, encontra-se aproximadamente 11.848 artigos
publicados, com tendência crescente de publicações.

A relevância do tema se dá também, pois possui aplicações em várias áreas,

a exemplo: Marketing, Produção e no Setor da Saúde. Neste, Chiavegatto Filho
(2015) mostrava em 2015 que o big data já levaria a uma evolução principalmente
em três pontos: a medicina de precisão, os prontuários eletrônicos do paciente e a
internet das coisas. Agora em 2017 já vemos evoluções nesses temas. Mas assim
como na área da saúde, nos ambientes industriais e logísticos os big datas também
são focos de atenção. Ao utilizar métodos de análises dos mesmos e elaborar
ações, a industria pode ter reduções de custo, ampliar a atratividade do produto,
ampliar margem dos produtos e deixar a operação mais sustentável conforme
analisado por Rehman et al. (2016), Xie et al. (2016) e Schenkel et al. (2015).

Contudo, parece estranho uma ferramenta tão poderosa, não estar sendo
usada em larga escala para as tomadas de decisão dentro das empresas ou mesmo
em alguns setores delas. Um dos motivos levantados por (citar o artigo) é que os
estudos ainda tentam compreender exatamente o que é e qual o impacto do big data
na gestão logística. (colocar um trecho do artigo que também aborda essa questão)
Além disso, conforme Kache e Seuring (2017), existe desafios na aplicação desse
conceito, tanto nas empresas em geral, quanto especificamente em logística. Nesse
sentido, o artigo, busca investigar e responder as possíveis aplicações do BigData
 4

na escolha de modais logísticos dentro das empresas, quais as barreiras para esse
uso e possíveis formas de superá-las.

Buscando esses benefícios tem se estudado sobre o uso do big data no

Supply Chain Management (SCM), porém conforme (verificar quais dos artigos
levantados são melhores para citar, várias visões nesse sentido)

Escrever sobre:

 atualidade do tema - ok

 eventuais aplicações -

 motivos da pesquisa - ok

 objetivos da pesquisa - ok

 relevância da pesquisa - ok

 explicar porque focamos em transporte - ok

REVISÃO DE LITERATURA

 explicar o que é BigData, para que serve e onde usa

O termo big data se refere ao alto volume de dados virtuais, que são
complexos, diversos, heterogêneos e que provêm de múltiplas e autônomas fontes,
com controles distribuídos e descentralizados FURLAN; LAURINDO (2017) ( apud
MCAFEE & BRYNJOLFSSON, 2012; WU et al., 2014; ZHANG et al., 2014b).

Ohlhorst (2012) describes big data as having an immeasurable size of data, where the scale of data is too varied and
the growth of the data is extremely quick, so that conventional information technologies cannot deal with the data efficiently. In
the year 2000, only 800,000 petabytes (PB) of data were stored in the world (IBM, 2013). It is expected this number will reach
35 zettabytes (ZB) by 2020 (Wong, 2012; Yiu, 2012). The explosion of data leads to difficulty for traditional systems to store and
analyse it (Huddar and Ramannavar, 2013; Zhan et al., 2014). Furthermore, there are many different types of data, such as
texts, weblogs, GPS location information, sensor data, graphs, videos, audio and more online data (Forsyth, 2012). These
varieties of data require different equipments and technologies to handle and store (Bughin et al., 2010). Moreover, data has
become complex because the variety has shifted from traditional struc- tured data to more semi-structured and unstructured
data, from search indexes, emails, log files, social media forums, sensor data from systems, and so on (Mohanty et al., 2013).
The challenge is that the traditional analytic technologies cannot deal with the variety (Zikopoulos and Eaton, 2011; Zhan et al.,
2014). Tan et al. (2015).
 5

O trecho acima é um exemplo de explicação de big data .

Big data is defined as the set of structured, unstructured, and semi-structured data accumulated from heterogeneous
data sources (Yaqoob et al., 2016). Conventionally, big data are pre- sented in terms of 3 Vs namely, (i) volume, (ii) velocity,
and (iii) value. Volume represents the size of the data whereas velocity rep- resents the speed of data that is entering into big
data systems. The value property of big data determines its usefulness to take actionable decisions after data analysis.
However, big data is cur- rently redefined with the addition of three new Vs: (i) variety, (ii) variability, and (iii) veracity (Rehman &
Batool, 2015; Gani, Siddiqa, Shamshirband, & Hanum, 2016). The variety property defines the multi-facet big data integrating
with the different data types gen- erated by various data sources. The variability property determines the internal variability in
big data with multiple ‘information shifts’ as time passes. The information shift is defined as the difference between states of
knowledge in big data systems. The veracity prop- erty shows that big data are collected from authentic and reliable data
sources.Rehman et al. (2016)

 explicar o que são modelos de decisão e onde usa-se.

 explicar coimo usar analises de bigdata para tomada de decisão

Esse artigo também tem um quadro comparativo de técnicas

 explicar o que é SCM e para que serve

 explicar o que são armazenagem, rede logística e o que são modais

de transporte, explicar o que é o modal de transporte

 explicar quais os fatores fundamentais para a decisão de um modal

logístico.
 6

 explicar o que são medidas de desempenho logístico, quais são as

medias, quais iremos abordar, por que?.

 explicar o que são armazenagem, rede logística e o que são modais

de transporte, explicar o que é o modal de transporte

http://transportes.gov.br/transporte-aquaviario-relevancia.html

http://www.portosdobrasil.gov.br/

http://www.transportes.gov.br/images/2014/11/PNLT/2011.pdf

http://www2.transportes.gov.br/bit/04-hidro/hidro.html

METODOLOGIA

 como foram feita as coletas de informação

Explicar como foi feito e o que é revisão bibliográfica.

Explicar que usamos base de dados Scopus, Scielo, ScienceDirect e Google

Schoolar, para fazer o levantamento dos artigos.

 como foi organizado as informações para análise

Foram pesquisados artigos relacionado ao tema nas bases de dados, tento

período de publicação nos últimos 5 anos.

 explicar que tipo de análise utilizamos

APRESENTAÇÃO DOS RESULTADOS

Um dos pontos interessantes é que para poder chegar a análises robustas em

termos de big data é preciso saber “garimpar” ou “extrair”, tanto boas bases de
dados quanto boas informações, coforme mostra Tan et al. (2015). Essa é uma das
primeiras barreiras no uso de banco de dados.
 7

“Clearly, there is a lack of analytical tools and techniques to assist firms to generate useful insights from data to drive
strategy or improve performance (Yiu, 2012; Manyika et al., 2013). Thus,how could operations managers harvest big data to
enhance supply chain innovation as well as to deliver better fact-based strategic decisions?”Tan et al. (2015)

“However, it is extremely hard for existing analytics to analysehigh volume (and variety) of data in real time and
produce useful information (Bisson et al., 2010). Although such techniques might help managers to produce a lot of information,
they are unfocused, and hence inefficient (McAfee and Brynjolfsson, 2012). A lot of effort and time are needed to sort out the
information generated and to identify those that are relevant and viable. What is required is an analytic infrastructure that can
structure and relate various bits of information to the objectives being pursued.” Tan et al. (2015)

The Burbidge's connectance concept (Burbidge, 1984) enablesmanagers to create a network of variables based on
the ‘cause and effect’ relationships. Recently, the vast Burbidges' database has been computerised via Tool for Action Plan
Selection (TAPS) by a team of researchers at Cambridge University (Tan and Platts, 2003; Tan and Platts, 2004). It has two
basic functions: the first is connecting different variables, tools or objectives together and showing the clear relationship
between each other (Tan and Platts, 2004); the second is to create a whole view of the action plan, after knowing the different
sequences in achieving the target, it can help managers to choose the suitable action. This tool was adopted by many
companies to solve manufacturing problems. In the big data environment, there are explosions of data and information, and big
data analytics can figure out the relevant variables or competence sets, and classify them into different groups to enrich the
TAPs network. Tan et al. (2015)

Com os três trechos acima, pode-se concluir que para utilizar os BigDatas é
preciso que existem sistemas ou metodos de análise que consigam fazer uma pré-
análise dos bigdatas para identificar relações de causa-efeito entre as informações,
para que então essa possa ser analisada para tomada de decisão. (poderia ser essa
uma forma de utilizar bigdata para tomada de decisão)

 explicar oportunidades e barreiras do bigdata no supplychaing.

Challenges and opportunities of digital information at the intersection of Big

Data Analytics and supply chain management Kache; Seuring (2017)

O artigo citado apresenta desafios do uso de bigdata em SCM é um A1

 aprofundar quais seriam as oportunidades e barreiras nas decisões de

modais logísticos (explicar pelos artigos, quais fatores de decisão da
escolha dos modais logísticos podem ser analisados junto a big datas)
 8

 a partir de um modelo de tomada de decisão e de um bigdata desse

modal, como tomar a decisão?

 é possível dizer ser viável o uso dessa metodologia para tomada de

decisão?

 pensando em Brasil, existe base de dados suficientes para isso? Para

a tomada de decisões.

 essas bases são atualizadas e são confiáveis?

CONSIDERAÇÕES FINAIS

REFERÊNCIAS

CHIAVEGATTO FILHO, A. D. P. Uso de big data em saúde no Brasil: perspectivas

para um futuro próximo. Epidemiologia e Serviços de Saúde, v. 24, n. 2, p. 325–
332, 2015. Disponível em: <http://www.iec.pa.gov.br/template_doi_ess.php?
doi=10.5123/S1679-49742015000200015&scielo=S2237-96222015000200325>. .
FOSSO WAMBA, S.; AKTER, S.; EDWARDS, A.; CHOPIN, G.; GNANZOU, D. How
“big data” can make big impact: Findings from a systematic review and a longitudinal
case study. International Journal of Production Economics, v. 165, 2015.
FURLAN, P. K.; LAURINDO, F. J. B. Agrupamentos epistemológicos de artigos
publicados sobre big data analytics. Transinformação, v. 29, n. 1, p. 91–100, 2017.
Disponível em: <http://www.scielo.br/pdf/tinf/v29n1/0103-3786-tinf-29-01-00091.pdf>.
Acesso em: 1/8/2017.
KACHE, F.; SEURING, S. Challenges and opportunities of digital information at the
intersection of Big Data Analytics and supply chain management. International
Journal of Operations & Production Management, v. 37, n. 1, p. 10–36, 2017.
Disponível em: <http://www.emeraldinsight.com/doi/10.1108/IJOPM-02-2015-0078>.
Acesso em: 25/7/2017.
KAUR, H.; SINGH, S. P. Heuristic modeling for sustainable procurement and logistics
in a supply chain using big data. Computers & Operations Research, v. 0, p. 1–21,
2017. Elsevier Ltd. Disponível em: <http://dx.doi.org/10.1016/j.cor.2017.05.008>. .
REHMAN, M. H. UR; CHANG, V.; BATOOL, A.; WAH, T. Y. Big data reduction
framework for value creation in sustainable enterprises. International Journal of
Information Management, v. 36, n. 6, p. 917–928, 2016. Disponível em:
<http://linkinghub.elsevier.com/retrieve/pii/S0268401216303097>. Acesso em:
21/7/2017.
 9

SCHENKEL, M.; KRIKKE, H.; CANIËLS, M. C. J.; DER LAAN, E. VAN. Creating
integral value for stakeholders in closed loop supply chains. Journal of Purchasing
and Supply Management, v. 21, n. 3, p. 155–166, 2015. Disponível em:
<http://linkinghub.elsevier.com/retrieve/pii/S1478409215000205>. Acesso em:
3/7/2017.
TAN, K. H.; ZHAN, Y.; JI, G.; YE, F.; CHANG, C. Harvesting big data to enhance
supply chain innovation capabilities: An analytic infrastructure based on deduction
graph. International Journal of Production Economics, v. 165, 2015. Disponível
em: <http://www.sciencedirect.com/science/article/pii/S0925527314004289?via
%3Dihub>. Acesso em: 21/7/2017.
XIE, K.; WU, Y.; XIAO, J.; HU, Q. Value co-creation between firms and customers:
The role of big data-based cooperative assets. Information & Management, v. 53,
n. 8, p. 1034–1048, 2016. Disponível em:
<http://linkinghub.elsevier.com/retrieve/pii/S0378720616300593>. Acesso em:
3/7/2017.
 10

APÊNDICE A – TÍTULO DO APÊNDICE

APÊNDICE B – TÍTULO DO APÊNDICE