Previsão de Interrupções em Cadeias de Suprimento Globais Utilizando Aprendizado de Máquina
Resumo
Este artigo apresenta um estudo comparativo de modelos de aprendizado de máquina para a previsão de interrupções em cadeias de suprimento globais. Utilizando o conjunto de dados Global Supply Chain Risk and Logistics, foram desenvolvidas e avaliadas três abordagens: uma rede neural artificial com camadas de Dropout para regularização, uma rede neural otimizada via busca manual de hiperparâmetros com validação cruzada (KFold) e um classificador Random Forest. O pré-processamento incluiu codificação de
variáveis categóricas por LabelEncoder, normalização Min-Max, remoção de outliers pelo método IQR e balanceamento de classes via NearMiss. Os resultados demonstram que o Random Forest obteve o melhor desempenho geral, com 66,00% de acurácia e F1-Score de 63%, seguido pela rede neural com Dropout (64,65%) e pela rede otimizada (62,00%). A análise de importância de variáveis revelou que atributos como risco geopolítico, confiabilidade do transportador e índice de combustível são os mais influentes na predição de
interrupções logísticas.
