GESTÃO PROATIVA DE CUSTOS INDUSTRIAIS COM INTELIGÊNCIA ARTIFICIAL: ARQUITETURA, MODELAGEM PREDITIVA E ANÁLISE DE CENÁRIOS NO POLO INDUSTRIAL DE MANAUS
Resumo
O controle de custos industriais em plantas de manufatura complexa — especialmente no Polo Industrial de Manaus (PIM), sob o regime tributário diferenciado da Zona Franca de Manaus (ZFM) — é um problema que vai muito além da contabilidade: trata-se de um problema de inteligência decisória em ambientes de alta incerteza. Este artigo descreve a arquitetura e os fundamentos técnico-científicos do sistema FLEXOR, uma plataforma inteligente para gestão proativa de custos industriais e operacionais que integra modelagem preditiva de séries temporais, indução automatizada de regras de negócio por aprendizado de máquina e simulação de cenários macroeconômicos e operacionais. A solução combina algoritmos de supervised e unsupervised learning com uma arquitetura ciber-física conectada a sistemas ERP e legados via APIs. Espera-se alcançar MAPE inferior a 5% nas previsões de curto prazo, redução substantiva do ciclo de análise de custos e capacidade de simulação prospectiva de cenários otimista, realista e pessimista — com impacto mensurável sobre EBITDA, margem bruta e ROI. O trabalho contribui para o campo da manufatura inteligente e da Indústria 4.0, com ênfase em sistemas de suporte à decisão baseados em IA para empresas OEM inseridas em regimes fiscais especiais.
Biografia do Autor
Graduada em Ciência da Computação. Universidade Federal do Amazonas.
Graduada em Engenharia de Software. Universidade Federal do Amazonas.
Graduado em Ciências Contábeis. Universidade Federal do Amazonas.
Mestre em Computação. Universidade Federal do Amazonas.
Referências
BONCZEK, R. H.; HOLSAPPLE, C. W.; WHINSTON, A. B. Foundations of Decision Support Systems. New York: Academic Press, 1981.
BREIMAN, L. Random forests. Machine Learning, v. 45, n. 1, p. 5–32, 2001.
CAVALCANTE, I. M. et al. A supervised machine learning approach to data-driven simulation of resilient supplier selection in digital manufacturing. International Journal of Information Management, v. 49, p. 86–97, 2019.
CHANDOLA, V.; BANERJEE, A.; KUMAR, V. Anomaly detection: a survey. ACM Computing Surveys, v. 41, n. 3, p. 1–58, 2009.
CHEN, T.; GUESTRIN, C. XGBoost: a scalable tree boosting system. In: ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING, 22., 2016, San Francisco. Proceedings... New York: ACM, 2016. p. 785–794.
COOPER, R.; KAPLAN, R. S. Profit priorities from activity-based costing. Harvard Business Review, v. 69, n. 3, p. 130–135, mai./jun. 1991.
CRESWELL, J. W. Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. 4. ed. Thousand Oaks: Sage, 2014.
DOSHI-VELEZ, F.; KIM, B. Towards a rigorous science of interpretable machine learning. arXiv preprint arXiv:1702.08608, 2017.
FRANK, A. G. et al. Industry 4.0 technologies: implementation patterns in manufacturing companies. International Journal of Production Economics, v. 210, p. 15–26, 2019.
GORRY, G. A.; SCOTT MORTON, M. S. A framework for management information systems. Sloan Management Review, v. 13, n. 1, p. 55–70, 1971.
HOLSAPPLE, C. W.; WHINSTON, A. B. Decision Support Systems: A Knowledge-Based Approach. St. Paul: West Publishing, 1996.
HORNGREN, C. T.; DATAR, S. M.; RAJAN, M. V. Cost Accounting: A Managerial Emphasis. 15. ed. Upper Saddle River: Pearson, 2015.
HYNDMAN, R. J.; ATHANASOPOULOS, G. Forecasting: Principles and Practice. 2. ed. Melbourne: OTexts, 2018. Disponível em: https://otexts.com/fpp2/ Acesso em: 10 jan. 2025.
JORDAN, M. I.; MITCHELL, T. M. Machine learning: trends, perspectives, and prospects. Science, v. 349, n. 6245, p. 255–260, 2015.
KAGERMANN, H.; WAHLSTER, W.; HELBIG, J. Recommendations for implementing the strategic initiative Industrie 4.0. Munich: National Academy of Science and Engineering (Acatech), 2013.
KAPLAN, R. S.; ANDERSON, S. R. Time-Driven Activity-Based Costing. Boston: Harvard Business School Press, 2007.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, n. 7553, p. 436–444, 2015.
LIU, F. T.; TING, K. M.; ZHOU, Z.-H. Isolation forest. In: IEEE INTERNATIONAL CONFERENCE ON DATA MINING, 8., 2008, Pisa. Proceedings... Washington: IEEE Computer Society, 2008. p. 413–422.
LU, Y. et al. Industry 4.0: a survey on technologies, applications and open research issues. Journal of Industrial Information Integration, v. 6, p. 1–10, 2017.
LUNDBERG, S. M.; LEE, S.-I. A unified approach to interpreting model predictions. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS, 30., 2017, Long Beach. Proceedings... Red Hook: Curran Associates, 2017. p. 4765–4774.
MAKRIDAKIS, S.; SPILIOTIS, E.; ASSIMAKOPOULOS, V. Statistical and machine learning forecasting methods: concerns and ways forward. PLOS ONE, v. 13, n. 3, e0194889, 2018.
OLIVEIRA, G. A.; PACHECO, R. C. dos S. Zona Franca de Manaus: dinâmica produtiva, inovação e perspectivas para a Indústria 4.0. Revista de Administração Pública, v. 53, n. 5, p. 879–903, 2019.
PORTER, M. E.; HEPPELMANN, J. E. How smart, connected products are transforming competition. Harvard Business Review, v. 92, n. 11, p. 64–88, 2014.
POWER, D. J. A brief history of decision support systems. DSSResources.COM, 2007. Disponível em: http://dssresources.com/history/dsshistory.html Acesso em: 5 fev. 2025.
RIBEIRO, M. T.; SAMANTA, S.; GUESTRIN, C. "Why should I trust you?": explaining the predictions of any classifier. In: ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING, 22., 2016, San Francisco. Proceedings... New York: ACM, 2016. p. 1135–1144.
SCHUH, G. et al. Industrie 4.0 Maturity Index: Managing the Digital Transformation of Companies. Munich: Herbert Utz, 2020.
SCHWAB, K. The Fourth Industrial Revolution. Geneva: World Economic Forum, 2016.
SHANK, J. K.; GOVINDARAJAN, V. Strategic Cost Management: The New Tool for Competitive Advantage. New York: Free Press, 1993.
SIMON, H. A. The New Science of Management Decision. Englewood Cliffs: Prentice Hall, 1977.
SUFRAMA. Relatório de Indicadores do Polo Industrial de Manaus. Manaus: Superintendência da Zona Franca de Manaus, 2022.
TURBAN, E.; ARONSON, J. E.; LIANG, T.-P. Decision Support Systems and Intelligent Systems. 7. ed. Upper Saddle River: Pearson Prentice Hall, 2005.
WANG, S. et al. Implementing smart factory of Industrie 4.0: an outlook. International Journal of Distributed Sensor Networks, v. 12, n. 1, p. 1–10, 2016.
Licença
Copyright (c) 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.