GESTIÓN PROACTIVA DE COSTOS INDUSTRIALES CON INTELIGENCIA ARTIFICIAL: ARQUITECTURA, MODELADO PREDICTIVO Y ANÁLISIS DE ESCENARIOS EN EL POLO INDUSTRIAL DE MANAOS
Resumen
El control de costos industriales en plantas de manufactura compleja — especialmente en el Polo Industrial de Manaos (PIM), bajo el régimen tributario diferenciado de la Zona Franca de Manaos (ZFM) — es un problema que va mucho más allá de la contabilidad: se trata de un problema de inteligencia decisoria en entornos de alta incertidumbre. Este artículo describe la arquitectura y los fundamentos técnico-científicos del sistema FLEXOR, una plataforma inteligente para la gestión proactiva de costos industriales y operacionales que integra modelado predictivo de series temporales, inducción automatizada de reglas de negocio mediante aprendizaje automático y simulación de escenarios macroeconómicos y operacionales. La solución combina algoritmos de aprendizaje supervisado y no supervisado con una arquitectura ciber-física conectada a sistemas ERP y legados mediante APIs. Se espera alcanzar un MAPE inferior al 5% en las predicciones a corto plazo, una reducción sustancial del ciclo de análisis de costos y la capacidad de simular escenarios optimistas, realistas y pesimistas, con impacto mensurable en el EBITDA, el margen bruto y el ROI. El trabajo contribuye al campo de la manufactura inteligente y la Industria 4.0, con énfasis en sistemas de soporte a la decisión basados en IA para empresas OEM insertas en regímenes fiscales especiales.
Biografía del autor/a
Graduada en Ciencias de la Computación. Universidad Federal de Amazonas.
Graduada en Ingeniería de Software. Universidad Federal de Amazonas.
Graduado en Ciencias Contables. Universidad Federal de Amazonas.
Máster en Computación. Universidad Federal de Amazonas.
Referencias
BONCZEK, R. H.; HOLSAPPLE, C. W.; WHINSTON, A. B. Foundations of Decision Support Systems. New York: Academic Press, 1981. DOI: https://doi.org/10.1016/B978-0-12-113050-3.50010-5
BREIMAN, L. Random forests. Machine Learning, v. 45, n. 1, p. 5–32, 2001. DOI: https://doi.org/10.1023/A:1010933404324
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. DOI: https://doi.org/10.1016/j.ijinfomgt.2019.03.004
CHANDOLA, V.; BANERJEE, A.; KUMAR, V. Anomaly detection: a survey. ACM Computing Surveys, v. 41, n. 3, p. 1–58, 2009. DOI: https://doi.org/10.1145/1541880.1541882
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. DOI: https://doi.org/10.1145/2939672.2939785
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. DOI: https://doi.org/10.1016/j.ijpe.2019.01.004
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. DOI: https://doi.org/10.1126/science.aaa8415
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. DOI: https://doi.org/10.1038/nature14539
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. DOI: https://doi.org/10.1109/ICDM.2008.17
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. DOI: https://doi.org/10.1016/j.jii.2017.04.005
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. DOI: https://doi.org/10.1371/journal.pone.0194889
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. DOI: https://doi.org/10.1145/2939672.2939778
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. DOI: https://doi.org/10.1155/2016/3159805
Licencia
Derechos de autor 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
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.