AVALIAÇÃO DE DESEMPENHO DE ALGORITMOS DE MINERAÇÃO DE DADOS E SIMULAÇÃO DE MONTE CARLO NA DESCOBERTA DE TENDÊNCIAS NO APP HAMBRE DELIVERY
DOI:
https://doi.org/10.47820/recima21.v6i8.6669Palavras-chave:
Mineração de Dados, Monte Carlo, Foof ServiceResumo
O setor food service vivencia um crescimento contínuo, decorrente da valorização de compras online via marketplace, que agilizam as transações e contribuem para melhorar a qualidade dos produtos e serviços oferecidos. A digitalização da gestão comercial de empresas proporciona o conhecimento necessário para enfrentar crises de saúde e econômicas, tendo como suporte a incorporação de apps especializados. A adesão a ferramentas baseadas em Inteligência Artificial (IA) mudou a forma como os negócios operam, mas representa um desafio para empresas menores e mais jovens que ainda não oferecem serviços online. Motivado pela necessidade de sistematizar a análise de tendências de vendas provenientes das lojas parceiras do app Hambre Delivery, esta pesquisa propõe uma solução para avaliar o desempenho computacional, combinando o método Monte Carlo e algoritmos de mineração de dados para identificar o modelo mais adequado para suportar a decisão na gestão de vendas via aplicativo. A partir das simulações de Monte Carlo, foram analisados os algoritmos FP Growth, FP Max, Apriori e Eclat, considerando a escalabilidade, o tempo de execução e o uso de memória como critérios de desempenho. Os resultados revelaram que o algoritmo Eclat é mais indicado para conjuntos de dados pequenos e de baixa complexidade, enquanto FP-Growth e FP-Max são escaláveis para lidar com grandes volumes de dados, sendo mais eficientes quanto ao tempo de execução e ao uso de memória. Além disso, as 27 regras de associação geradas revelaram tendências relevantes, mostrando que a aplicação do Monte Carlo resulta em padrões mais precisos e confiáveis.
Downloads
Referências
AGRAWAL, R.; IMIELIŃSKI, T.; SWAMI, A. Mining association rules between sets of items in large databases. ACM SIGMOD Record, v. 22, n. 2, p. 207–216, 1993. DOI: https://doi.org/10.1145/170036.170072
BHAGAMPRIYAL, M. et al. Recommendation Systems for Supermarket. 3rd International Conference on Innovative Practices in Technology and Management (ICIPTM). Anais [...] Uttar Pradesh, India: IEEE, 2023.
BUJALANCE-LÓPEZ, L. et al. Restaurant revenue management: a systematic literature review and future challenges. British Food Journal, v. 127, n. 6, p. 2169–2196, 1 abr. 2025. DOI: https://doi.org/10.1108/BFJ-08-2024-0816
CAMPOS, W. P.; FARINA, R. M.; FLORIAN, F. Inteligência Artificial: Machine Learning na Gestão Empresarial. RECIMA21 - Revista Científica Multidisciplinar, v. 3, n. 6, p. e361617, 24 jun. 2022. DOI: https://doi.org/10.47820/recima21.v3i6.1617
CHERNICK, M. R. et al. Bootstrap Methods. In: LOVRIC, M. (Ed.). International Encyclopedia of Statistical Science. Berlin: Springer, 2011. p. 169–174. DOI: https://doi.org/10.1007/978-3-642-04898-2_150
FARIAS, F. et al. Cost- and energy-efficient backhaul options for heterogeneous mobile network deployments. Photonic Network Communications, v. 32, n. 3, p. 422–437, 22 nov. 2016. DOI: https://doi.org/10.1007/s11107-016-0676-6
FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From Data Mining to Knowledge Discovery in Databases. AI Magazine, v. 17, n. 3, p. 37–37, 15 mar. 1996.
GONÇALVES, K. R. G. Desenvolvimento e Avaliação do Aplicativo Hambre Delivery: Apresentação do Produto e Análise de Desempenho Usando Inteligência Artificial. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) – Faculdade de Sistemas de Informação – FASI, Cametá, PA, 2024.
GRAHNE, G.; ZHU, J. Fast algorithms for frequent itemset mining using FP-trees. IEEE Transactions on Knowledge and Data Engineering, v. 17, n. 10, p. 1347–1362, out. 2005. DOI: https://doi.org/10.1109/TKDE.2005.166
GRIJALBA, M. A. et al. Does the use of digital tools improve a firm’s performance? Review of Managerial Science, v. 19, p. 2193–2210, 2 mar. 2024. DOI: https://doi.org/10.1007/s11846-024-00750-4
HAN, J.; KAMBER, M.; PEI, J. Data Mining: Concepts and Techniques. 3. ed. Burlington: Elsevier, 2012.
HASTINGS, W. K. Monte Carlo sampling methods using Markov chains and their applications. Biometrika, v. 57, n. 1, p. 97–109, 1 abr. 1970. DOI: https://doi.org/10.1093/biomet/57.1.97
HEIJUNGS, R. On the number of Monte Carlo runs in comparative probabilistic LCA. The International Journal of Life Cycle Assessment, v. 25, n. 2, p. 394–402, 2020. DOI: https://doi.org/10.1007/s11367-019-01698-4
HU, T. et al. Discovery of maximum length frequent itemsets. Information Sciences, v. 178, n. 1, p. 69–87, Jan. 2008. DOI: https://doi.org/10.1016/j.ins.2007.08.006
JOSEPHINE, H.; RAJAN, D. Enhancing Customer Experience and Sales Performance in a Retail Store Using Association Rule Mining and Market Basket Analysis. 14th International Conference on Computing Communication and Networking Technologies (ICCCNT). Anais [...] Delhi, India: IEEE, 2023.
LIN, W.-Y.; TSENG, M.-C.; SU, J.-H. A Confidence-Lift Support Specification for Interesting Associations Mining. Advances in Knowledge Discovery and Data Mining, v. 2336, p. 148–158, 2002. DOI: https://doi.org/10.1007/3-540-47887-6_14
LIU, W. et al. Mobile platform expansion: How does it affect the incumbent food delivery app and other sales channels? Journal of Retailing, v. 100, n. 3, p. 422–438, 1 jun. 2024. DOI: https://doi.org/10.1016/j.jretai.2024.06.002
MADHYASTHA, P.; BATRA, D. On Model Stability as a Function of Random Seed. Proceedings of the 23rd Conference on Computational Natural Language Learning (CoNLL). Anais [...] Hong Kong: Association for Computational Linguistics, 1 Jan. 2019. DOI: https://doi.org/10.18653/v1/K19-1087
OZEMELA, L. iFood alcança marco histórico de 100 milhões de pedidos em um só mês. [S. l.]: iFood, 2024. Disponível em: https://institucional.ifood.com.br/noticias/ifood-alcanca-marco-historico-de-100-milhoes-de-pedidos-em-um-so-mes/?utm_source=chatgpt.com. Acesso em: 11 abr. 2025
PRADANA, M. R. et al. Market Basket Analysis Using FP-Growth Algorithm on Retail Sales Data. 9th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI). Anais [...] Jakarta, Indonesia: IEEE, 2022. DOI: https://doi.org/10.23919/EECSI56542.2022.9946478
RABHI, F.; BEHESHTI, A.; GILL, A. Editorial: Business transformation through AI-enabled technologies. Frontiers in Artificial Intelligence, v. 8, 11 mar. 2025. DOI: https://doi.org/10.3389/frai.2025.1577540
SISWANTO, B. et al. SDFP-growth Algorithm as a Novelty of Association Rule Mining Optimization. IEEE access, v. 12, p. 21491–21502, 1 Jan. 2024. DOI: https://doi.org/10.1109/ACCESS.2024.3361667
SUMA, D.; SAGAR, L. Data Mining Techniques. Technometrics, v. 48, n. 1, p. 159–160, fev. 2006. DOI: https://doi.org/10.1198/tech.2006.s373
TANAKA, T. et al. Optimality Between Time of Estimation and Reliability of Model Results in the Monte Carlo Method: A Case for a CGE Model. Computational Economics, v. 59, n. 1, p. 151–176, 3 jan. 2021. DOI: https://doi.org/10.1007/s10614-020-10080-8
ZAKI, M. J. et al. New algorithms for fast discovery of association rules. Knowledge Discovery and Data Mining, p. 283–286, 14 ago. 1997. DOI: https://doi.org/10.1007/978-1-4615-5669-5_1
ZAKI, M. J. Scalable algorithms for association mining. IEEE Transactions on Knowledge and Data Engineering, v. 12, n. 3, p. 372–390, 2000. DOI: https://doi.org/10.1109/69.846291
Downloads
Publicado
Licença
Direitos de Autor (c) 2025 RECIMA21 -Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição 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.
