Estudo do impacto da adoção de métodos analíticos no processo de seleção de fornecedores na indústria

Abstract

Esta dissertação teve como objetivo principal estudar o impacto da adoção de métodos analíticos na seleção de fornecedores, recorrendo a métodos de decisão multicritério e modelos de ciência dos dados. Inicialmente, procedeu-se à revisão da literatura, abordando os principais métodos de seleção e avaliação de fornecedores e técnicas de aprendizagem supervisionada, bem como ferramentas de apoio à decisão. Através do estudo de casos, verifica-se que diversos setores empresariais têm adotado sistemas de apoio à decisão, registando impactos positivos como a redução de custos na cadeia de abastecimento, a melhoria da eficiência operacional, a otimização de critérios de avaliação em contextos de incerteza e maior flexibilidade na adaptação das decisões às necessidades do mercado.Quanto à componente prática, a abordagem iniciou-se com a aplicação de métodos multicritério de apoio à decisão, começando pelo método Analytic Hierarchy Process, que foi posteriormente adaptado para o método Elimination Et Choix Traduisant la Realite, permitindo a construção de um grafo de dominância mais robusto com base em preferências multicritério. O Analytic Hierarchy Process é um método simples e de fácil aplicação, sendo adequado a contextos estruturados e objetivos bem definidos. No entanto, demonstraelevada sensibilidade às variações nos pesos atribuídos aos critérios. Por sua vez, o Elimination Et Choix Traduisant la Realite apresentou maior robustez, ao lidar melhor com incertezas e alternativas muito próximas, embora exija uma interpretação mais complexadas relações de dominância. Apesar das diferenças, ambos forneceram resultados semelhantes. De seguida, procedeu-se à análise descritiva de um conjunto de dados relativos à seleção de fornecedores, com o objetivo de explorar a distribuição dos critérios e compreender o seu comportamento. Por fim, recorreu-se à plataforma Orange para aplicar modelos de aprendizagem supervisionada, nomeadamente Árvores de Decisão e Random Forest, com o propósito de prever o desempenho dos fornecedores em função de diferentes critérios de avaliação. Estes modelos revelaram-se eficazes na previsão do desempenho dos fornecedores, destacando-se em dois critérios, onde apresentaram elevada capacidade de previsão. Os resultados demonstram que a combinação dos modelos com técnicas de ciência dos dados pode fornecer um suporte mais robusto e transparente ao processo de seleção de fornecedores, promovendo decisões mais fundamentadas e eficientes. Palavras-chave: Seleção de fornecedores; Métodos analíticos; Otimização da cadeia de abastecimento; Transformação digital; Procurement.

The main objective of this dissertation was to study the impact of adopting analytical methods in supplier selection, using multi-criteria decision methods and data science models. Initially, a literature review was conducted, addressing the main methods of supplier selection and evaluation and supervised learning techniques, as well as decision support tools. Through case studies, it was found that several business sectors have adopted decision support systems, recording positive impacts such as reduced costs in the supply chain, improved operational efficiency, optimisation of evaluation criteria in contexts of uncertainty, and greater flexibility in adapting decisions to market needs. As for the practical component, the approach began with the application of multi-criteria decision support methods, starting with the Analytic Hierarchy Process method, which was later adapted to the Elimination Et Choix Traduisant la Realite method, allowing the construction of a more robust dominance graph based on multi-criteria preferences. The Analytic Hierarchy Process is a simple and easy-to-apply method, suitable for structured contexts and well-defined objectives. However, it is highly sensitive to variations in the weights assigned to the criteria. In turn, Elimination Et Choix Traduisant la Realite proved to be more robust, as it dealt better with uncertainties and very close alternatives, although it requires a more complex interpretation of dominance relationships. Despite the differences, both provided similar results. Next, a descriptive analysis of a set of data related to supplier selection was performed, with the aim of exploring the distribution of criteria and understanding their behaviour. Finally, the Orange platform was used to apply supervised learning models, namely Decision Trees and Random Forest, with the purpose of predicting supplier performance based on different evaluation criteria. These models proved to be effective in predicting supplier performance, standing out in two criteria, where they showed high predictive power. The results demonstrate that combining models with data science techniques can provide more robust and transparent support for the supplier selection process, promoting more informed and efficient decisions. Keywords: Supplier selection; Analytical methods; Supply chain optimization; Digital transformation; Procurement.