https://hdl.handle.net/1884/100347 Sat, 04 Apr 2026 06:00:43 GMT 2026-04-04T06:00:43Z https://hdl.handle.net/1884/100594 Otimização de deck building em magic : the gathering utilizando programação linear, algoritmos evolutivos e simulação Monte Carlo Resumo: Esta monografia propõe o desenvolvimento e a avaliação de um modelo de otimização para a construção de decks no formato Commander (Elder Dragon Highlander – EDH) do jogo Magic: The Gathering. O estudo integra Programação Linear, Algoritmos Evolutivos e Simulação de Monte Carlo para maximizar variáveis críticas como eficiência da curva de mana, sinergia e resiliência, respeitando um orçamento restrito de R$ 500,00. A base de dados foi construída via API Scryfall, filtrando cartas pela identidade de cor e custo financeiro. Foram implementadas duas abordagens, uma solução exata via biblioteca PuLP e uma heurística evolutiva via biblioteca DEAP. Os resultados indicam que o modelo computacional supera a construção manual em consistência de recursos e equilíbrio de custos oferecendo uma ferramenta robusta de apoio à decisão para jogadores; Abstract: This monograph presents the development and evaluation of an optimization model for deck construction in the Commander (Elder Dragon Highlander – EDH) format of Magic: The Gathering. The study integrates Linear Programming, Evolutionary Algorithms, and Monte Carlo Simulation to optimize critical variables such as mana curve efficiency, card synergy, and strategic resilience, while respecting a constrained budget of R$ 500.00. The dataset was built using the Scryfall API, filtering cards according to color identity and financial cost. Two approaches were implemented: an exact solution based on the PuLP library and an evolutionary heuristic developed using the DEAP library. The results indicate that the computational model outperforms manual deck construction in terms of resource consistency and cost balance, providing a robust decision-support tool for players Orientador: Prof. Eduardo Alves Portela Santos; Monografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização MBA em Advanced Analytics e Business Optimization; Inclui referências Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/1884/100594 2025-01-01T00:00:00Z https://hdl.handle.net/1884/100555 Modelos preditivos para otimização de rentabilidade no setor automotivo : aplicação de técnicas de machine learning para recomendação de tabelas de preço Resumo: A gestão estratégica de preços é um vetor determinante para a rentabilidade no varejo de autopeças, historicamente limitado por regras estáticas. Este trabalho desenvolve um modelo de recomendação de tabelas de preço baseado em Machine Learning, utilizando dados transacionais anonimizados. A metodologia confrontou o desempenho de uma Regressão Linear Múltipla (baseline) com o algoritmo XGBoost. Os resultados comprovaram a superioridade da abordagem não-linear, que atingiu um R 2 de 0,58 contra 0,46 do modelo linear, reduzindo significativamente o erro de estimativa. A interpretação do modelo via SHAP Values revelou que variáveis comportamentais do cliente (RFM e Ticket Médio histórico) são preditores de disposição a pagar mais relevantes que as características técnicas do produto. O estudo conclui com a proposição de uma ferramenta consultiva de suporte à decisão, adequada às restrições de recorrência do mercado B2C; Abstract: Strategic pricing management is a key driver for profitability in the automotive parts retail sector, historically constrained by static rules. This study develops a price table recommendation model based on Machine Learning using anonymized transactional data. The methodology benchmarked the performance of Multiple Linear Regression (baseline) against the XGBoost algorithm. Results demonstrated the superiority of the non-linear approach, achieving an Rr of 0.58 compared to 0.46 for the linear model, significantly reducing estimation error. Model interpretation via SHAP Values revealed that customer behavioral variables (RFM and historical Average Ticket) are more relevant predictors of willingness to pay than technical product characteristics. The study concludes by proposing a consultative decision-support tool tailored to the recurrence constraints of the B2C market Orientador: Prof. Walmes Marques Zeviani; Monografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização MBA em Advanced Analytics e Business Optimization; Inclui referências Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/1884/100555 2025-01-01T00:00:00Z https://hdl.handle.net/1884/100554 Otimização de processos financeiros com modelos de análise preditiva Resumo: A gestão da inadimplência representa um desafio crítico para a sustentabilidade financeira das empresas, impactando diretamente a liquidez e o fluxo de caixa. Este trabalho propõe a aplicação de técnicas de análise preditiva e aprendizado de máquina para a otimização de processos financeiros, com foco na identificação antecipada de clientes propensos ao não pagamento. Utilizando a base de dados "Default of Credit Card Clients", foram treinados e comparados quatro modelos de classificação: Regressão Logística, Árvore de Decisão, Random Forest e Gradient Boosting. A metodologia incluiu uma análise exploratória rigorosa, engenharia de atributos e otimização de hiperparâmetros via Grid Search. Os resultados demonstraram que o algoritmo Gradient Boosting apresentou o melhor desempenho global, destacando-se nas métricas de Recall e AUC-ROC. Além disso, a etapa de seleção de atributos permitiu reduzir a dimensionalidade do modelo de 28 para apenas 2 variáveis preditoras sem perda de eficácia, comprovando ser possível aliar alta precisão preditiva com eficiência computacional para a mitigação de riscos de crédito; Abstract: Default management represents a critical challenge for corporate financial sustainability, directly impacting liquidity and cash flow. This paper proposes the application of predictive analytics and machine learning techniques to optimize financial processes, focusing on the early identification of clients prone to non-payment. Using the "Default of Credit Card Clients" dataset, four classification models were trained and compared: Logistic Regression, Decision Tree, Random Forest, and Gradient Boosting. The methodology included rigorous exploratory analysis, feature engineering, and hyperparameter optimization via Grid Search. Results showed that the Gradient Boosting algorithm achieved the best overall performance, excelling in Recall and ROC-AUC metrics. Furthermore, the feature selection stage allowed for reducing the model’s dimensionality from 28 to just 2 predictive variables without loss of efficacy, proving it is possible to combine high predictive accuracy with computational efficiency for credit risk mitigation Orientador: Prof. Dr. José Eduardo Pécora Junior; Monografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização MBA em Advanced Analytics e Business Optimizationzation); Inclui referências Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/1884/100554 2025-01-01T00:00:00Z https://hdl.handle.net/1884/100553 Construção de um sistema de dados com a modern data stack para democratização do acesso a informações Resumo: A crescente demanda por autonomia analítica nas empresas tem impulsionado a adoção de arquiteturas modernas orientadas a dados. Nesse contexto, a Modern Data Stack (MDS) surge como um modelo modular e escalável baseado em tecnologias cloud, permitindo substituir o processo tradicional de ETL por ELT e aproximando o trabalho de transformação dos times de negócio. Este estudo apresenta um estudo de caso aplicado em uma empresa do setor de varejo alimentício com mais de 200 unidades franqueadas, no qual foi implementado um sistema de Self-Service Business Intelligence utilizando ferramentas como Erathos, BigQuery, dbt, dbt Cloud, GitHub e Looker. A arquitetura adotou princípios de modelagem dimensional (Kimball), governança de dados e práticas de Analytics Engineering. Como resultado, observou-se um aumento significativo da autonomia das áreas de negócio na criação de dashboards, redução de 70% nos custos de processamento analítico e maior padronização e governança dos dados. Os resultados demonstram que a MDS, quando combinada a boas práticas de engenharia de software, viabiliza BI descentralizado sem perda de qualidade e com ganho de velocidade analítica; Abstract: The increasing demand for analytical autonomy within organizations has driven the adoption of modern data-oriented architectures. In this scenario, the Modern Data Stack (MDS) emerges as a modular, scalable and cloud-based architecture, enabling the shift from traditional ETL to ELT and bringing data transformation closer to business teams. This study presents an applied case study in a food retail franchise company with more than 200 units, where a Self-Service Business Intelligence environment was implemented using tools such as Erathos, BigQuery, dbt, dbt Cloud, GitHub and Looker. The architecture followed dimensional modeling principles (Kimball), data governance practices and Analytics Engineering concepts. The implementation resulted in a significant increase in business user autonomy for dashboard creation, a 70% reduction in analytical processing costs, and improved data standardization and governance. The findings demonstrate that MDS, when combined with software engineering best practices, enables decentralized BI without compromising data quality while accelerating analytical delivery Orientador: Guilherme Vinicyus Batista; Monografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização MBA em Advanced Analytics e Business Optimization; Inclui referências Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/1884/100553 2025-01-01T00:00:00Z