Clusterização de bisnagas : um enfoque em eficiência operacional na indústria de cosméticos

Abstract

Resumo: No contexto da Indústria 4.0, a indústria de cosméticos recorre à Inteligência Artificial e à cultura Data Driven como diferenciais estratégicos para antever tendências e otimizar recursos. O objetivo central deste artigo é aplicar técnicas de aprendizagem de máquina não supervisionada — especificamente K-Means e Clusterização Hierárquica — para mapear e compreender os perfis de grupos em um portfólio com mais de 2.000 SKUs de bisnagas, utilizando suas características físicas e dimensionais. A partir da identificação de famílias homogêneas de produtos, busca-se detectar oportunidades para maximizar a performance do processo fabril, otimizando o sequenciamento da produção e a eficiência global (OEE), superando as limitações da categorização tradicional. A metodologia adotada foi quantitativa e exploratória, aplicando a transformação Box-Cox na engenharia de features e simulando 8 cenários de modelagem para testar a robustez do agrupamento em conjuntos de dados distintos. As análises comparativas demonstraram que a mitigação da redundância dimensional nos dados de entrada maximizou a coesão dos grupos. O modelo KMeans com K = 65 (Cenário C8) foi selecionado como a solução de melhor balanço estratégico e estatístico (Silhueta: 0,5733; DBI: 0,5240). Conclui-se que a caracterização robusta em 65 famílias fornece subsídios acionáveis para a gestão industrial elevar a padronização e a utilização dos ativos de fabricação

Abstract: In the context of Industry 4.0, the cosmetics industry turns to Artificial Intelligence and a Data Driven culture as strategic differentiators to forecast trends and optimize resources. The central objective of this paper is to apply unsupervised machine learning techniques—specifically K-Means and Hierarchical Clustering—to map and understand group profiles within a tube portfolio containing over 2,000 SKUs, utilizing their physical and dimensional characteristics. Based on the identification of homogeneous product families, the study seeks to detect opportunities to maximize manufacturing process performance, optimizing production sequencing and Overall Equipment Effectiveness (OEE), overcoming the limitations of traditional categorization. The methodology adopted was quantitative and exploratory, applying Box-Cox transformation for feature engineering and simulating 8 modeling scenarios to test clustering robustness across distinct datasets. Comparative analyses demonstrated that mitigating dimensional redundancy in the input data maximized group cohesion. The K-Means model with K = 65 (Scenario C8) was selected as the solution with the best strategic and statistical balance (Silhouette: 0.5733; DBI: 0.5240). It is concluded that the robust characterization into 65 families provides actionable insights for industrial management to enhance standardization and the utilization of manufacturing assets