Oportunidades de aplicações de Business Intelligence no contexto da indústria 4.0: revisão sistemática da literatura 2015-2020

Luiz Gonzaga da Costa Neto; Fernando Celso de Campos

doi:10.5585/exactaep.2021.19525

Autores

Luiz Gonzaga da Costa Neto PPGEP/UNIMEP - São Paulo (SP) https://orcid.org/0000-0002-4566-0366
Fernando Celso de Campos PPGEP/UNIMEP - São Paulo (SP) http://orcid.org/0000-0002-4900-8391

DOI:

https://doi.org/10.5585/exactaep.2021.19525

Palavras-chave:

Indústria 4.0, Business Intelligence, dashboard, IoT, qualificação profissional

Resumo

A integração de sistemas de informação favorece a tomada de decisão que pode ter suporte das tecnologias de Business Intelligence, via relatórios e dashboards. Isso facilita a coleta de dados, análises e entrega de informações, para compor as bases decisórias da gestão de operações. No contexto da Indústria 4.0 o Business Intelligence conecta-se via internet of things. O objetivo desse artigo é identificar as oportunidades de aplicações de Business Intelligence na Indústria 4.0. Para tanto, foi realizada uma Revisão Sistemática da Literatura via protocolo nas bases de dados: Scopus, Web of Science e Science Direct. Ao final, dezenove artigos selecionados, pelo critério do maior número de citações, identificaram onze tópicos principais. O impacto social vem pela demanda de profissionais melhor qualificados para Indústria 4.0. Em termos práticos a internet of things será usada massivamente para apoiar processos decisórios. Academicamente, esta síntese da literatura contribui para a melhor compreensão da temática.

Downloads

Não há dados estatísticos.

Biografia do Autor

Luiz Gonzaga da Costa Neto, PPGEP/UNIMEP - São Paulo (SP)

Possui graduação em Engenharia Industrial Mecânica pela Universidade Metodista de Piracicaba (1989) e mestrado em Engenharia de Produção pela Universidade Metodista de Piracicaba (2006). Atualmente é diretor - Gonzaga Engenharia e Comércio de Manutenção Ltda e docente da Faculdade de Tecnologia de Piracicaba. Tem experiência na área de Engenharia de Produção, com ênfase em Gestão da Manutenção, atuando principalmente nos seguintes temas: confiabilidade, manutenção da qualidade, estratégia, performance, disponibilidade, manutenção preditiva através dos monitoramentos objetivo e subjetivo, e manutenção, estratégia, disponibilidade, segurança do trabalho.

Fernando Celso de Campos, PPGEP/UNIMEP - São Paulo (SP)

Possui graduação em Ciência da Computação pelo Instituto de Ciências Matemáticas de São Carlos (ICMSC-USP) (1987), mestrado em Engenharia Mecânica pela Escola de Engenharia de São Carlos (EESC-USP) (1994), doutorado em Engenharia Mecânica pela Faculdade de São Carlos Engenharia (EESC-USP) (1999), pós-doutorado em Engenharia de Produção pelo DEP-UFSCar (2016). Atualmente é professor e pesquisador da Universidade Metodista de Piracicaba-UNIMEP atuando em cursos de graduação e pós-graduação. Tem experiência na área de Engenharia de Produção, com ênfase em Tecnologia da Informação Aplicada (sistema de informação, modelagem de processos, governança de TI, ERP, gestão do conhecimento), Tecnologias Digitais (Business Intelligence, BIA, Big Data Analysis, IoT), Green IT. Sustentabilidade (TI Verde, Economia Circular, Produção Mais Limpa), Indústria 4.0, Manutenção Industrial (PCM, Preventiva, Preditiva, Prescritiva, TPM), APL / gestão de cluster / modelos de cooperação, gestão de operações estratégicas e alternativas de projeto. Atuou na Engenharia de Métodos em projetos de melhoria contínua (Lean Manufacturing, SMED, Lean Office, Lean Healthcare, Gestão do uso de tecnologias na área da saúde).

Referências

Ahmad, S., Miskon, S., Alabdan, R., & Tlili, I. (2020). Towards Sustainable Textile and Apparel Industry: Exploring the Role of Business Intelligence Systems in the Era of Industry 4.0. Sustainability, 12(7), 2632. https://doi.org/10.3390/su12072632

Ansari, F., Glawar, R., & Nemeth, T. (2019). PriMa: a prescriptive maintenance model for cyber-physical production systems. International Journal of Computer Integrated Manufacturing, 32(4-5), 482-503. https://doi.org/10.1080/0951192X.2019.1571236

Aqel, M. J., Nakshabandi, O. A., & Adeniyi, A. (2019). Decision support systems classification in industry. Periodicals of Engineering and Natural Sciences, 7(2), 774-785. DOI: http://dx.doi.org/10.21533/pen.v7i2.550

Benešová, A., & Tupa, J. (2017). Requirements for education and qualification of people in Industry 4.0. Procedia Manufacturing, 11, 2195-2202. https://doi.org/10.1016/j.promfg.2017.07.366

Barbieri C. (2001). BI – Business Intelligence: modelagem & tecnologia. Rio de Janeiro: Axcel Books, 424p.

Cao, L., Cai, Y., & Yue, Y. (2019). Swarm Intelligence-Based Performance Optimization for Mobile Wireless Sensor Networks: Survey, Challenges, and Future Directions. IEEE Access, 7, 161524-161553. DOI: http://doi.org/10.1109/ACCESS.2019.2951370

Coito, T., Viegas, J. L., Martins, M. S., Cunha, M. M., Figueiredo, J., Vieira, S. M., & Sousa, J. M. (2019). A Novel Framework for Intelligent Automation. IFAC-PapersOnLine, 52(13), 1825-1830. https://doi.org/10.1016/j.ifacol.2019.11.501

Eggert, M., & Alberts, J. (2020). Frontiers of business intelligence and analytics 3.0: a taxonomy-based literature review and research agenda. Business Research, 1-55. https://doi.org/10.1007/s40685-020-00108-y

García, S. G., & García, M. G. (2019). Industry 4.0 implications in production and maintenance management: An overview. Procedia Manufacturing, 41, 415-422. https://doi.org/10.1016/j.promfg.2019.09.027

Goti, A., De la Calle, A., Gil, M. J., Errasti, A., Bom, P. R., & García-Bringas, P. (2018). Development and application of an assessment complement for production system audits based on data quality, IT infrastructure, and sustainability. Sustainability, 10(12), 4679. https://doi.org/10.3390/su10124679

Goti, A., Oyarbide-Zubillaga, A., Alberdi, E., Sanchez, A., & Garcia-Bringas, P. (2019). Optimal Maintenance Thresholds to Perform Preventive Actions by Using Multi-Objective Evolutionary Algorithms. Applied Sciences, 9(15), 3068. https://doi.org/10.3390/app9153068

Hänel, T., & Felden, C. (2017). Design and evaluation of an analytical framework to analyze and control production processes. Procedia CIRP, 62, 141-146. https://doi.org/10.1016/j.procir.2016.06.052

Jerman, A., Erenda, I., & Bertoncelj, A. (2019). The influence of critical factors on business model at a smart factory: A case study. Business Systems Research Journal, 10(1), 42-52. DOI: http://doi.org/10.2478/bsrj-2019-0004

Mantravadi, S., & Møller, C. (2019). An overview of next-generation manufacturing execution systems: how important is MES for industry 4.0?. Procedia manufacturing, 30, 588-595. https://doi.org/10.1016/j.promfg.2019.02.083

Nagy, J., Oláh, J., Erdei, E., Máté, D., & Popp, J. (2018). The role and impact of Industry 4.0 and the internet of things on the business strategy of the value chain—the case of Hungary. Sustainability, 10(10), 3491. https://doi.org/10.3390/su10103491

Odważny, F., Wojtkowiak, D., Cyplik, P., & Adamczak, M. (2019). Concept for measuring organizational maturity supporting sustainable development goals. LogForum, 15. http://doi.org/10.17270/J.LOG.2019.321

Olszak, C. M., & Mach-Król, M. (2018). A conceptual framework for assessing an organization’s readiness to adopt big data. Sustainability, 10(10), 3734. https://doi.org/10.3390/su10103734

Pereira, A. C., & Romero, F. (2017). A review of the meanings and the implications of the Industry 4.0 concept. Procedia Manufacturing, 13, 1206-1214. https://doi.org/10.1016/j.promfg.2017.09.032

Rikhardsson, P., & Yigitbasioglu, O. (2018). Business intelligence & analytics in management accounting research: Status and future focus. International Journal of Accounting Information Systems, 29, 37-58. https://doi.org/10.1016/j.accinf.2018.03.001

Ruppert, T., Jaskó, S., Holczinger, T., & Abonyi, J. (2018). Enabling technologies for operator 4.0: a survey. Applied sciences, 8(9), 1650. https://doi.org/10.3390/app8091650

Saqlain, M., Piao, M., Shim, Y., & Lee, J. Y. (2019). Framework of an IoT-based Industrial Data Management for Smart Manufacturing. Journal of Sensor and Actuator Networks, 8(2), 25. https://doi.org/10.3390/jsan8020025

Sayfouri, N. An alternative method of literature review: systematic review in english language teaching research. Procedia - Social and Behavioral Sciences, v.98, n.1, p.1693–1697, 2014.

Soni, N., Sharma, E. K., Singh, N., & Kapoor, A. (2020). Artificial Intelligence in Business: From Research and Innovation to Market Deployment. Procedia Computer Science, 167, 2200-2210. https://doi.org/10.1016/j.procs.2020.03.272

Schwab, K. (2016). A Quarta Revolução Industrial; Tradução Daniel Moreira Miranda, São Paulo, Edipro, ISBN 978-85-7283-978-5. http://creativecommons.org/licenses/by-nc-nd/4.0

Start – State of the Through Systematic Review, versão 3.4 Beta – LAPES – Laboratório de Pesquisa em Engenharia de Software - UFSCAR.

Tranfield, D., Denyer, D., & Smart, P. (2003). Towards a methodology for developing evidence‐informed management knowledge by means of systematic review. British journal of management, 14(3), 207-222. https://doi.org/10.1111/1467-8551.00375

Reim, W., Parida, V. e Ortqvist, D., Product – Service Systems (PSS) business models and tactis – systematic literature review. Journal of Cleaner Production, v.97, n.1, p.61-75, 2015. https://doi.org/10.1016/j.jclepro.2014.07.003

StArt. Software para apoio à Revisão Sistemática da Literatura. Desenvolvido pelo Laboratório LAPES-UFSCar. Disponível para download em: http://lapes.dc.ufscar.br/tools/start_tool