O assunto discutido aqui é sobre o desenvolvimento e a operacionalização de um pipeline robusto de Data Science focado na detecção não supervisionada de anomalias para enfrentar o risco de desvios e fraudes que se amplificou com a escalada do volume e da complexidade das ordens de serviço (OS) em garantia na indústria de linha branca. O objetivo central deste trabalho foi ranquear as ordens de serviço abertas pelo seu grau de anomalia, uma tarefa que exigiu a integração e higienização de cinco bases de dados corporativas e uma engenharia de atributos (features) comportamentais e contextuais extremamente detalhada, para capturar desvios sutis que se desviem do padrão histórico "normal". O algoritmo Isolation Forest (IForest) foi treinado em um espaço de 24 Componentes Principais (PCs), gerando um escore contínuo de anomalia para cada caso, o que fornece um mecanismo robusto para priorizar auditorias no pós-vendas, aumentar a eficiência da triagem de casos críticos e, assim, mitigar perdas e riscos operacionais.

INOV 006 | DataScience - Detecção de anomalias no pós-vendas da industria

Além de especialista em OKR e BSC é gestor de TI e cientista de dados, com mais de 14 anos conectando tecnologia a planejamento estratégico, indicadores e resultados. Lidera times multidisciplinares (Infra, BI, SAP, RPA e Processos), estruturando Data Lake, pipelines de BI e KPIs executivos para decisão ágil. É criador da plataforma PlanningBI, que integra OKR + BSC para alinhar metas, executar com governança e medir impacto. Ao longo da carreira, automatizou rotinas críticas, reduziu horas manuais e elevou a performance operacional e financeira, sempre com foco em previsibilidade e ROI.