Gestão de Demandas de Serviços de Software para Provedores com Suporte de Machine Learning e Dinâmica de Sistemas

• Ednardo da Rocha UFC
• Alberto Sampaio Lima UFC https://orcid.org/0000-0003-0696-5148
• José Neuman de Souza UFC https://orcid.org/0000-0002-2980-8877
• José Antão Beltrão Moura UFCG

DOI: https://doi.org/10.5753/wamps.2025.42264

Resumo

A gestão de demandas em serviços de software de provedores enfrenta desafios como a imprevisibilidade na chegada de solicitações e a necessidade de manter níveis rigorosos de serviço (SLA). Este artigo propõe um modelo híbrido que integra Dinâmica de Sistemas (DS) e Aprendizado de Máquina (ML) para prever a demanda e simular a evolução do backlog de atendimento. Foram avaliados os algoritmos Random Forest, MLP e Gradient Boosting, sendo o Random Forest o que apresentou menor erro preditivo. Os resultados mostram que o modelo proposto permite analisar cenários operacionais com base em dados históricos, antecipar gargalos e apoiar decisões sobre alocação de recursos. A estrutura modular e reprodutível torna a solução aplicável em contextos reais de gestão de serviços, promovendo uma atuação proativa e baseada em evidências.

Palavras-chave: Gestão de demandas, Serviço de Software, Machine Learning, Dinâmica de Sistemas

Referências

Akbari, M. and Do, T. N. A. (2021). A systematic review of machine learning in logistics and supply chain management: current trends and future directions. Benchmarking: An International Journal, 28(10):2977–3005.

Beal, A. (2001). Introdução à gestão de tecnologia da informação. Beal Educação e Tecnologia, 2.

Bezerra, T. R., Moura, J. A. B., Lima, A. S., and Souza, J. N. d. (2024). Decision-making support in it services sourcing management through a system dynamics model. IEEE Transactions on Network and Service Management, 21(4):3813–3828.

Chen, S., Pan, Y., Chen, L., and Wu, D. D. (2020). A system dynamics model for capacity planning of component supply in complex product manufacturing. IEEE Systems Journal, 15(1):8–16.

Choi, J.-h., Lee, Y., and Kwak, Y. H. (2020). A socioeconomic ripple effect analysis of integrative national construction standards codification efforts: system dynamics approach. IEEE Transactions on Engineering Management, 69(6):2959–2975.

Faezipour, M. and Ferreira, S. (2016). A system dynamics approach for sustainable water management in hospitals. IEEE Systems Journal, 12(2):1278–1285.

Fenner, G., Lima, A. S., Souza, J. N. d., Moura, J. A. B., and Bezerra, T. R. (2020). Business-driven support for infrastructure as a service capacity management through system dynamics simulations. IEEE Transactions on Network and Service Management, 18(2):2063–2076.

Kohlrausch, G. S. (2013). Proposta para implantação e gestão de um processo de desenvolvimento de software baseado em métodos ágeis. Master’s thesis, Universidade do Vale do Rio dos Sinos (UNISINOS).

Li, X., Kuang, H., and Hu, Y. (2020). Using system dynamics and game model to estimate optimal subsidy in shore power technology. IEEE Access, 8:116310–116320.

Monteiro, L. H. A. (2002). Sistemas dinâmicos. Editora Livraria da Física.

Perea, E., Grossmann, I., Ydstie, E., and Tahmassebi, T. (2000). Dynamic modeling and classical control theory for supply chain management. Computers & Chemical Engineering, 24(2-7):1143–1149.

Polo-Triana, S., Gutierrez, J. C., and Leon-Becerra, J. (2024). Integration of machine learning in the supply chain for decision making: A systematic literature review. Journal of Industrial Engineering and Management, 17(2):344–372.

Villate, J. E. (2016). Dinâmica e sistemas dinâmicos. Universidade do Porto, Creative Commons Atribution Sharealik, ISBN 978-972-99396-1-7.

Ye, H., Liang, L., Li, G. Y., Kim, J., Lu, L., and Wu, M. (2018). Machine learning for vehicular networks: Recent advances and application examples. IEEE Vehicular Technology Magazine, 13(2):94–101.