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

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.