Coleta de dados
Contexto e desafios
A previsão de manutenção para agilizar o atendimento dos usuários era essencial, já que, com máquinas de ATMs (caixas eletrônicos) espalhadas pelas principais cidades do Brasil, a cliente enfrentava custos de manutenção devido às frequentes quebras das máquinas, resultando em indisponibilidade. O desafio foi validar as provas de conceito sobre Machine Learning: identificar se algum ATM iria quebrar dentro de 24 horas e prever qual parte do equipamento havia quebrado após uma parada ou anomalia
A solução
A solução foi desenvolver um modelo de Machine Learning para gerar previsibilidade de manutenção dos caixas eletrônicos, com foco em resolver o problema e reduzir prazos e custos, eliminando a necessidade de duas visitas ao local: uma para localizar o caixa e identificar o motivo da quebra e outra para realizar a manutenção. As hipóteses englobavam:
Preparação dos dados
Geração de modelos estatísticos
Alertas e agendamento
Resultados Obtidos
Nos resultados obtidos, a Prova de Conceito 1 demonstrou a previsibilidade de que um ATM poderia quebrar em até 24 horas. Testando o modelo de Machine Learning criado com o histórico de dados, foi possível alcançar 90% de precisão na teoria e 70% em operação. Isso resultou na diminuição do tempo de indisponibilidade dos caixas eletrônicos, na redução das paradas programadas para manutenção, na redução dos custos de manutenção, no aumento da confiabilidade e da garantia de qualidade dos serviços prestados, além do aumento do tempo de vida das máquinas. Já na Prova de Conceito 2, o objetivo foi prever qual parte do ATM havia quebrado. Nossos especialistas geraram um modelo estatístico, utilizando o histórico de dados, para identificar a causa do problema e indicar a ação necessária para resolvê-lo. Essa solução atingiu 70% de acerto no diagnóstico do problema e possibilitou a redução de custos das visitas de manutenção, já que antecipa o diagnóstico do problema
