Governança digital e viabilidade de um Port Community System (PCS) no Porto de Santos: uma abordagem orientada a dados e integração de stakeholders

Robert Richard das Neves Correia  Santos; Juliana Brondino; Sandra de Oliveira Soares Cardoso; José Augusto Theodosio Pazetti

doi:10.5281/zenodo.20074664

Autores

Robert Richard das Neves Correia Santos Fatec Santos https://orcid.org/0009-0001-8895-9712
Juliana Brondino Fatec Santos https://orcid.org/0009-0005-8603-9372
Sandra de Oliveira Soares Cardoso Fatec Santos https://orcid.org/0009-0004-3688-9814
José Augusto Theodosio Pazetti Fatec Santos https://orcid.org/0000-0003-0889-1373

DOI:

https://doi.org/10.5281/zenodo.20074664

Palavras-chave:

Porto de Santos; Port Community System; Ciência de Dados; Governança Portuária; XGBoost; Lead Time., Porto de Santos, Port Community System, Ciência de Dados, XGBoost, Lead Time, Governança Portuária

Resumo

Este artigo apresenta um estudo de viabilidade para a implementação de um Port Community System (PCS) no Porto de Santos, focando na transição das boas práticas teóricas para a aplicação quantitativa. O setor portuário brasileiro apresenta elevada fragmentação informacional, impactando a eficiência do comércio exterior nacional. A metodologia fundamenta-se no ciclo de vida da Ciência de Dados, utilizando uma integração inédita de bases de dados da ANTAQ, Porto Sem Papel (PSP) e Estatísticas de Anuências. Técnicas de pré-processamento como KNN Imputer, One-hot Encoding e Standard Scaler foram aplicadas, seguidas por um modelo preditivo XGBoost otimizado via framework Optuna para analisar gargalos de Lead Time. Os resultados, validados por valores SHAP e análise de clusters (K-Means), demonstram que a governança multissetorial apoiada por ferramentas preditivas é capaz de mitigar barreiras organizacionais e técnicas. O estudo propõe um framework de integração que utiliza a análise de dados para fundamentar a tomada de decisão compartilhada, visando elevar a competitividade do complexo santista.

Downloads

Não há dados estatísticos.

Referências

AMAZON WEB SERVICES. Como funciona o clustering do k-means. [S.l.]: Amazon Web Services, [s.d.]. Disponível em: https://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/algo-kmeans-tech-notes.html.Acesso em: 13 nov. 2025.

CHARLEAUX, Lupa; TOLEDO, Victor. O que é Machine Learning? Tecnoblog, out. 2024. Disponível em: https://tecnoblog.net/responde/machine-learning-o-que-e-como-funciona-e-quais-sao-os-tipos-de-aprendizado-de-maquina/. Acesso em: 10 nov. 2025.

HASTIE, Trevor; TIBSHIRANI, Robert; FRIEDMAN, Jerome. The elements of statistical learning: data mining, inference, and prediction. 2. ed. New York: Springer, 2009.

HUNTER, John D. Matplotlib: A 2D graphics environment. Computing in Science & Engineering, v. 9, n. 3, p. 90-95, 2007.

I JUNIOR. Automação de processos: como reduzir o retrabalho gerado por tarefas manuais. [S.l.], 22 set. 2022. Disponível em: https://ijunior.com.br/automacao-de-processos-como-reduzir-o-retrabalho-gerado-por-tarefas-manuais/. Acesso em: 27 fev. 2026.

IBM. O que é a análise de componentes principais (PCA)? [S.l.]: IBM, 2023. Disponível em: https://www.ibm.com/br-pt/think/topics/principal-component-analysis. Acesso em: 11 nov. 2025.

MINISTÉRIO DE PORTOS E AEROPORTOS. Porto de Santos está entre organizações mais eficientes do país, segundo publicação nacional. Brasília: MPor, 09 dez. 2025. Disponível em: https://www.gov.br/portos-e-aeroportos/pt-br/assuntos/noticias/2025/12/porto-de-santos-esta-entre-organizacoes-mais-eficientes-do-pais-segundo-publicacao-nacional. Acesso em: 27 fev. 2026.

PEDREGOSA, F. et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, v. 12, p. 2825-2830, 2011.

PINHEIRO, João Manoel Herrera. Um estudo sobre Algoritmos de Boosting e a Otimização de Hiperparâmetros Utilizando Optuna. 2023. 147 p. Monografia (Engenharia Mecatrônica) – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2023.

SIMÕES, Priscila Bayer de Oliveira et al. Benefícios da implantação de Port Community Systems: uma revisão da literatura. In: CONGRESSO NACIONAL INTEGRA PORTOS (CNIT), 2024.

SIMÕES, Priscila Bayer de Oliveira et al. Identificação de boas práticas em Port Community Systems: uma revisão de literatura. In: XLV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO (ENEGEP), Natal, 2025.

WASKOM, Michael L. Seaborn: statistical data visualization. Journal of Open Source Software, v. 6, n. 60, p. 3021, 2021.

YOKOYAMA, Naoki. Modelos de Machine Learning. Medium, 30 out. 2020. Disponível em: https://naokiyokoyama.medium.com/modelos-de-machine-learning-bcb3f8ed1513. Acesso em: 15 nov. 2025.