Ciência de Dados Aplicada à Redução da Diversidade de Peças em Portfólios Industriais

Eduardo Zonatto; Jéssica Eloá Poletto

DOI: 10.22167/2675-6528-202602850

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A diversidade excessiva de componentes em portfólios industriais gera custos operacionais e ineficiências ao longo de toda a cadeia produtiva. Aplicou-se um pipeline integrado de ciência de dados para caracterizar padrões de utilização de componentes em um portfólio industrial real e identificar, de forma quantitativa e reprodutível, oportunidades de padronização e racionalização. A pesquisa caracterizou-se como quantitativa, com dados secundários, utilizando análise estatística descritiva, agrupamento e modelagem de rede. Analisaram-se 4.580 itens com vínculo direto ao portfólio de produtos, sobre os quais se desenvolveu um pipeline analítico em Python, que incluiu preparação de dados, detecção de outliers, análise exploratória, redução de dimensionalidade, agrupamento K-means, modelagem de rede bipartida ponderada com métricas de centralidade e síntese pelo Network Criticality Index com detecção de módulos. Os resultados segmentaram o portfólio em quatro perfis: componentes ultraestruturais (11,7%), que demandam análise individualizada; de plataforma (7,2%), candidatos à consolidação em novos projetos; de uso intermediário (15,8%), principal oportunidade de padronização imediata; e de uso restrito (65,3%), candidatos à racionalização. Adicionalmente, 6.658 componentes (42,0%) não registraram utilização, representando oportunidade imediata de simplificação. A detecção de sete módulos revelou uma organização modular que viabiliza iniciativas de padronização com escopo controlado, demonstrando a capacidade da metodologia em identificar oportunidades de otimização e gestão de portfólio.

Palavras-chave: Análise de redes; Ciência de dados aplicada à engenharia; Clustering; Diversidade de peças; Padronização de componentes.

1. Introdução

A diversidade excessiva de componentes em portfólios industriais é reconhecida como um fator gerador de custos operacionais e complexidade ao longo de todo o ciclo de vida do produto. Cada novo componente introduzido em um portfólio acarreta encargos que vão além do custo do item em si, abrangendo a qualificação de fornecedores, a manutenção de estoque dedicado, os processos de inspeção e rastreabilidade, e o custo de retenção no catálogo. Em ambientes de manufatura de alta variedade, como o de veículos comerciais com múltiplas configurações, esse efeito é amplificado pela sobreposição de componentes funcionalmente equivalentes que acumulam variantes ao longo de gerações de produto sem uma gestão ativa da variedade (Fisher e Ittner, 1999; Ulrich e Eppinger, 2020).

A padronização de componentes e o compartilhamento deliberado de peças entre produtos são estratégias consolidadas para conter esse crescimento e mitigar as ineficiências. A literatura de engenharia de produto demonstra que projetos modulares e o uso de plataformas comuns reduzem custos de desenvolvimento, aumentam a reutilização e simplificam a cadeia de suprimentos (Jose e Tollenaere, 2005; Liu et al., 2010). A mensuração do grau de comunalidade entre produtos, que representa a fração de componentes compartilhados em relação ao total do portfólio, é um indicador crítico para decisões de arquitetura de produto, com diversos índices quantitativos propostos para capturar suas múltiplas dimensões (Thevenot e Simpson, 2006). Decisões de arquitetura de produto, especialmente a escolha entre módulos independentes e componentes compartilhados, determinam grande parte dos custos de desenvolvimento, produção e serviço ao longo do ciclo de vida (Ulrich e Eppinger, 2020). A reutilização de componentes em projetos mecânicos não é apenas uma conveniência de engenharia, mas uma decisão de sistema com impacto direto sobre confiabilidade, intercambiabilidade e custo de manutenção (Budynas e Nisbett, 2019; Norton, 2020).

Apesar da relevância do tema, a identificação de oportunidades de padronização ainda é frequentemente conduzida de forma empírica, apoiada na experiência de engenheiros e em revisões periódicas de catálogo. Esse processo é limitado pela escala dos portfólios industriais reais, que contêm dezenas de milhares de componentes distribuídos por centenas de produtos e estruturas de montagem, tornando a análise manual sistemática inviável. Embora dados corporativos que registram cada vínculo estrutural entre componentes e produtos existam nesses ambientes, eles raramente são explorados como base para decisões quantitativas de gestão do portfólio.

A aplicação de técnicas de ciência de dados a esse problema permite transformar registros operacionais de engenharia em conhecimento estruturado e acionável. Métodos de agrupamento, como o K-means, identificam componentes com perfis similares de utilização. A Análise de Componentes Principais (PCA) reduz a dimensionalidade do problema sem perda de informação relevante. A modelagem de redes complexas, por sua vez, captura propriedades estruturais do portfólio que análises tabulares convencionais não alcançam (Newman, 2010; Barabási, 2016). Em particular, a representação bipartida das relações componente-produto como uma rede ponderada permite calcular métricas de centralidade, como grau, força, Betweenness, Eigenvector e PageRank, que quantificam o papel sistêmico de cada componente na arquitetura do portfólio (Newman, 2010; Barabási, 2016).

Abordagens recentes têm consolidado o uso de grafos e métricas da teoria de redes como instrumentos de apoio ao projeto modular e à gestão de interdependências em sistemas de engenharia complexos, demonstrando que propriedades estruturais da rede, como a distribuição de grau, permitem identificar componentes de alto impacto antes de qualquer intervenção no portfólio (Sosa et al., 2007). Componentes com alta centralidade de intermediação, por exemplo, funcionam como pontes entre diferentes segmentos do portfólio e demandam tratamento diferenciado em iniciativas de racionalização. A combinação dessas abordagens produz uma segmentação do portfólio mais rica do que qualquer técnica isolada: o agrupamento fornece grupos interpretáveis para priorização, a análise de rede revela a criticidade sistêmica de cada componente, e a integração de ambos, por meio de um índice de criticidade estrutural, permite ordenar o portfólio por risco e por oportunidade simultaneamente, diferenciando-se de abordagens que utilizam apenas atributos funcionais e geométricos (Jiao et al., 2007).

Diante do exposto, este trabalho se justifica pela necessidade de uma abordagem quantitativa e reprodutível para a gestão da diversidade de componentes em portfólios industriais, superando as limitações dos métodos empíricos tradicionais. O objetivo deste trabalho foi aplicar um pipeline integrado de ciência de dados, combinando análise exploratória, agrupamento e modelagem de redes, para caracterizar os padrões de utilização de componentes em um portfólio industrial real e identificar, de forma quantitativa e reprodutível, oportunidades de padronização e racionalização.

2. Material e Métodos

O presente estudo caracterizou-se como uma pesquisa de levantamento de dados secundários, de natureza quantitativa. A abordagem metodológica incluiu análise estatística descritiva, técnicas de agrupamento (clustering) e modelagem de rede, conforme as diretrizes de Gil (2019) e Prodanov e Freitas (2013). O objetivo foi aplicar um pipeline integrado de ciência de dados para caracterizar padrões de utilização de componentes e identificar oportunidades de padronização e racionalização em um portfólio industrial real.

A pesquisa foi conduzida em uma montadora de veículos comerciais, utilizando três bases de dados corporativas extraídas do sistema de gestão de engenharia da empresa. As bases foram exportadas em formato tabular e integradas por meio do identificador único de componente (Partno), garantindo a rastreabilidade e a consistência dos dados. O período da coleta de dados não foi explicitamente informado no TCC original, mas os dados representam um recorte estático do portfólio.

A primeira base, denominada base de componentes, continha o cadastro geral dos itens do portfólio, incluindo atributos de estágio de desenvolvimento e status de validade. A segunda base, de links, registrava os vínculos estruturais diretos entre componentes e produtos, utilizando identificadores únicos de link (LinkID) e a quantidade ajustada de cada ocorrência (adjusted_qty). A terceira base, de montagens, descrevia os vínculos entre componentes e submontagens intermediárias, sendo utilizada para classificar o tipo de utilização dos componentes.

A partir do cruzamento dessas três bases, foram classificados 15.847 componentes válidos, restritos ao estágio de industrialização (Stage = P) e ao status ativo (Status = VALID). Desses, 4.580 componentes apresentavam vínculos diretos com produtos, formando a Rede A, que constituiu o universo de estudo principal. A base de montagens (Rede B) foi utilizada apenas para fins de classificação, não sendo submetida à modelagem de rede.

O tratamento e a análise dos dados foram estruturados em um pipeline sequencial de sete etapas, implementado em Python 3. As bibliotecas utilizadas incluíram pandas e numpy para manipulação de dados, scikit-learn para padronização, Análise de Componentes Principais (PCA) e K-means, networkx para construção e análise da rede, e python-louvain para detecção de comunidades. Os resultados foram exportados em formato CSV para visualização em Power BI Desktop.

Na etapa de preparação dos dados, as três bases foram carregadas, filtradas e integradas. A base de links, que inicialmente continha 692.465 registros brutos, foi processada com remoção de registros nulos e deduplicação por par (Partno, Product_ID), resultando em 18.818 relações únicas de componente-produto. Cada linha representou um LinkID único, indicando a recorrência estrutural de um componente em uma montagem específica.

Para cada componente, foram calculadas três variáveis de caracterização: num_products, que expressa o número de produtos distintos nos quais o componente é utilizado; num_links, que contabiliza o total de LinkIDs associados ao componente em todos os produtos; e total_qty, que corresponde à soma dos valores de adjusted_qty, representando o volume físico total consumido no portfólio.

Antes da aplicação das técnicas de agrupamento, realizou-se a detecção e o isolamento de componentes com valores extremos, denominados “outliers”. O critério adotado foi o método do intervalo interquartil (IQR), definido como a diferença entre o terceiro (Q3) e o primeiro (Q1) quartil da distribuição da variável. Um fator conservador k = 3,0 foi aplicado de forma independente sobre cada uma das três variáveis de caracterização.

Um componente foi classificado como “outlier” quando ultrapassou o limite superior, calculado como Q3 + k × IQR. Esse procedimento identificou 538 componentes que foram isolados da base analítica e caracterizados separadamente, para evitar distorções nos centroides do K-means. A base limpa, utilizada nas análises subsequentes, ficou composta por 4.042 componentes.

A análise exploratória compreendeu a elaboração de estatísticas descritivas das variáveis de caracterização, incluindo a distribuição por faixas de reutilização e o cálculo de correlações de Pearson. Para a redução de dimensionalidade, a Análise de Componentes Principais (PCA) foi aplicada sobre as variáveis num_products e num_links da base limpa, após padronização pelo método z-score. A variável total_qty foi excluída devido à sua alta redundância com num_links.

O agrupamento foi realizado pelo algoritmo K-means sobre a projeção bidimensional da PCA. A determinação do número de grupos (K) foi feita com base no método do cotovelo (inércia intra-cluster) e no coeficiente de silhueta. Adotou-se K = 3, justificado por critérios de engenharia para distinguir componentes de uso único, intermediário e de alta reutilização, com um coeficiente de silhueta de 0,588.

Como método de validação, aplicou-se o algoritmo DBSCAN sobre o mesmo espaço PCA, com parâmetros eps = 0,5 e min_samples = 5. Essa validação confirmou a ausência de estrutura multimodal clara nos dados, corroborando a escolha do K-means como método de agrupamento principal. Os centroides dos grupos foram ordenados pelo valor mediano de num_products para garantir consistência entre as execuções.

A relação entre componentes e produtos foi modelada como uma rede bipartida ponderada. Os nós do tipo C representaram componentes e os nós do tipo P representaram produtos. Cada aresta C-P recebeu como peso o número de LinkIDs do par correspondente, refletindo a intensidade da relação estrutural. A rede resultante incluiu 4.580 nós componente, 41 nós produto, 18.818 arestas únicas e 692.455 links ponderados totais.

Foram calculadas cinco métricas de centralidade para cada componente da rede, capturando distintas dimensões de importância estrutural: “Degree” (grau), “Strength” (força), “Betweenness” (centralidade de intermediação), “Eigenvector” e “PageRank”. O cálculo da centralidade de intermediação foi realizado por aproximação, com 500 nós amostrados. Todas as métricas foram normalizadas pelo método Min-Max no intervalo [0, 1] para permitir comparação e composição.

Para sintetizar as métricas de centralidade em um único indicador de criticidade estrutural, definiu-se o Network Criticality Index (NCI) como a média aritmética das métricas normalizadas (Degree_norm, Strength_norm, Betweenness_norm, Eigenvector_norm, PageRank_norm). A detecção de módulos estruturais foi realizada pelo algoritmo de Louvain (Blondel et al., 2008), aplicado diretamente sobre a rede bipartida para maximização de modularidade.

Para verificar a robustez da detecção de módulos, o algoritmo Leiden (Traag et al., 2019) também foi aplicado à Rede A. A concordância substancial entre os resultados de ambos os algoritmos, sem identificação de comunidades desconexas na partição Louvain, confirmou que a escolha metodológica não afetou a identificação dos módulos estruturais.

Em conformidade com as orientações éticas institucionais, o nome da empresa e dados sensíveis foram preservados, garantindo o sigilo das informações utilizadas no estudo. Adicionalmente, foi coletada a autorização do responsável da empresa, por meio de um Termo de Anuência, para o uso das informações e dados.

3. Resultados e Discussão

A análise inicial do portfólio revelou um universo de 15.847 componentes válidos, dos quais 6.658, correspondendo a 42,0% do total, não apresentavam qualquer registro de utilização. Este contingente de itens sem uso representa uma oportunidade imediata e direta de simplificação do portfólio, pois a ausência de vínculos é, por si só, um critério robusto para revisão e potencial eliminação, independentemente de análises mais complexas. A gestão de tais componentes inativos gera custos desnecessários de manutenção de catálogo e potencial de estoque, impactando a eficiência operacional da empresa.

Dentre os componentes com utilização registrada, 4.580 itens, que representam 28,9% do total válido, estavam diretamente vinculados a produtos finais, constituindo a Rede A, foco principal deste estudo. A base de dados de links, inicialmente com 692.465 registros brutos, foi tratada por deduplicação de pares componente-produto, resultando em 18.818 relações únicas. Essa diferença significativa entre o número de registros brutos e as relações únicas evidencia a alta recorrência estrutural do portfólio, onde cada par componente-produto aparece, em média, 36,8 vezes na estrutura de montagem. O registro mais intensivo alcançou 42.774 ocorrências para um único par, indicando que certos componentes estão profundamente integrados na arquitetura de múltiplos produtos.

Estatística descritiva e distribuição de reutilização

A estatística descritiva das variáveis de caracterização, calculada sobre a base completa e a base limpa (após a remoção dos componentes ultraestruturais), demonstrou o impacto dos “outliers” nas estimativas de tendência central. Na base completa, a média de num_links era de 151,2, enquanto na base limpa, após o isolamento de 538 componentes, essa média caiu para 18,3. Essa variação sublinha a importância da detecção e tratamento de valores extremos para garantir a precisão das análises subsequentes, especialmente no que tange à identificação de padrões de uso e reutilização.

A distribuição da variável num_products na base limpa (n = 4.042) revelou uma estrutura de cauda longa acentuada, característica de redes com distribuição de grau heterogênea, conforme descrito por Barabási (2016). Observou-se que 44,6% dos componentes são utilizados em apenas um produto, e 63,2% em no máximo dois produtos. Apenas 4,6% dos componentes estão presentes em dez ou mais produtos. Esse padrão indica que a maior parte do portfólio é composta por itens de aplicação pontual, com baixo potencial de reutilização transversal, o que direciona as estratégias de padronização para segmentos específicos.

Componentes ultraestruturais

Os 538 componentes classificados como ultraestruturais, representando 11,7% da Rede A, foram isolados devido à sua elevada criticidade e potencial de distorção nas análises de agrupamento. Esses itens concentram uma parcela desproporcional da conectividade da rede. Por exemplo, o componente com maior criticidade (Partno 980464) estava presente em 35 dos 41 produtos analisados, respondendo por 13,9% de todos os links da base. Esse padrão de concentração, onde poucos componentes sustentam a maior parte das conexões, é um traço distintivo de redes com distribuição de grau heterogênea, como apontado por Barabási (2016).

A identificação e o isolamento desses componentes ultraestruturais são cruciais para a gestão do portfólio. Do ponto de vista de engenharia, esses itens não são candidatos à racionalização sem uma avaliação técnica individualizada aprofundada, pois sua remoção ou substituição poderia impactar significativamente a estrutura de uma fração expressiva do portfólio. A gestão diferenciada desses componentes é, portanto, uma condição necessária para qualquer iniciativa de padronização eficaz, permitindo que as ações sejam direcionadas de forma estratégica e minimizando riscos sistêmicos.

Análise de Componentes Principais

A Análise de Componentes Principais (PCA) foi aplicada sobre as variáveis num_products e num_links da base limpa (4.042 componentes), após padronização z-score. A variável total_qty foi excluída da análise por apresentar uma alta correlação com num_links (r = 0,738, p 0,17, demandam análise técnica individualizada devido ao risco sistêmico de qualquer alteração.

Em conjunto, os componentes sem utilização registrada e os de uso restrito somam 9.649 itens, representando 60,9% do portfólio válido total. Esse contingente constitui a principal oportunidade de simplificação do portfólio, com potencial de redução expressiva nos custos de gestão, estoques e processos de qualificação de fornecedores. Os 723 componentes de uso intermediário representam a oportunidade de padronização mais imediata, pois já possuem reutilização moderada comprovada, indicando uma demanda real que justifica o investimento em consolidação. Os componentes de plataforma (Grupo 2) não são candidatos à eliminação, mas à consolidação e proteção, sendo a criação de famílias de componentes padronizados a partir desse grupo a alavanca mais eficiente para reduzir a entrada de novos componentes no portfólio ao longo do tempo.

Limitações

O estudo apresenta algumas limitações que devem ser consideradas na interpretação dos resultados. A análise foi restrita à Rede A, que compreende os vínculos diretos entre componentes e produtos, excluindo a Rede B, que modela as relações por meio de submontagens intermediárias. A inclusão da Rede B poderia alterar a classificação de componentes que participam intensamente de montagens, mas aparecem pouco nos vínculos diretos ao produto final. Adicionalmente, as análises foram realizadas sobre um recorte temporal estático dos dados, sem considerar a evolução histórica do portfólio, o que significa que variações sazonais, projetos em desenvolvimento e componentes em fase de descontinuação não foram capturados.

A escolha de K = 3 no agrupamento, embora justificada por um critério de engenharia para maior granularidade interpretativa, implica alguma arbitrariedade na fronteira entre os grupos. Componentes próximos a essas fronteiras devem ser tratados com cautela e avaliados individualmente antes de qualquer decisão de racionalização. Além disso, o Network Criticality Index (NCI), embora útil como índice de priorização, não substitui a análise de viabilidade técnica e econômica das ações de padronização, ele indica onde direcionar a atenção, mas não o que decidir especificamente.

Uma limitação adicional reside no uso do volume físico de consumo no modelo. Cada LinkID possui um atributo adjusted_qty, indicando a quantidade daquele componente em uma posição de montagem específica. No entanto, esse valor granular não foi utilizado diretamente como peso das arestas na rede bipartida; os pesos foram definidos pelo número de LinkIDs do par componente-produto (num_links), tratando cada link com peso unitário. A variável total_qty, que agrega os valores de adjusted_qty por componente, foi considerada na análise exploratória, mas excluída antes do PCA por alta correlação com num_links (r = 0,738, p < 0,001). Como consequência, dois componentes com o mesmo num_links recebem o mesmo NCI, mesmo que um consuma 1 peça por link e o outro 500, uma diferença que pode ser determinante para o custo de estoque, logística e qualificação de fornecedor associados a cada item. O modelo atual captura onde o componente é usado na estrutura, mas não quanto é consumido em cada posição.

Contribuições e trabalhos futuros

A principal contribuição deste trabalho é metodológica, demonstrando que a combinação de agrupamento (clustering) sobre o espaço PCA com a modelagem de rede bipartida ponderada produz uma segmentação do portfólio mais rica do que qualquer uma das duas abordagens isoladas. O uso de variáveis derivadas da estrutura da rede, como num_links, como entrada para o PCA, permitiu capturar a recorrência estrutural como uma dimensão independente da transversalidade, o que é um avanço em relação a abordagens que utilizam apenas atributos puramente contábeis.

Como desdobramentos naturais deste trabalho, identifica-se a extensão da análise para a Rede B (submontagens), permitindo a classificação de componentes por nível hierárquico na estrutura de produto. A incorporação de dados econômicos, como custo unitário, custo de qualificação de fornecedor e volume de compra, é essencial para transformar a priorização estrutural em uma análise de impacto financeiro. A aplicação longitudinal do pipeline para monitorar a evolução dos indicadores de diversidade ao longo do tempo também é um caminho promissor, criando uma base de referência para avaliar o efeito real das iniciativas de padronização implementadas.

Em síntese, o pipeline integrado de ciência de dados demonstrou ser uma ferramenta eficaz para caracterizar quantitativamente os padrões de utilização de componentes em um portfólio industrial real, identificando oportunidades claras de padronização e racionalização. A segmentação do portfólio em perfis distintos, a hierarquia de criticidade estrutural revelada pelo NCI e a detecção de módulos estruturais oferecem um roteiro acionável para a gestão da diversidade, permitindo decisões de engenharia e gestão de fornecedores mais informadas e estratégicas, e respondendo diretamente ao objetivo de otimizar a gestão de portfólio.

4. Conclusão

O estudo buscou aplicar um pipeline integrado de ciência de dados para caracterizar os padrões de utilização de componentes em um portfólio industrial real e identificar oportunidades de padronização e racionalização. Verificou-se que 6.658 componentes não registravam utilização, representando uma oportunidade imediata de simplificação. Adicionalmente, a análise dos 4.580 componentes ativos revelou a existência de 538 itens ultraestruturais, cuja criticidade sistêmica demanda avaliação individualizada. O agrupamento por K-means, aplicado sobre o espaço de componentes principais, segmentou o restante do portfólio em três perfis distintos: 2.991 componentes de uso restrito, candidatos à racionalização; 723 de uso intermediário, que constituem a principal oportunidade de padronização imediata; e 328 de alta reutilização, designados como componentes de plataforma para consolidação em novos projetos. A modelagem de rede bipartida e o Network Criticality Index (NCI) confirmaram uma hierarquia de criticidade, e a detecção de sete módulos estruturais indicou a viabilidade de iniciativas de padronização com escopo controlado. A principal contribuição metodológica reside na demonstração de que a combinação de agrupamento com modelagem de rede, utilizando variáveis de recorrência estrutural como entrada para o PCA, oferece uma segmentação mais rica e acionável do portfólio, superando as limitações de abordagens baseadas apenas em atributos contábeis ou funcionais.

Contudo, o estudo apresentou limitações, como a restrição da análise à Rede A, que modela apenas vínculos diretos entre componentes e produtos, e a natureza estática dos dados, que não capturou a evolução temporal do portfólio. A escolha de K = 3 no agrupamento, embora justificada por critérios de engenharia, introduziu alguma arbitrariedade nas fronteiras dos grupos, e o NCI, embora um valioso índice de priorização, não substitui a análise de viabilidade técnica e econômica. Uma limitação adicional foi a não utilização do volume físico de consumo (adjusted_qty) como peso das arestas na rede, o que pode impactar a priorização de componentes com o mesmo número de links, mas volumes de consumo distintos. Para trabalhos futuros, sugere-se a extensão da análise à Rede B (submontagens), a incorporação de dados econômicos para uma análise de impacto financeiro mais completa, a aplicação longitudinal do pipeline para monitoramento contínuo da diversidade e a inclusão do volume físico de consumo como peso nas arestas da rede. Em suma, o pipeline integrado de ciência de dados demonstrou ser uma ferramenta robusta para a gestão estratégica da diversidade de componentes, fornecendo um roteiro quantitativo para otimizar o portfólio industrial.

Referências Bibliográficas

Barabási, A.L. 2016. Network Science. Cambridge University Press, Cambridge, UK. Disponível em: <http://networksciencebook.com>. Acesso em: 10 mar. 2026.

Blondel, V. D.; Guillaume, J. L.; Lambiotte, R.; Lefebvre, E. 2008. Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment 2008(10): P10008.

Braha, D.; Bar-Yam, Y. 2007. The statistical mechanics of complex product development: empirical and analytical results. Management Science 53: 1127-1145.

Budynas, R. G.; Nisbett, J. K. 2019. Shigley’s Mechanical Engineering Design. 11ed. McGraw-Hill, New York, NY, USA.

Fisher, M. L.; Ittner, C. D. 1999. The impact of product variety on automobile assembly operations: empirical evidence and simulation analysis. Management Science 45: 771–786.

Gil, A. C. 2019. Métodos e Técnicas de Pesquisa Social. 7ed. Atlas, São Paulo, SP, Brasil.

Jiao, J.; Simpson, T. W.; Siddique, Z. 2007. Product family design and platform-based product development: a state-of-the-art review. Journal of Intelligent Manufacturing 18(1): 5-29.

Jose, A.; Tollenaere, M. 2005. Modular and platform methods for product family design. Journal of Intelligent Manufacturing 16: 371-390.

Liu, Z.; Wong, Y. S.; Lee, K. S. 2010. Modularity analysis and commonality design: a framework for the top-down platform and product family design. International Journal of Production Research 48: 3657-3680.

Newman, M. E. J. 2010. Networks: An Introduction. Oxford University Press, Oxford, UK.

Norton, R. L. 2020. Machine Design: An Integrated Approach. 6ed. Pearson, New York, NY, USA.

Prodanov, C. C.; Freitas, E. C. 2013. Metodologia do Trabalho Científico: métodos e técnicas da pesquisa e do trabalho acadêmico. Feevale, Novo Hamburgo, RS, Brasil.

Sosa, M. E.; Eppinger, S. D.; Rowles, C. M. 2007. A network approach to define modularity of components in complex products. Journal of Mechanical Design 129: 1118-1129.

Thevenot, H. J.; Simpson, T. W. 2006. Commonality indices for product family design: a detailed comparison. Journal of Engineering Design 17: 99–119.

Traag, V. A.; Waltman, L.; Van Eck, N. J. 2019. From Louvain to Leiden: guaranteeing well-connected communities. Scientific Reports 9: 5233.

Ulrich, K. T.; Eppinger, S. D.; Yang, M. C. 2020. Product Design and Development. 7ed. McGraw-Hill, New York, NY, USA.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy