A utilização de S&OP para o aumento da produtividade e redução do impacto ambiental na cadeia produtiva de alimentos: o caso da produção de maçã no Brasil
Bibliographic record
Abstract
Atualmente no Brasil são cultivadas uma grande variedade de frutas. Muitas destas frutas, como é o caso da maçã, foram introduzidas no Brasil e com o passar do tempo tornaram-se populares entre os consumidores brasileiros. A cadeia produtiva da fruta envolve atividades que incluem o cultivo, armazenagem e a comercialização do produto. A produção (cultivo) da maçã acompanha os padrões da sazonalidade da fruta, porém a demanda por este produto existe durante todo o ano. Para acomodar as diferenças entre os padrões de produção e consumo garantindo a manutenção da qualidade do produto e também para reduzir os desperdícios de materiais torna-se essencial o planejamento e a coordenação das atividades de produção, armazenagem e comercialização da maçã. Neste sentido, o presente estudo apresenta as implicações da precariedade do planejamento e de controle dos processos e atividades envolvidas na cadeia produtiva de frutas no Brasil explorando especificamente o caso da produção de maçãs. O estudo evidencia que as práticas de Supply Chain Management (SCM) tais como a utilização de ferramentas de e processos de Sales and Operations Planning (S&OP) contribuiria de maneira significativa para reduzir desperdícios e aumentar a produtividade das empresas do agronegócio no Brasil. A redução das perdas nas etapas da cadeia produtiva permite aumenar a rentabilidade do setor e a disponibilidade de alimentos com um impacto menor no meio ambiente.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".