Os indicadores de desempenho de operação, responsáveis por trazer informações do dia a dia da lavra, são importantes ferramentas que auxiliam na tomada de decisão operacional do planejamento de lavra. Porém, nem sempre esses indicadores são estabelecidos considerando o histórico operacional dos equipamentos, tornando a análise superficial, e ocasionando em uma inadequada decisão operacional. Diante disso, o objetivo do presente estudo foi propor um novo indicador que servirá como metodologia de análise dos indicadores de desempenho da lavra, de modo que auxilie nas tomadas de decisões operacionais pela equipe de planejamento de curto prazo e proporcione em um aumento da aderência de lavra. Para alcançar tal objetivo, foram aplicadas técnicas de mineração de dados e aprendizado de máquina, por meio do algoritmo de floresta aleatória em um histórico operacional dos equipamentos. Resultando no novo indiciador, nomeado de Indicador de Desempenho de Equipamento de Mina (IDEM). A metodologia proposta foi aplicada em um conjunto de dados operacionais da Mina do Sossego, localizada do norte do Brasil, onde, objetivou-se analisar o desempenho operacional da frota de carregamento, que continha 6 escavadeiras. Os resultados indicaram que a escavadeira 1 apresentou baixa eficácia operacional (59%) e que o gargalo está na utilização física do equipamento (longo tempo de mudança de turno, movimentações longas ou horas não programadas). As demais escavadeiras (2, 3, 4, 5 e 6) apresentaram eficácia entre 61 e 69%, resultado considerado satisfatório para a metodologia proposta. Na análise comparativa entre o Indicador de Eficácia Global dos Equipamentos (OEE) e o IDEM, obteve-se uma diferença na classificação de eficácia das escavadeiras de mais de 83%. Além disso, o IDEM mostrou-se ser um importante recurso para avaliação da eficácia operacional das escavadeiras, assim como na detecção de gargalos operacionais.

The operation performance indicators, responsible for bringing information from the day to day of mining, are important tools that help in the operational decision making of mining planning. However, these indicators are not always established considering the operational history of the equipment, making the analysis superficial, and causing an inadequate operational decision. Therefore, the objective of this study was to propose a new indicator that will serve as a methodology for analyzing the mining performance indicators, in order to assist in making operational decisions by the shortterm planning team and provide an increase in the adherence of mining. To achieve this purpose, data mining and machine learning techniques were applied, using the random forest algorithm in an operational historical of the equipment. Resulting in a new indicator, called Mining Equipment Performance Indicator (MEPI). The proposed methodology was applied to a set of operational data from the Sossego mine, located in northern Brazil, where the objective was to analyze the operational performance of the loading fleet, which had 6 excavators. The results indicated that excavator 1 showed low operational efficacy (59%) and that the bottleneck is in the physical utilization of the equipment (long shift change times, long moves or unscheduled hours). The other excavators (2, 3, 4, 5 and 6) presented effectiveness between 61 and 69%, a result considered satisfactory for the proposed methodology. In the comparative analysis between the Overall Equipment Effectiveness indicator (OEE) and the MEPI, a difference in the excavators' effectiveness classification of more than 83% was obtained. In addition, the MEPI proved to be an important resource for evaluating the operational effectiveness of excavators, as well as for detecting operational bottlenecks.