MBA em Gestão Industrial

Matemática Financeira. Contextualização do conceito de um projeto de investimento. Aplicação das metodologias na avaliação de projetos de investimento. Análise de cenários e tipos de risco. Identificação das metodologias destinadas à aplicabilidade em projetos com montante de investimento e vida útil iguais e diferentes.

Funções do forecasting. Principais fundamentos e conceitos envolvidos. Abordagens qualitativas e quantitativas. Métodos colaborativos: ECR, CPFR e S&OP. Erros e incertezas. Qualidade das previsões. Medidas de erro em previsões. Modelos de séries temporais. Componentes da demanda. Suavizações exponenciais. Ajustes de tendência e sazonalidade. Modelos de Holt-Winters. Método causal. Variáveis explicativas e análises de correlações. Regressões múltiplas. 

Custos fixos, variáveis, mistos, diretos e indiretos. Margem de contribuição. Análise custo-volume-lucro (C-V-L). Ponto de equilíbrio. Custeio variável. Custeio por absorção. Custeio ABC. Uso das informações de custos na tomada de decisão gerencial.

Fundamentos da TOC: pensamento sistêmico e conceito de restrição, cinco passos de focalização da TOC. Apresentação de caso introdutório. Métricas de ganho e tomada de decisão: definição de ganho. Inventário e despesa operacional. Análise de decisões de mix de produtos e investimentos utilizando as métricas da TOC. Contraste com a contabilidade de custos tradicional. Programação DBR: identificação do tambor. Função da corda. Uso de pulmões de tempo para proteger o sistema contra a variabilidade. Estruturação do sistema de programação DBR. Sequenciamento da produção e otimização do fluxo. Regras de prioridade para sequenciamento em uma máquina: First In, First Out (Fifo), Shortest Processing Time (SPT), Earliest Due Date (EDD). Indicadores de desempenho de sequenciamento. Algoritmo de Johnson para sequenciamento em duas máquinas.

Fundamentos de operações e Supply Chain Management (SCM): definições e escopo. Três fluxos da cadeia e cinco Ps das operações. Dimensões competitivas, trade-offs, ganhadores e qualificadores de pedido. Sistemas produtivos e análise de processos: classificação. Ponto de penetração do pedido. Identificação e análise de gargalos. Gestão de desempenho e modelos de referência: definição e aplicação de KPIs – apresentação do modelo Supply Chain Operations Reference (Scor). Integração e colaboração na cadeia: parcerias e classificação de fornecedores (Matriz de Kraljic). Modelos de colaboração. Tendências e inovações em supply chain. Digitalização e Indústria 4.0. Sustentabilidade – Environmental, Social and Governance (ESG) – e resiliência na cadeia de suprimentos. Gestão de riscos.

Fundamentos e estrutura da gestão de riscos: conceitos de risco, incerteza e oportunidade, processo de gestão de riscos. Framework da norma ABNT NBR ISO 31000: princípios, estrutura e processo. Ferramentas para análise de riscos operacionais: ferramentas qualitativas – matriz de probabilidade e impacto, Failure Mode and Effects Analysis (FMEA). Aplicação das ferramentas em estudos de caso de sistemas produtivos. Riscos na cadeia de suprimentos e sustentabilidade: tipologia de riscos na cadeia de suprimentos. Introdução aos riscos de sustentabilidade e framework ESG. Intersecção entre riscos operacionais, de suprimentos e de sustentabilidade. Tratamento de riscos e tomada de decisão: opções de tratamento de riscos. Análise de custo-benefício das estratégias de tratamento, modelos de decisão gerencial em cenários de risco.

Liderança no contexto de mudanças ambientais e organizacionais. Desenvolvimento de competências para a liderança na era da transformação digital. Teorias e abordagens para a liderança. Feedback para o desenvolvimento de equipes. Gestão das emoções, relacionamento interpessoal e desempenho. Formação e estratégias de desenvolvimento de equipes. Características e tipos de equipe. Fases do desenvolvimento de equipes. Diversidade nas equipes. Motivação e engajamento de equipes. Teorias motivacionais e prática da liderança. Delegação, autonomia e empowerment nas equipes.

Fundamentos de ML e regressão: tipos de aprendizado, fluxo de trabalho de um projeto de ML. Algoritmos de regressão linear: intuição e aplicação. Modelos de classificação. Algoritmos de regressão logística: intuição e aplicação. Intuição sobre árvores de decisão. Métodos Ensemble: conceito de bagging (random forest) e boosting (GBM). Aplicação prática dos modelos de classificação no Knime. Validação de modelos e métricas de performance: validação cruzada (cross-validation). Matriz de confusão: acurácia, precisão, recall e F1-Score. Análise da curva ROC e da métrica AUC. Métricas de regressão: MSE, RMSE, MAE, Mape, MPE. Tópicos avançados: introdução conceitual a redes neurais e deep learning. Diferentes tipos e aplicações de redes neurais. Aprendizado não supervisionado: conceito de clusterização. Algoritmo K-Means para segmentação de dados.

Introdução à pesquisa operacional e à modelagem de PL: abordagem da pesquisa operacional para a tomada de decisão. Estrutura de um problema de PL: função objetivo, variáveis de decisão, restrições. Modelagem de um problema clássico de mix de produção. Resolução de problemas de PL e análise de sensibilidade: resolução gráfica de problemas com duas variáveis. Uso do Solver do Excel para encontrar a solução ótima. Interpretação do relatório de sensibilidade: preços-sombra, intervalos de otimalidade e viabilidade. Programação inteira e mista: variáveis inteiras e binárias. Modelagem de problemas com decisões "sim/não". Resolução de problemas de programação inteira e mista com o Solver. Modelos de otimização em redes: introdução a grafos e redes. Modelagem do problema do caminho mínimo. Modelagem do problema do fluxo máximo. Modelagem do problema de transbordo. Análise de sistemas por simulação: diferenças entre otimização e simulação. Conceitos de simulação a eventos discretos: entidades, atributos, eventos, filas, recursos. Estrutura de um modelo de simulação. Análise de indicadores de desempenho a partir de resultados de simulação.