Como Profissionais do Mercado Podem Estudar Pesquisa Operacional de Forma Autodidata?

A Pesquisa Operacional (PO) é uma disciplina que combina matemática aplicada, estatística, computação e visão analítica para ajudar organizações a tomarem melhores decisões. Para profissionais que já atuam no mercado, dominar mesmo que parcialmente essa área pode transformar a forma como se planeja produção, otimiza recursos e reduz custos.

A boa notícia: é totalmente possível entrar na PO como autodidata, mesmo vindo de posições não técnicas. Este artigo mostra um caminho claro, prático e realista e ainda conta com um depoimento e dicas de Arnaldo Gunzi, profissional experiente na área de otimização com passagens por empresas como Klabin, Stone e Mercado Livre.

O Caminho Autodidata: 5 Etapas Práticas

1. Comece entendendo os fundamentos (sem matemática pesada)

Antes de mergulhar em equações, entenda para que serve cada ramo da PO.

Sugestões de temas iniciais de pesquisa:

• Programação Linear (LP)

• Programação Inteira/Mista (ILP/MIP)

• Teoria das Filas

• Problemas de Sequenciamento de Máquinas

Recursos iniciais (gratuitos):

• Introduction to Operations Research — Hillier & Lieberman (capítulos introdutórios)

• YouTube: Aulas de Engenharia de Produção e Pesquisa Operacional da UNIVESP

• Coursera: Cursos de Operations Research diversos

Instituições

• Informs 

• SOBRAPO

• Operational Research Society

2. Aprenda modelagem antes de aprender algoritmos

Profissionais buscando otimizações não precisam desenvolver novos algoritmos — isso é para pesquisadores.

O foco deve ser:

• Identificar o problema

• Formular restrições (regras ou limites que o modelo deve obedecer, como capacidade de máquinas, quantidade disponível de material, número máximo de funcionários, tempo total disponível, etc.)

• Definir variáveis (elementos que o modelo pode decidir ou ajustar para encontrar a melhor solução, como quanto produzir de cada produto, quantas horas cada máquina deve operar, quantos funcionários devem ser alocados a cada turno, quanto comprar de matéria-prima, etc.)

• Definir o objetivo (minimizar custo, maximizar produção, etc.)

Exemplo simples de problema típico:

Minimizar atraso total da produção considerando 3 máquinas e 12 ordens.

3. Escolha uma ferramenta prática

Hoje é possível usar PO sem ser especialista em código.

Ferramentas ideais para autodidatas:

Sem código

• Excel Solver (ótimo para começar)

• Plataforma da Harumi (com auxílio da nossa IA em problemas simples)

Com código (para crescer na área)

• Python + PuLP

• Python + OR-Tools (Google)

• Python + Pyomo

• Plataforma da Harumi (para problemas mais complexos)

Essas ferramentas permitem:

• Maximizar ou minimizar funções

• Resolver escalonamento

• Rodar simulações

• Testar cenários “e se…?”

4. Resolva problemas reais da sua empresa

É aqui que a mágica acontece.
Escolha um problema pequeno, mas real.

Sugestões típicas:

• Otimizar o plano de produção semanal

• Definir o mix de produtos que maximiza margem

• Reduzir estoques mantendo nível de serviço

• Programar turnos minimizando horas extras

Comece pequeno → modele → resolva → compare com a prática.

Isso cria um aprendizado poderoso e imediato.

5. Construa portfólio e avance para teoria mais profunda

Depois de resolver 2–3 problemas reais, avance para temas mais analíticos:

• Algoritmos simplex

• Branch and bound

• Metaheurísticas (ex.: simulated annealing, genetic algorithms)

• Otimização estocástica

Você não precisa virar matemático, mas entender o que acontece “por trás das cortinas” ajuda muito.

Experiências e Sugestões de Arnaldo Gunzi

Arnaldo Gunzi possui formação técnica sólida em engenharia e gestão de projetos. Ele se formou no ITA em Engenharia de Infraestrutura Aeronáutica, concluiu mestrado em engenharia eletrônica na UFRJ e fez MBA em Gerenciamento de Projetos na FGV.

Arnaldo já atuou como Coordenador de Projetos Analíticos na Klabin S.A.; como Data Scientist Expert no time de Shipping Optimization do Mercado Livre; e atualmente como Senior Staff Data Scientist na Stone Co; sempre liderando iniciativas de Data Science, Otimização e Pesquisa Operacional aplicadas à indústria.

Ele também atua como professor / instrutor em áreas como estatística, otimização e data science — ajudando a formar analistas e profissionais de dados.

Primeiro, uma constatação: o mundo precisa cada vez mais de soluções analíticas. De uma década e meia para cá, temos cada vez mais sensores diversos coletando dados (como telemetria, sensores de vibração, temperatura, corrente elétrica, etc,), e, para o futuro, mais e mais dados serão coletados e armazenados. Porém, um dado por si só é inútil se não gerar uma decisão, uma ação, uma forma de prever problemas, evitar custos ou aumentar produtividade.

Alguém tem que lidar com essa enxurrada de dados, tratá-la e gerar decisões úteis. Seja você a pessoa que faz isso. Não é tão difícil quanto pode parecer.

Seguem algumas dicas, nas próprias palavras dele:

1. Domine as fundações

Ferramentas vão e vêm, fundamentos ficam. Álgebra Linear, Probabilidade e Estatística, Computação básica são temas que parecem chatos, mas estão nas fundações das fundações de tudo o que vemos. Estude essas coisas chatas, assimile o máximo possível. Depois parta para tópicos específicos de Pesquisa Operacional, como Programação Linear, Inteira, Metaheurísticas. Quem domina as fundações tem um superpoder que a grande maioria das pessoas não têm. É como ter uma visão de Raio-X e conseguir enxergar o código da Matrix que nos envolve.

2. Resolva um problema prático

Teoria e Prática são como rodas num eixo, se só uma rodar, você vai girar em círculos. A teoria é como afiar o machado, e prática, utilizar o machado para cortar. Se só afiarmos o machado e nunca utilizá-lo, nada teremos; se só o utilizarmos sem afiá-lo, este estará cego em pouco tempo. Procure em seu local de trabalho algum problema atacável. Os estoques estão altos demais? O planejamento da produção só apaga incêndios ao invés de planejar? Há desequilíbrio entre processos, com trabalhadores ociosos num turno e sobrecarregados em outro? Há algo que possa ser feito diferente com um pouco a mais de otimização e tecnologia? Tem algum processo que as pessoas demoram o dia todo para processar? Tem algum processo que você faz, que possa ser melhorado?

E se não for a sua função criar soluções de problemas? Ora, não custa perguntar e correr atrás. Nunca vi um gestor (bom) recusar uma solução que melhore custos e aumente a produtividade da área, principalmente se atender aos próximos tópicos a seguir.

3. Simplicidade

Entre duas soluções, escolha a mais simples, já dizia o conceito da Navalha de Occam. Verdade seja dita, as empresas não necessitam de uma super LLM para resolver os seus problemas. A grande maioria desses problemas são muito, muito mais simples. Uma regressão linear já aproxima o suficiente? Uma formulação linear pura já aproxima o problema de forma coerente e captura 80% do valor da solução? Uma Estatística descritiva simples já te dá um bom contexto? Use-o. Você vai ver que as únicas soluções que funcionam de verdade são construídas bottom-up, iniciando do mais simples e adicionando funcionalidades. Nunca vi aquela solução de PPT da Big Consultoria integrando tudo de tudo funcionar na prática...

4. Entendimento do processo

Nosso trabalho envolve muita técnica, porém, paradoxalmente, quanto mais entendermos dos processos reais, melhor. O que cada coluna significa? Por que há outliers? Será que os dados são confiáveis ou estão deprecados? Qual a relação da feature com o output desejado? Já dizia o estatístico Judea Pearl, que os dados são estúpidos. Não vêem causalidade, apenas correlações. Quem deve orquestrar os dados e os modelos é quem entende do processo, é você!

O problema nunca vem formulado, como no exercício do livro. E também nunca tem uma resposta correta e objetiva, como no livro. O que NÃO incluir em um modelo é tão ou mais importante do que incluir neste. Tudo tem um custo: uma solução "ótima" pode ser cara em termos de licença de software e em tempo de processamento, uma solução muito simples pode não explorar o máximo da solução. O problema é sempre formular o problema, não resolver um problema formulado. Esta é a Arte da Modelagem.

5. Título não significa necessariamente aprendizado

Um diploma é só um pedaço de papel se não se traduzir em habilidades reais. Estude de verdade, concentre-se de verdade, absorva o conteúdo. Não é o professor que deve ensinar, é o aluno que deve aprender.

6. Networking

Conecte-se com pessoas da área, conexões de suas conexões. Apareça em eventos da área, como os da SOBRAPO e da Informs. O verdadeiro "aprender por osmose" é aprender com outras pessoas de alto nível. Alguma coisa boa virá deste tipo de conexão.

Domine a técnica e domine os processos e você será imparável!

Por fim, a recompensa

Em termos financeiros a longo prazo, cargos e salários são proporcionais à sua capacidade de geração de valor real. Estude muito, trabalhe muito, tenha a iniciativa de aplicar na prática as ideias. Todos nós ganharemos com isso, como sociedade.

Porém, mais do que isso, nada é melhor do que ver um trabalho seu rodando. Lembro de vezes em que eu andava pelo escritório, e via alguém que nem conhecia (e igualmente, ele não me conhecia), mexendo em alguma ferramenta minha. São as ideias tomando forma no mundo, mudando processos, auxiliando na tomada de decisões e gerando valor!

Como diz o autor Morgan Housel: "Orgulhe-se do que você criou, e não do que você acumulou!"

Grato à Miriam Koga pelo convite e parabéns ao time da Harumi por desbravar um campo tão nobre, difícil e importante quanto a Pesquisa Operacional.

Conclusão

A Pesquisa Operacional não é um campo restrito à academia. Pelo contrário: ela nasce de problemas reais, e profissionais do mercado têm uma vantagem enorme por já conhecerem os gargalos e as restrições da vida real.

Com uma combinação de curiosidade, ferramentas acessíveis e prática direta, qualquer um pode dominar os fundamentos de PO e aplicar isso para transformar sua operação — e até migrar para áreas mais analíticas da empresa.