Inscrições pelo sympla encerradas

Caso tenha interesse no curso entre em contato pelo email: [email protected] ou whatsapp: 47 99762-2626

OBJETIVO

O Curso MachineLearning aplicado ao S&OP tem por objetivo capacitar os participantes a desenvolverem seus próprios scripts de inteligência artificial através da linguagem de programação R, bem como oferecer um deep dive nas melhores práticas do processo de S&OP (Sales and Operations Planning).

POR QUE O CURSO FOI DESENVOLVIDO

O S&OP está amplamente difundido no meio empresarial, figurando como a principal ferramenta de gestão tática do negócio. Possui como principal input o planejamento de demanda, que devido volatilidade crescente dos cenários mercadológicos, tem-se tornado um desafio em tanto obter adequado grau de acuracidade. Neste contexto, a adoção da inteligência artificial é uma tendência para um planejamento de demanda mais preciso. 

DIFERENCIAIS

Ofereceremos o ÚNICO curso de curta duração no Brasil com enfoque PRÁTICO em Machine Learning aplicado ao processo de S&OP. Além disso, serão ministrados 3 cursos em 1: S&OP; Fundamentos de R; R Aplicado ao S&OP.

PARA QUEM É INDICADO

Destinado aos profissionais nas diferentes fases de carreiras, que atuam com S&OP, IBP, S&OE, PPCP, Planejamento de Demanda, Planejamento Comercial, Marketing ou nos diversos subsistemas de Supply Chain. 

PRÉ-REQUISITOS

Vivência direta ou correlata no processo de Planejamento de Demanda empresarial há pelo menos 2 anos;

Conhecimento intermediário em Excel;

NÃO é pré-requisito conhecer nenhuma linguagem de programação;

PROCEDIMENTOS DIDÁTICOS

Exposição oral e visual dos conteúdos abordados, por meio da apresentação de slides; 

Atividades práticas em todos os módulos, incluindo Games e Quizzes em S&OP;

Atividades assíncronas para fixação do conteúdo nos módulos III e IV (Linguagem R);

INSTRUTOR

Guilherme Gomes

Sócio-fundados da Value Chain Consultoria, é responsável pelas iniciativas de Supply Chain Planning. Engenheiro de Produção (UDESC), pós-graduado em Gestão de Projetos (PUC-PR), mestre em Direção de Supply Chain pela Zaragoza Logistics Center (Espanha), instituição do Programa MIT Global Scale Network, MBA em Data Science and Analytics (USP), mestrando em Logística Lean 4.0 (UFSC). Certificado pela APICS em CPIM - Certified in Production and Inventory Managament. Carreira desenvolvida em empresas de grande porte, e como consultor em projetos no Brasil, Espanha e Eslováquia. 

INCLUÍDO

Certificado de participação;

Material didático digital (atenção ao copyright);

Programa de Assessment em S&OP, que diagnostica o estágio de implementação de S&OP na sua empresa, e oferece devolutiva customizada

CALENDÁRIO

Módulo I – S&OP | Sales and Operations Planning (12 horas)

05, 07, 08 e 21 de Fevereiro de 2024

Módulo II – Fundamentos de R (09 horas)

22, 26 e 28 de Fevereiro de 2024

Módulo III – R aplicado ao S&OP (12 horas)

29 de Fevereiro, 04, 06 e 07 de Março de 2024

Aulas online e ao vivo via Zoom;

Horário: das 18h30 até 21h30;

Carga horária 33 horas/aula;

Aulas dos módulos II e III serão gravadas e disponibilizadas para acesso até 30 dias após o final do curso.

EMENTA COMPLETA

MÓDULO I - S&OP | SALES AND OPERATIONS PLANNING

1. Introdução ao S&OP 

2. Cinco etapas do S&OP 

3. Estrutura Organizacional 

4. Indicadores
5. Integração
6. Níveis de Maturidade 

7. Tendências

8. Tecnologia
9. Fatores Críticos de Sucesso 

10. Estratégia de Implementação

11. Cases
12. S&OP Assessment
13. S&OP Quiz 

MÓDULO II – FUNDAMENTOS DE R

1. Linguagens de programação mais utilizadas para análise de dados 

2. Tipos de dados em data Science

3. Análise exploratória de dados

4. Estatística descritiva

5. Introdução à linguagem R: princípios básicos (ambiente R e Instalação)

6. Estrutura de dados no R: indexação, criação de funções e estruturas de controle

7. Visualização gráfica no R:pacote ggplot2, construção de gráficos elegantes no R

MÓDULO III – R APLICADO AO S&OP

1. Correlação. 

2. Regressão Linear Simples e Múltipla

3. Aplicação de Modelos de Séries Temporais: Holt, Winters, Arima (Box-Jenkins)

4. Aplicação de Modelos de Machine Learning: KNN (k-nearest neighbor), RNA (Redes Neurais Artificiais), SVM (Support Vector Machine), Randon Forest (Árvore de Decisão), SVR (Support Vector Regression) 

5. Aplicação de Modelos de Deep Learning

6. Aplicação de Modelos de Clusterização

7. Aplicação de Modelos de Associação

CONTATO

Para inscrição em grupo com desconto, ou para inscrições via boleto bancário sem incidência da taxa Sympla, entre em contato via [email protected].