Investigação Operacional: Como a matemática otimiza decisões complexas

Da análise científica da tomada de decisões, passando pela otimização combinatória, até à moderna inteligência de decisão

Artigo especializado | mAInthink Insights | Ciência e Métodos

As empresas, as instituições públicas e os investidores enfrentam um desafio fundamental: têm de tomar decisões cujo impacto económico ou social não depende apenas de medidas isoladas, mas da interação entre inúmeras alternativas.

Que investimentos devem ser financiados? Que projetos geram, em conjunto, a maior contribuição de valor? Como distribuir de forma ótima os recursos limitados? E como muda a melhor decisão quando os orçamentos, as prioridades ou as condições-quadro são ajustados?

A resposta tradicional consiste frequentemente em avaliações, listas de prioridades, casos de negócio e decisões de gestão.

A Investigação Operacional segue uma abordagem diferente:

Não se trata apenas de avaliar alternativas individuais, mas de determinar matematicamente a melhor combinação possível de todas as decisões admissíveis.

Esta disciplina constitui, há décadas, uma base científica para a otimização de sistemas económicos, técnicos e organizacionais complexos.

Hoje em dia, ganha uma nova importância prática graças a algoritmos de otimização poderosos, métodos de cálculo paralelos, inteligência artificial e plataformas de decisão interativas.

Índice

1. O que é a Investigação Operacional?
2. O desenvolvimento científico da Investigação Operacional
3. Que problemas resolve a Investigação Operacional?
4. Os fundamentos matemáticos
5. Otimização combinatória e complexidade exponencial
6. Os principais métodos de otimização
7. Otimização global: o que é matematicamente demonstrável
8. Otimização de portfólio em vez da priorização clássica
9. Planeamento multipériodo e restrições de recursos
10. Otimização multiobjetivo e objetivos concorrentes
11. Investigação Operacional em condições de incerteza
12. Investigação Operacional, IA e Inteligência de Decisão
13. Investigação Operacional nas empresas e nas administrações públicas
14. Limites e pressupostos da otimização matemática
15. Da solução matemática à decisão em tempo real
16. Perguntas frequentes
17. Conclusão e enquadramento científico

1. O que é a Investigação Operacional?

A Investigação Operacional, frequentemente designada por OR ou, no âmbito britânico, por Operational Research, é uma disciplina científica interdisciplinar dedicada à análise e otimização de problemas de decisão complexos.

Combina, em particular:

• Matemática Aplicada
• Otimização matemática
• Teoria da Probabilidade e Estatística
• Informática e teoria dos algoritmos
• Ciências Económicas
• Análise de Sistemas e Ciências da Decisão

O objetivo central consiste em modelar problemas de decisão de forma a que as diferentes alternativas de ação possam ser analisadas sistematicamente e otimizadas com base em critérios de objetivo definidos.

Ao contrário dos métodos de análise puramente descritivos, a Investigação Operacional não se limita a responder à questão do que acontece num sistema.

Analisa quais as decisões que devem ser tomadas nas condições dadas, de modo a alcançar da melhor forma possível um objetivo definido.

Uma empresa pode, por exemplo, saber quais dos seus projetos de investimento prometem um retorno positivo do capital investido.

No entanto, isso não implica, por si só, qual a combinação desses projetos que, dentro de um orçamento total limitado, gera o maior valor económico.

É precisamente aqui que se inicia um problema clássico de Investigação Operacional.

2. O desenvolvimento científico da Investigação Operacional

O desenvolvimento moderno da Investigação Operacional teve início, em particular, durante a Segunda Guerra Mundial.

Na altura, cientistas de diversas disciplinas investigaram questões operacionais complexas, como, por exemplo, a utilização eficiente de recursos limitados, a coordenação de processos logísticos e a otimização de sistemas militares.

Após a guerra, os métodos desenvolvidos foram cada vez mais aplicados a questões industriais e económicas.

Um marco essencial foi o desenvolvimento do método Simplex por George B. Dantzig, em 1947.

Com isso, a otimização linear tornou-se uma ferramenta importante no apoio matemático à tomada de decisões.

Nas décadas seguintes, surgiram outros métodos significativos:

• Programação dinâmica
• Otimização inteira e mista-inteira
• Branch-and-Bound
• Otimização de redes
• Otimização estocástica
• Otimização multiobjetivo
• Métodos meta-heurísticos
• Otimização robusta

Atualmente, a Investigação Operacional é uma disciplina de investigação internacionalmente reconhecida.

Entre as principais organizações científicas contam-se a INFORMS, a EURO, a IFORS e a Sociedade Alemã de Investigação Operacional (GOR).

A Investigação Operacional não é, portanto, uma nova manifestação da inteligência artificial, mas sim um fundamento científico autónomo da otimização moderna da tomada de decisões.

3. Que problemas resolve a Investigação Operacional?

A Investigação Operacional torna-se relevante sempre que coexistem várias alternativas de decisão, recursos limitados e objetivos definíveis.

Os campos de aplicação são, consequentemente, amplos.

Investimento e alocação de capital

Que investimentos devem ser realizados dentro de um orçamento limitado?

Otimização do portfólio de projetos

Que combinação de projetos gera a maior contribuição económica ou estratégica global?

Planeamento da produção

Como se podem otimizar os volumes de produção, as capacidades das máquinas e a sequência de ordens?

Otimização da cadeia de abastecimento

Como é que os stocks, as rotas de transporte, as capacidades de entrega e as localizações de produção podem ser coordenados de forma eficiente?

Planeamento energético e de infraestruturas

Que investimentos em redes, instalações ou medidas de manutenção geram o maior benefício com recursos limitados?

Planeamento de pessoal e recursos

Como é que os colaboradores, as máquinas, os intervalos de tempo ou outros recursos escassos são alocados de forma ótima?

Orçamentos públicos

Que combinação de medidas públicas gera o maior impacto social definido, tendo em conta as condições financeiras, jurídicas e políticas?

Sistema de saúde

Como é que se podem melhorar as capacidades, as consultas, os recursos médicos e as estruturas de prestação de cuidados?

Apesar dos diferentes domínios de aplicação, muitos destes problemas partilham uma estrutura matemática comum:

É necessário encontrar a melhor decisão possível, ou a decisão ótima, dentro de um espaço de decisão limitado e admissível.

4. Os fundamentos matemáticos

Um problema de otimização matemática consiste, fundamentalmente, em três elementos:

variáveis de decisão, função-objetivo e restrições.

4.1 Variáveis de decisão

As variáveis de decisão descrevem quais as decisões que podem ser tomadas.

No caso de uma decisão binária relativa a um projeto, aplica-se, por exemplo:

O que significa que:

• _xi=1: o projeto i é selecionado.
• _xi=0: o projeto i não é selecionado.

Outros problemas de otimização utilizam variáveis inteiras ou contínuas.

4.2 Função-objetivo

A função-objetivo descreve qual a grandeza que deve ser maximizada ou minimizada.

Para um portfólio com valores de projeto aditivos, uma função de maximização simplificada é:

Aqui, _vi representa a contribuição económica ou estratégica de um projeto.

4.3 Restrições

As decisões reais estão sujeitas a restrições.

Uma restrição orçamental típica é a seguinte:

Onde:

• _ci: necessidade de capital do projeto i
• B: Orçamento total disponível

Outras restrições podem, por exemplo, refletir recursos humanos, dependências técnicas, requisitos legais ou restrições temporais.

O problema de otimização completo consiste, portanto, em encontrar uma combinação admissível de variáveis de decisão que satisfaça da melhor forma possível a função-objetivo.

Esta estrutura do modelo constitui a base de inúmeras aplicações práticas da Investigação Operacional.

5. Otimização combinatória e complexidade exponencial

Uma área particularmente importante da Investigação Operacional é a otimização combinatória.

Esta área estuda problemas de decisão em que se procura a melhor solução admissível a partir de um conjunto finito, frequentemente muito vasto, de alternativas discretas.

No caso de n projetos selecionáveis de forma binária e independente, o número de combinações teoricamente possíveis é:

Daí resulta:

Estes números descrevem, em primeiro lugar, o número total de combinações binárias possíveis, e não o número de carteiras efetivamente admissíveis.

Restrições orçamentais, dependências entre projetos e outras condições restritivas podem reduzir significativamente o espaço de soluções admissíveis.

No entanto, o número teórico de combinações possíveis ilustra a ordem de grandeza do problema.

Uma avaliação manual completa de todas as alternativas é praticamente impossível, mesmo no caso de carteiras relativamente pequenas.

A complexidade exponencial não significa que cada combinação tenha de ser analisada individualmente

Os algoritmos modernos de otimização conseguem excluir grandes partes do espaço de decisão sem ter de avaliar completamente cada combinação individualmente.

Para tal, recorrem a restrições matemáticas, relaxamentos, propriedades estruturais do problema e estratégias de pesquisa inteligentes.

Por isso, um método de otimização pode, em condições adequadas, resolver de forma eficiente mesmo problemas de decisão combinatória de grande dimensão.

No entanto, a existência de algoritmos potentes não garante que qualquer problema possa ser resolvido de forma globalmente ótima num curto espaço de tempo.

A complexidade computacional real depende, entre outros fatores, da estrutura do modelo, das restrições, da dimensão do problema e do método de resolução utilizado.

6. Os principais métodos de otimização

A Investigação Operacional abrange diversos métodos matemáticos de resolução.

A escolha do método adequado depende da estrutura do problema de decisão.

6.1 Programação linear

A otimização linear analisa problemas com funções-objetivo lineares e restrições lineares.

É utilizada, por exemplo, no planeamento da produção, dos transportes e dos recursos.

6.2 Programação Inteira

A otimização inteira tem em conta variáveis de decisão que só podem assumir valores inteiros.

Isto é particularmente relevante no caso de decisões discretas, por exemplo, quando os projetos são selecionados na totalidade ou excluídos.

6.3 Programação Linear Mista-Inteira

A Programação Linear Mista-Inteira, ou MILP, combina variáveis de decisão contínuas e inteiras num modelo linear.

Isto permite, por exemplo, associar decisões de investimento a valores contínuos de orçamento ou capacidade.

6.4 Branch-and-Bound

O método Branch-and-Bound divide sistematicamente o espaço de decisão em subproblemas.

Com a ajuda de limites matemáticos, é possível determinar quais os subespaços que já não podem conter uma solução melhor.

Esses subespaços não precisam, então, de ser analisados mais aprofundadamente.

6.5 Branch-and-Cut

O Branch-and-Cut amplia o Branch-and-Bound através de desigualdades válidas adicionais, os chamados «Cutting Planes».

Estas podem tornar as relaxações matemáticas mais restritivas e acelerar a procura de soluções ótimas.

6.6 Programação dinâmica

A programação dinâmica decompõe problemas adequados em subproblemas interligados.

É utilizada, entre outros, em problemas de decisão sequenciais, planeamento de stocks e determinados problemas de alocação de recursos.

6.7 Heurísticas e metaheurísticas

Os métodos heurísticos procuram de forma eficiente boas soluções admissíveis, sem garantir, em princípio, uma prova de otimização global.

Exemplos conhecidos são:

• Algoritmos Genéticos
• Recozimento Simulado
• Pesquisa Tabu
• Pesquisa local

Estes métodos podem revelar-se úteis, em especial, no caso de problemas de grande dimensão ou com estruturas complexas.

6.8 Métodos híbridos de otimização

As abordagens híbridas combinam diferentes métodos.

Por exemplo, os métodos heurísticos podem, numa primeira fase, gerar soluções admissíveis de alta qualidade, enquanto os métodos exatos tentam, posteriormente, melhorar essas soluções ou comprovar a sua otimização.

A aprendizagem automática também pode ser utilizada para a seleção de estratégias de pesquisa, para a previsão de parâmetros ou para acelerar etapas específicas da resolução.

As vantagens efetivas destas combinações devem ser analisadas com base em benchmarks adequados.

7. Otimalidade global: o que é matematicamente demonstrável

Um dos principais pontos fortes da otimização matemática reside no facto de, sob determinadas condições, não só ser possível encontrar uma boa solução, como também demonstrar a sua otimidade global.

Uma solução globalmente ótima possui, dentro do espaço de soluções admissível definido, o melhor valor possível da função-objetivo.

Formalmente, para um problema de maximização, aplica-se:

Onde:

• X: conjunto de todas as soluções admissíveis
• x^*: solução globalmente ótima
• f(x): valor da função-objetivo de uma solução

A demonstração da ótima global pode ser feita, por exemplo, com recurso a limites matemáticos.

A lacuna de otimidade

Nos problemas de otimização misto-inteiros, considera-se frequentemente a diferença entre a melhor solução admissível encontrada e um limite válido para o ótimo global.

Para um problema de maximização com o melhor valor da função-objetivo positivo, uma lacuna de otimidade relativa pode, por exemplo, ser definida da seguinte forma:

Onde:

• LB: valor da melhor solução admissível encontrada até ao momento
• UB: limite superior válido para o ótimo global

Um gap igual a zero significa, em termos matemáticos exatos, que a otimidade global foi comprovada.

Os solucionadores práticos têm em conta tolerâncias numéricas e critérios de interrupção definidos.

Além disso, uma diferença reduzida pode significar que a solução encontrada já se encontra muito próxima do melhor valor teórico possível da função-objetivo.

Uma restrição científica decisiva

Um ótimo global é sempre um ótimo do modelo matemático – não é automaticamente a melhor decisão objetiva no mundo real.

Se os dados de entrada estiverem incompletos, as hipóteses sobre os benefícios forem erradas ou as restrições relevantes não forem tidas em conta, uma solução matematicamente ótima pode ser economicamente inadequada.

Por isso, a validação do modelo, as análises de sensibilidade e a verificação dos pressupostos subjacentes são elementos indispensáveis de uma otimização séria.

8. Otimização de carteiras em vez da priorização clássica

Uma área de aplicação particularmente relevante é a otimização de carteiras de investimento e de projetos.

Os métodos tradicionais de gestão de carteiras avaliam frequentemente os projetos individualmente.

Daí resulta uma classificação, por exemplo, com base no ROI, no VPL, na importância estratégica ou em critérios de avaliação ponderados.

Essa priorização responde à pergunta:

Qual é o projeto individual que parece particularmente atraente?

No entanto, não responde necessariamente à seguinte questão:

Que combinação de todos os projetos disponíveis gera o maior valor total, tendo em conta as restrições existentes?

Um exemplo simplificado

Uma empresa dispõe de um orçamento de investimento de 10 milhões de euros.

Existem quatro projetos à escolha:

Se a priorização for feita com base no VPL absoluto, o projeto A ocupa o primeiro lugar.

Se for selecionado o projeto A, o orçamento restante de 4 milhões de euros pode ser utilizado para financiar o projeto C ou o projeto D.

A combinação A + C atinge um VPL total de 16 milhões de euros com uma utilização do orçamento de 10 milhões de euros e é, neste exemplo, a melhor combinação admissível.

A combinação B + C, igualmente admissível, atinge um VPL de 15 milhões de euros com um investimento de capital de 9 milhões de euros.

Neste exemplo, A + C é, de facto, a combinação ótima.

No entanto, isso não significa que a classificação seja necessariamente errada.

Pelo contrário, o exemplo mostra que a decisão ótima sobre a carteira resulta da comparação entre combinações admissíveis e não decorre apenas da avaliação isolada de cada projeto.

Mesmo pequenas alterações nos valores dos projetos, nos orçamentos ou nas dependências podem fazer com que a melhor combinação deixe de consistir nos projetos individuais melhor classificados.

Por que razão a maximização do ROI requer especial cuidado

A maximização do VPL total não é idêntica à maximização do ROI do portfólio.

Se o ROI da carteira for definido como a relação entre o rendimento líquido agregado e o capital investido agregado, surge uma função-objetivo diferente:

Essa otimização de relações difere matematicamente da maximização de um valor total aditivo.

Além disso, a maximização pura do ROI pode favorecer carteiras muito pequenas.

Por isso, antes de qualquer otimização, é necessário esclarecer se se pretende maximizar, por exemplo, o VPL total, o ROI, o benefício estratégico ou outro indicador-alvo.

A definição da função-objetivo é, por si só, uma decisão de gestão essencial.

9. Planeamento multipériodo e restrições de recursos

As decisões reais de investimento abrangem frequentemente vários exercícios financeiros.

Um projeto pode, por exemplo, exigir investimentos elevados no primeiro ano, mobilizar recursos adicionais no segundo ano e só mais tarde gerar rendimentos económicos.

Uma modelação matemática adequada deve ter em conta esta estrutura temporal.

Para uma seleção simplificada de carteiras em vários períodos, pode aplicar-se o seguinte:

sob a condição de que:

Onde:

• _cit: necessidade de capital do projeto i no período t
• _Bt: orçamento disponível no período t

Além disso, é possível modelar restrições de recursos:

Em que _airt representa a necessidade de recursos de um projeto para o recurso r no período t.

Dependências entre projetos

As relações lógicas entre projetos também podem ser expressas matematicamente.

Se o projeto B só puder ser executado se o projeto A tiver sido selecionado:

Se dois projetos não puderem ser executados simultaneamente:

Se um projeto tiver de ser obrigatoriamente realizado:

Estas restrições são essenciais, porque a qualidade real de uma carteira de investimentos é frequentemente determinada não só pelo orçamento, mas também por inúmeras dependências técnicas, organizacionais e estratégicas.

10. Otimização multiobjetivo e objetivos concorrentes

Muitos problemas de decisão reais não têm apenas um único objetivo.

Uma empresa, por exemplo, pretende simultaneamente:

• Maximizar a contribuição económica
• Limitar os riscos
• Reduzir as emissões de CO₂
• Alcançar objetivos estratégicos
• Evitar a escassez de recursos

Estes objetivos podem entrar em conflito entre si.

A otimização multiobjetivo analisa, por isso, decisões com várias funções-objetivo.

Formalmente, um problema deste tipo pode ser representado da seguinte forma:

sob:

Funções-objetivo ponderadas

Uma possibilidade consiste em agrupar várias funções-objetivo normalizadas numa função global ponderada:

Aqui, _wj representa a ponderação da respetiva função-objetivo.

As ponderações devem ser justificadas do ponto de vista técnico.

Otimização de Pareto

Outra possibilidade consiste em determinar soluções ótimas de Pareto.

Uma solução é ótima de Pareto se não existir nenhuma outra solução admissível que seja, pelo menos, igualmente boa em todas as variáveis-alvo e estritamente melhor em, pelo menos, uma delas.

Isto resulta frequentemente não numa única decisão inequivocamente melhor, mas sim num conjunto de alternativas eficientes.

A gestão deve, em seguida, decidir quais os conflitos de objetivos que são aceitáveis.

A Investigação Operacional não substitui, portanto, a responsabilidade estratégica.

Permite que as consequências de diferentes preferências sejam analisadas matematicamente.

11. Investigação Operacional em condições de incerteza

Nem todos os fatores relevantes para a decisão são conhecidos no momento da tomada de decisão.

Os rendimentos futuros, os custos do projeto, a disponibilidade de recursos e as condições de mercado podem ser incertos.

O modelo clássico de otimização determinística trabalha com parâmetros fixos.

Para problemas de decisão em condições de incerteza, existem abordagens metodológicas adicionais.

Otimização estocástica

A otimização estocástica tem em conta variáveis aleatórias e, se for caso disso, diferentes cenários futuros.

Nesse contexto, podem ser tidos em conta, por exemplo, valores esperados, medidas de risco ou decisões em várias etapas.

Otimização robusta

A otimização robusta procura soluções que continuem a ser admissíveis ou eficientes mesmo sob desvios de parâmetros desfavoráveis definidos.

Análise de cenários

A análise de cenários examina como as decisões ótimas variam em função de diferentes pressupostos.

Análise de sensibilidade

A análise de sensibilidade analisa o grau de sensibilidade dos resultados a alterações em parâmetros de entrada específicos.

Estes métodos são particularmente relevantes em decisões de investimento a longo prazo.

Por isso, uma carteira otimizada matematicamente não deve ser avaliada exclusivamente com base no seu resultado sob um único pressuposto futuro.

Igualmente importante é a questão de saber até que ponto a decisão se mantém estável face a alterações plausíveis.

12. Investigação Operacional, Inteligência Artificial e Inteligência de Decisão

A Investigação Operacional, a Inteligência Artificial e a Inteligência de Decisão estão relacionadas entre si, mas não são idênticas.

Investigação Operacional

A Investigação Operacional fornece métodos matemáticos para a modelação e otimização de problemas de decisão.

Inteligência Artificial

A inteligência artificial abrange diversos procedimentos, tais como a aprendizagem automática, o reconhecimento de padrões, o processamento de linguagem e os processos de decisão automatizados.

Inteligência de Decisão

A Inteligência de Decisão integra dados, modelos de decisão, métodos analíticos e processos organizacionais de tomada de decisão.

O objetivo é melhorar a qualidade, a rastreabilidade e a exequibilidade prática das decisões.

A relação

Uma possível interação consiste no facto de a aprendizagem automática prever, numa primeira fase, os custos ou rendimentos futuros de um projeto.

Posteriormente, um modelo de investigação operacional pode calcular qual a combinação de projetos que é a mais adequada nas condições previstas.

Por fim, uma aplicação de Decision Intelligence apresenta os resultados de forma a que os decisores possam comparar alternativas, alterar pressupostos e compreender as consequências.

As três abordagens cumprem, assim, funções diferentes e complementares.

A inteligência artificial pode ajudar a melhorar as bases de decisão. A Investigação Operacional pode otimizar matematicamente as decisões adequadas. A Inteligência de Decisão pode integrar esses conhecimentos em processos de decisão reais.

Esta repartição de funções constitui um modelo de arquitetura possível, não uma delimitação universalmente válida de todos os procedimentos.

13. Investigação Operacional nas empresas e nos setores públicos

Os fundamentos matemáticos da Investigação Operacional são relevantes tanto para as decisões do setor privado como para as do setor público.

13.1 Empresas industriais

As empresas industriais têm frequentemente de coordenar inúmeros projetos de investimento entre locais, linhas de produção e áreas de negócio.

Os projetos individuais competem por capital, pessoal e capacidades técnicas.

Uma otimização matemática do portfólio permite determinar qual a combinação que, nestas condições, gera o maior valor total definido.

13.2 Empresas do setor energético

As empresas do setor energético enfrentam decisões de investimento complexas em redes, instalações de produção, manutenção e infraestruturas.

Para tal, é necessário ter em conta as dependências técnicas, a segurança do abastecimento, os recursos e os horizontes de planeamento a longo prazo.

13.3 Indústria farmacêutica

As carteiras de investigação e desenvolvimento incluem projetos com diferentes probabilidades de sucesso, estruturas de custos e prazos de desenvolvimento.

Os modelos de investigação operacional podem apoiar na seleção e coordenação temporal desses portfólios.

13.4 Setor imobiliário

Em grandes carteiras imobiliárias, as medidas de investimento, reabilitação e desenvolvimento podem entrar em concorrência entre si.

A combinação ideal depende das necessidades de capital, da contribuição de valor, do calendário e de possíveis dependências.

13.5 Orçamentos públicos

As decisões orçamentais e de investimento do Estado também apresentam estruturas matemáticas de alocação.

No entanto, as decisões públicas diferem das decisões de investimento do setor privado num aspeto essencial:

O benefício social nem sempre pode ser representado diretamente como rendimento financeiro.

Em vez disso, podem ser tidos em conta, por exemplo, a qualidade dos serviços, o estado das infraestruturas, o impacto climático, a acessibilidade social ou outros indicadores públicos.

Para tal, é necessário desenvolver, operacionalizar e ponderar de forma transparente critérios de benefício adequados.

As obrigações legais, as dotações específicas e as competências de decisão política continuam a constituir um quadro vinculativo.

A otimização matemática pode apoiar as decisões públicas, mas não substitui a legitimação democrática nem a responsabilidade política.

14. Limites e pressupostos da otimização matemática

A Investigação Operacional é eficaz, mas não constitui uma garantia universal de decisões corretas.

A qualidade dos resultados depende de vários fatores.

Qualidade do modelo

O modelo matemático deve representar com suficiente precisão as relações relevantes para a tomada de decisão.

Qualidade dos dados

Dados incompletos ou errados podem conduzir a resultados inadequados.

Qualidade da função-objetivo

Um método matemático otimiza a função-objetivo definida – independentemente de esta representar na íntegra os objetivos reais de uma organização.

Complexidade computacional

Certos problemas de otimização são computacionalmente difíceis.

Nem todos os problemas podem ser resolvidos de forma globalmente ótima dentro de um tempo pré-definido.

Incerteza

Os resultados podem ser sensíveis a desenvolvimentos futuros ou a parâmetros incertos.

Viabilidade organizacional

Uma decisão matematicamente atraente pode causar dificuldades práticas se as condições organizacionais, políticas ou culturais não tiverem sido devidamente tidas em conta.

Daí decorre que:

A otimização matemática, a adequação económica e a viabilidade organizacional estão interligadas, mas não são idênticas.

Um processo de otimização profissional deve ter em conta todas estas três dimensões.

15. Da solução matemática à decisão na prática

Os métodos científicos da Investigação Operacional são conhecidos há décadas.

No entanto, um desafio fundamental reside na sua integração prática nos processos de gestão.

Tradicionalmente, os modelos de otimização são frequentemente desenvolvidos e calculados por departamentos especializados e, posteriormente, disponibilizados como modelos de decisão.

As aplicações modernas de inteligência de decisão adotam uma abordagem mais interativa.

Os decisores podem, por exemplo:

1. Alterar restrições orçamentais ou de recursos.
2. Selecionar ou excluir projetos de forma obrigatória.
3. Ajustar ponderações estratégicas.
4. Calcular cenários alternativos.
5. Comparar as consequências económicas de diferentes combinações de carteiras.

Desta forma, um cálculo de otimização único pode dar origem a um processo de decisão iterativo.

O StratePlan como aplicação especializada

O StratePlan, a tecnologia de inteligência de decisão da mAInthink GmbH, aborda, em particular, a otimização matemática de carteiras de investimento e de projetos.

A aplicação combina a otimização combinatória com a análise interativa das dependências orçamentais, de recursos e de projetos.

Um dos pontos-chave reside na possibilidade de recalcular imediatamente as decisões relativas ao portfólio nos órgãos de gestão e de decisão.

A classe de problemas subjacente pertence à Investigação Operacional, em particular à alocação discreta de carteiras e recursos.

O StratePlan deve, portanto, ser classificado como uma aplicação especializada de otimização matemática de decisões, e não automaticamente como um solucionador universal para todos os problemas de Investigação Operacional.

As garantias de otimização, os tempos de cálculo e as classes de modelos suportados dependem da implementação técnica concreta e dos problemas específicos em causa.

O valor acrescentado económico reside na possibilidade de aplicar a otimização matemática a processos reais de tomada de decisões estratégicas.

16. Perguntas frequentes

A Investigação Operacional é uma forma de inteligência artificial?

Não necessariamente. A Investigação Operacional é uma disciplina científica autónoma com métodos matemáticos de otimização, simulação e tomada de decisão. No entanto, existem inúmeras sobreposições e possibilidades de combinação com a inteligência artificial.

Qual é a diferença entre a Investigação Operacional e a Otimização Matemática?

A otimização matemática é uma área metodológica central da Investigação Operacional. Além disso, a Investigação Operacional abrange, por exemplo, a simulação, a teoria das filas, a modelação estocástica e outros métodos de análise de decisão.

O que é a otimização combinatória?

A otimização combinatória estuda a seleção ou disposição de alternativas discretas sob condições definidas. Exemplos típicos incluem a seleção de portfólios de projetos, o planeamento de percursos, problemas de atribuição e determinados problemas de programação.

A Investigação Operacional consegue calcular um ótimo global?

Sim, para modelos matemáticos adequados e com os métodos de resolução correspondentes, é possível demonstrar a otimização global. No entanto, isto não está garantido para todas as classes de problemas nem para qualquer tempo de cálculo pré-definido.

Por que razão a priorização clássica de projetos nem sempre é suficiente?

Uma classificação avalia projetos individuais. A otimização de portfólio, por outro lado, analisa o impacto global de combinações admissíveis de projetos. A melhor combinação não tem necessariamente de consistir nos projetos individuais com as classificações mais elevadas.

Qual é a diferença entre simulação e otimização?

Uma simulação analisa quais os resultados que podem surgir sob determinadas hipóteses e decisões.

A otimização procura, dentro de um espaço de decisão definido, soluções que satisfaçam da melhor forma possível uma função-objetivo.

Ambas as abordagens podem ser combinadas.

O que significa NP-difícil?

«NP-difícil» designa uma classe de problemas computacionalmente difíceis, à qual pertencem numerosos problemas de otimização combinatória.

Para estes problemas, não se conhece nenhum algoritmo geral que resolva de forma ótima todas as instâncias em tempo polinomial. No entanto, isso não significa que todas as instâncias práticas tenham de ser difíceis.

As empresas podem utilizar a Investigação Operacional sem terem um departamento de matemática próprio?

Sim. Software especializado e aplicações de inteligência de decisão podem tornar a modelação matemática e a otimização acessíveis a utilizadores não especialistas.

A formulação correta do problema, dados de entrada fiáveis e a validação técnica dos resultados continuam a ser fundamentais.

O StratePlan é uma aplicação de Investigação Operacional?

Sim. A otimização matemática de carteiras de investimento e de projetos faz parte da Investigação Operacional.

O StratePlan aborda, em particular, problemas combinatórios de seleção e alocação sob restrições definidas.

17. Conclusão: a Investigação Operacional como base científica para melhores decisões

A Investigação Operacional demonstra que as decisões complexas não têm de se basear exclusivamente na experiência, na intuição ou em avaliações isoladas.

Muitos problemas de decisão económicos, técnicos e públicos podem ser modelados matematicamente e otimizados de forma sistemática.

Esta abordagem torna-se particularmente relevante quando existem inúmeras alternativas em concorrência, os recursos são limitados e é necessário ter em conta as interdependências.

A conclusão central é a seguinte:

A qualidade de projetos individuais não determina necessariamente a qualidade de todo o portfólio. O que é decisivo é a combinação que, dentro das restrições reais, gera o maior valor total definido.

A Investigação Operacional fornece os métodos científicos para analisar essas relações.

Os métodos matemáticos de otimização permitem a procura de soluções de alta qualidade e, em condições adequadas, comprovadamente ótimas a nível global.

A Inteligência de Decisão consegue transformar estes resultados em processos de decisão compreensíveis e interativos.

Assim, cria-se uma ligação entre décadas de investigação matemática e os requisitos práticos da gestão empresarial moderna.

A Investigação Operacional torna os problemas de decisão complexos matematicamente analisáveis. A Inteligência de Decisão torna os resultados utilizáveis pelos decisores.

Fontes científicas complementares

Associações profissionais e fundamentos

• INFORMS – Investigação Operacional e Analítica: https://www.informs.org/Explore/Operations-Research-Analytics
• EURO – Associação das Sociedades Europeias de Investigação Operacional: https://www.euro-online.org/
• Sociedade de Investigação Operacional (GOR): https://www.gor-ev.de/

Obras científicas de referência

• Hillier, F. S. & Lieberman, G. J.: Introduction to Operations Research.
• Bertsimas, D. & Tsitsiklis, J. N.: Introdução à Otimização Linear.
• Nemhauser, G. L. & Wolsey, L. A.: Otimização Inteira e Combinatória.
• Ehrgott, M.: Otimização Multicritério.
• Birge, J. R. & Louveaux, F.: Introdução à Programação Estocástica.

Aprofundamento técnico

• Gurobi – Programação Mista-Inteira: https://www.gurobi.com/resources/blog/mixed-integer-programming-an-introduction-to-the-basics
• Gurobi – Optimalidade Comprovável: https://www.gurobi.com/resources/blog/provable-optimality

Experimentar a Investigação Operacional na prática

A otimização matemática não tem de se limitar a modelos científicos.

Descubra como o StratePlan torna a otimização de carteiras complexas de investimento e de projetos acessível para decisões de gestão reais.

CTA: Otimizar matematicamente o portfólio →

StratePlan | A Investigação Operacional alia-se à Inteligência de Decisão.

Os mesmos projetos. O mesmo orçamento. Melhores combinações. Melhores decisões.