Desafio
Um banco pretendia reforçar as competências da sua força de trabalho em data & analytics, promovendo simultaneamente uma cultura de tomada de decisão orientada por dados.
3/02/2026
Formação e capacitação em IA: o caso de um banco
Capacitar profissionais da banca para se tornarem solucionadores de problemas com dados e IA
Em resumo
Solução
Em parceria com a Porto Business School e a LTPlabs, o banco lançou uma Academia de Inteligência Artificial, combinando aprendizagem teórica, projetos práticos, sessões com especialistas e mentoria.
Resultados
O programa formou uma nova geração de profissionais proeficientes em dados e contribuiu para incorporar práticas data-driven em toda a organização.
O setor bancário atravessa uma transformação acelerada, impulsionada pela digitalização dos serviços e pela crescente relevância da Inteligência Artificial. Para prosperar neste contexto, um banco lançou uma academia concebida para dotar recém-licenciados de competências avançadas em dados e analytics, promovendo simultaneamente uma nova cultura de decisão orientada por dados. A ambição ia além do domínio técnico: tratava-se de garantir que os participantes conseguiam converter conhecimento em impacto tangível.
A LTPlabs, em parceria com a Porto Business School e com o próprio banco, lançou a Academia de Inteligência Artificial, um programa abrangente que articulou teoria, prática e inspiração. O percurso culminou com um estágio na equipa de Data & Analytics do banco, proporcionando uma experiência imersiva e aplicada no contexto real da instituição.
O percurso formativo
O programa foi estruturado em vários módulos de uma semana, concebidos como uma experiência de aprendizagem imersiva que combinava teoria, prática e exposição a diferentes perspetivas.
O currículo foi cuidadosamente equilibrado entre competências fundamentais e aplicações mais avançadas, incluindo machine learning, visão computacional e modelos de linguagem.
Cada módulo seguia uma estrutura consistente, permitindo aos participantes consolidar conhecimentos previamente adquiridos e aplicar progressivamente novos conceitos. As manhãs eram dedicadas aos fundamentos de data science e inteligência artificial; as tardes centravam-se no trabalho colaborativo sobre desafios práticos inspirados em contextos reais, com acompanhamento de mentores. A experiência era ainda enriquecida por sessões regulares com especialistas convidados, que aportavam perspetivas externas e evidenciavam aplicações concretas de dados e analytics.
Impacto
A Academia de Inteligência Aritificial gerou resultados tangíveis para o banco:
- Mais de uma dezena de profissionais formados em analytics avançado, combinando conhecimento técnico com uma abordagem estruturada à resolução de problemas;
- Desenvolvimento de vários projetos aplicados ao longo do programa, reforçando a capacidade dos participantes para gerar valor de forma célere em desafios reais;
- Transformação cultural, com os participantes a reportarem maior confiança na aplicação de métodos data-driven nas suas funções quotidianas;
- Surgimento de uma nova geração de líderes proeficientes em dados a impulsionar iniciativas que aceleram a transformação digital do banco.
Ao combinar formação técnica avançada, mentoria e aplicação em contexto real, o programa não só reforçou competências individuais, como também consolidou uma capacidade organizacional duradoura. O resultado foi uma equipa de IA fortalecida, apoiada por um conjunto mais alargado de profissionais com bases técnicas mais sólidas e maior prontidão para criar valor.
Casos de Estudo
Conteúdo relacionado
Definir o rumo para uma estratégia de personalização no setor bancário
Avaliação da maturidade e definição de um mapa estratégico para Data & Analytics na banca de retalho de massas
Aumentar o processo de angariação de negócios das empresas em fase de arranque
Uma empresa de capital de risco aumentou o seu processo de angariação de negócios e efetuou uma seleção ágil e inteligente das empresas em fase de arranque
From two weeks to hours: optimizing production planning at industrial scale LTPlabs helped a large industrial manufacturer reduce production planning lead time from up to two weeks to hours by implementing a Mixed Integer Linear Programming (MILP) optimization solution. Today, 95% of sales orders are planned directly from model recommendations, with each optimization run taking approximately one hour. The challenge: fragmented production planning and unreliable delivery dates A large industrial manufacturer operates a highly complex production environment, with 14 industrial units across three factories, approximately 200 production lines, more than 1,000 clients, and over 5,000 products, primarily produced under a make to order strategy. With products moving across multiple industrial units, reliable production planning requires coordinating capacity, materials, workforce, inventory, and customer commitments across interconnected operations. Production planning was fragmented across six planners responsible for different industrial units, with significant reliance on manual analysis, legacy applications, and individual expertise. Coordinating thousands of products and orders made it difficult to systematically assess production constraints and balance delivery commitments with operational costs. As a result, confirming an order could take up to two weeks, with limited reliability in the resulting delivery dates. The company needed a scalable way to evaluate all orders and production constraints simultaneously and generate feasible plans and more reliable delivery commitments. The solution: production planning optimization using Mixed Integer Linear Programming LTPlabs developed a production planning optimization solution centered on a Mixed Integer Linear Programming model, designed to generate weekly production plans that minimize delivery delays and operational costs while respecting the constraints of the industrial environment. Each planning cycle combines commercial and operational inputs, including order backlog, sales forecasts, inventory, production costs, routes and bills of materials, work center and workforce availability, and production strategy. The model determines delivery weeks and production plans while providing visibility into raw material requirements, resource utilization, and inventory allocation. The optimization accounts for key production constraints such as inventory flows, minimum production quantities, batch and lot sizes, setups, oven capacity, mold maintenance, and resource availability. At full scale, a 16 week planning horizon covers approximately 3,000 products and 2,000 sales orders, with more than one million decision variables and 500,000 constraints. Hierarchical optimization balances delivery performance and operational efficiency, while slack variables preserve feasibility in exceptional situations and flag cases requiring planner review. How the optimization model represents industrial production constraints The production planning optimization solution was integrated into the manufacturer's existing technology infrastructure, including SAP and the Gurobi optimization solver. Automated data pipelines connect enterprise data with the optimization model and return planning results to the operational environment. A dedicated planner interface allows the production planning team to: • access optimization recommendations; • review proposed production and delivery plans; • analyze exceptions; • understand resource and material requirements; • configure relevant parameters for each planning cycle. The solution transformed production planning from a fragmented process into an automated decision support system embedded in daily operations. Results: production planning reduced from weeks to hours The solution transformed production planning from a fragmented, manually intensive process into an automated decision-support system embedded in daily operations. The main results include: • Up to two weeks → hours: planning results that could previously take up to two weeks can now be obtained within hours. • ~1 hour optimization runtime: a full model execution takes approximately one hour. • 95% of sales orders model-planned: 95% of sales orders are now planned directly from optimization model recommendations. • Daily operational adoption: the planner interface has become an everyday tool for the production planning team. • Greater focus on exceptions: planners can validate exceptional situations instead of manually constructing complete production plans. • More systematic delivery planning: production constraints and customer commitments are evaluated through a common analytical framework. • Faster and more reliable delivery commitments for customers: by generating a feasible production plan much faster, the manufacturer can provide customers with a delivery date sooner after an order is placed. More reliable production plans also reduce the need to subsequently revise communicated delivery dates, creating greater predictability for customers. By combining large scale mathematical optimization, industrial constraints, enterprise data integration, and a planner focused interface, the company established a faster and more systematic planning process, reducing the risk of missed delivery dates and embedding optimization into core production planning decisions. Most importantly, it shifts production planning from a largely manual and fragmented activity toward optimization-driven decision-making, helping the manufacturer produce more reliable delivery commitments, reduce the risk of missed delivery dates, and scale planning decisions across a highly complex industrial network.
A LTPlabs ajudou um grande fabricante industrial a reduzir o tempo de planeamento da produção de até duas semanas para apenas algumas horas, através da implementação de uma solução de otimização baseada em Programação Linear Inteira Mista (MILP).
De dados fragmentados e processos desconectados a uma base escalável de gestão de dados mestre
Uma empresa do setor alimentar centralizou os dados mestre, digitalizou e automatizou dados anteriormente introduzidos de forma manual e criou, em seis semanas, uma base reutilizável para a governação de dados.
IA Generativa nas empresas: como acelerar a adoção com governação e inteligência colaborativa
Descubra como a governação estruturada e a inteligência colaborativa permitem implementar IA Generativa nas empresas de forma segura, escalável e eficiente.
Conheça o mercado: personas conversacionais que respondem
Transforme dados de inquiridos em perfis de consumidores interativos e semelhantes a pessoas reais para obter insights rápidos sobre produtos e marketing.