MBA Executivo em Business Analytics e Big Data

Curso In Company realizado por servidores e servidoras do INSS que possuam perfil ou interesse em aprimorar competências na área de gestão, com foco em temas relacionados à gestão estratégica, à tática, ao planejamento, à liderança e à inovação, com carga horária de 480 horas.

O portador deste badge completou os objetivos educacionais do curso:

• Proporcionar aos participantes uma compreensão sólida sobre o modelo mental e operacional da ciência de dados no contexto do governo digital. A partir dessa base, os profissionais ampliam a sua capacidade de tomada de decisão orientada por evidências e fortalecem a integração entre as áreas estratégicas e técnicas da instituição.

Conteúdo programático:

Módulo I – Análise de Dados e Arquiteturas Informacionais em Governo Digital

1. Fundamentos de Programação e Linguagens Analíticas (Python e R)

Introdução à programação voltada à manipulação de dados administrativos e previdenciários. Uso de bibliotecas, como pandas, NumPy e ggplot2, para tratamento, modelagem e visualização de dados públicos.

2. Modelagem Conceitual e Estruturas de Dados Relacionais

Criação e normalização de modelos conceituais e lógicos de bancos de dados. Uso de SQL para definição de esquemas, chaves e integridade relacional aplicada a dados do INSS e da DataPrev.

3. Bancos de Dados Não Relacionais e Integração de Fontes de Dados (NoSQL)

Introdução a bancos de dados NoSQL (documentais, chave-valor, grafos). Aplicações práticas em cenários de interoperabilidade entre sistemas públicos e integração com o ecossistema gov.br.

4. Métodos e Ferramentas de Data Science Aplicados à Gestão Previdenciária

Exploração e análise de grandes bases de dados previdenciários para identificação de gargalos, previsões de demanda e melhoria de processos. Uso de técnicas de machine learning supervisionado e não supervisionado.

5. Inteligência Espacial e GeoAnalytics em Políticas Previdenciárias

Aplicação de técnicas geoespaciais para mapear atendimento e cobertura previdenciária, e identificar regiões de maior demanda. Uso de ferramentas de GeoAnalytics e regressão espacial para otimização de políticas públicas.

6. Análise de Redes Sociais (SNA) Aplicada à Gestão Previdenciária

Fundamentos de teoria dos grafos, medidas de centralidade e detecção de comunidades. Aplicação em redes de relacionamento institucional, cooperação entre agências e identificação de fluxos de informação.

7. Cluster Analysis e Segmentação de Beneficiários e Processos

Métodos de agrupamento e redução de dimensionalidade (k-means, hierárquico, DBSCAN). Aplicação em segmentação de beneficiários, predição de demandas e otimização de políticas de atendimento.

Módulo II – Inteligência Artificial e Big Data para Governo Digital

8. Fundamentos de Inteligência Artificial e Redes Neurais
39

Estudo de algoritmos de IA e aprendizado de máquina aplicados à detecção de padrões e anomalias. Implementação de modelos preditivos para detectar fraudes e prever fluxos de atendimento.

9. Processamento de Linguagem Natural (NLP)

Uso de técnicas de NLP para automatizar o entendimento de textos de requerimentos, pareceres e comunicações internas. Aplicação de modelos Transformer (BERT, GPT) para sumarização e classificação de documentos.

10. IA Generativa e Simulação de Processos Previdenciários

Aplicação de IA generativa para simulação de processos e reconstrução de cenários de atendimento. Criação de protótipos digitais e fluxos automatizados com uso de modelos generativos.

11. Engenharia de Dados e Big Data Analytics para o Setor Público

Arquitetura de dados em larga escala para o ambiente previdenciário. Integração de fontes heterogêneas (DataPrev, CNIS, gov.br) e estruturação de pipelines de dados para análise e visualização.

12. ML-Ops e Governança de Modelos Analíticos no Setor Público

Fundamentos de MLOps aplicados à gestão de modelos de IA em produção. Práticas de versionamento, monitoramento e auditoria, respeitando a LGPD e a Lei de Governo Digital.

13. Agentes de IA e Sistemas Autônomos

Estudo de arquiteturas baseadas em agentes autônomos e assistentes inteligentes. Abordagem de RAG (Retrieval-Augmented Generation), agentes multifunção, integração com LLMs e frameworks emergentes.

Módulo III – Inovação Analítica e Projetos Aplicados em Gestão Previdenciária

14. Visualização de Dados e Dashboards para Gestão Previdenciária

Criação de relatórios e dashboards interativos com Power BI e Tableau. Técnicas de visualização para tomada de decisão em níveis tático e estratégico.

15. Gestão da Informação e Ética no Uso de Dados Governamentais

Análise de políticas de governança de dados, segurança da informação e ética no uso de IA. Estudo da LGPD, da Lei de Governo Digital e dos princípios de transparência e prestação de contas.

16. Criação de Knowledge Bases e Grafos de Conhecimento com LLMs

Desenvolvimento prático de bases de conhecimento integradas com LLMs. Construção de grafos de conhecimento no Neo4J e aplicação em consultas semânticas e chatbots cognitivos.

17. Análise de Dados e Inteligência Operacional em Previdência

Integração de métodos de Big Data e IA para apoiar decisões operacionais e estratégicas. Aplicação prática na alocação de recursos, no controle de filas e na previsão de demanda.

18. Inovação Digital e Futuro da IA no Setor Público

Discussão sobre tendências emergentes em IA, automação, blockchain e interoperabilidade entre órgãos públicos. Reflexão sobre o papel da inovação na transformação digital e na governança previdenciária.

19. Projeto Aplicado I: Modelagem de Problemas e Soluções em Gestão Previdenciária

Identificação e modelagem de problemas reais da gestão previdenciária. Definição de requisitos, algoritmos e bases de dados para desenvolvimento da solução.

20. Projeto Aplicado II: Desenvolvimento e Avaliação de Soluções Analíticas

Desenvolvimento, validação e apresentação de protótipos analíticos. Avaliação dos resultados e impacto gerencial das soluções propostas, com ênfase em eficiência e inovação pública.

O que é necessário para conquistar este badge

Para ser aprovado no curso, os participantes deverão:
• obter, no mínimo, média final 7,0 (sete) em cada disciplina cursada, tendo cada disciplina a sua própria avaliação;
• obter frequência mínima de 75% (setenta e cinco por cento) em cada disciplina;
• entregar, ao final do curso, o trabalho de conclusão de curso (Projeto Aplicado), no qual deverá obter, no mínimo, nota 7,0 (sete).