625 XXXII MOSTRA UNISINOS DE INICIAÇÃO CIENTÍFICA E TECNOLÓGICA De 29/09/2025 a 03/10/2025 Unisinos São Leopoldo e Porto Alegre Engenharias - Programa de Pós-Graduação em Engenharia de Produção e Sistemas Autor(a): Sofia de Mattos Souza Fratti Grotto Coautor(es): Modalidade de Bolsa: PIBIC Orientador(a): Fabio Antonio Sartori Piran AVALIAÇÃO DA EFICIÊNCIA DE UM PROCESSO METAL INJECTION MOLDING (MIM) A PARTIR DA ANÁLISE ENVOLTÓRIA DE DADOS (DEA) A crescente competição internacional no setor de armamentos impulsiona as empresas bélicas a buscarem estratégias que sustentem sua competitividade no longo prazo. Dentre os processos produtivos da cadeia bélica, encontra-se o Metal Injection Molding (MIM), que envolve a combinação da moldagem por injeção polimérica com materiais metálicos, possibilitando a produção de peças complexas e de alta precisão. Nesse contexto, a eficiência operacional torna-se um fator determinante, pois permite analisar a produção realizada em relação àquela que seria possível utilizando os mesmos recursos. A Análise Envoltória de Dados (DEA) destaca-se como uma técnica não paramétrica amplamente utilizada para mensurar a eficiência em processos produtivos complexos, permitindo avaliar o desempenho relativo de Unidades de Tomada de Decisão (DMUs), mesmo em contextos com múltiplas entradas e saídas. Além disso, a utilização da DEA permite a condução do benchmarking, técnica que possibilita a identificação das melhores práticas que podem incrementar o desempenho de um processo. Embora a DEA e o benchmarking sejam abordagens consolidadas na literatura, ainda são escassos os estudos que avaliem a eficiência do processo MIM com base nessas técnicas. Nesse sentido, este trabalho visa avaliar a eficiência do processo de Metal Injection Molding em uma empresa bélica por meio da Análise Envoltória de Dados aliada ao benchmarking interno, compreendido como a comparação de desempenho entre unidades de um determinado processo de uma organização. Para isso, realizou-se um estudo de caso longitudinal durante 48 meses, de janeiro de 2020 a dezembro de 2023, com a aplicação de algoritmos de Machine Learning (ML) para identificar os fatores mais relevantes so-
RkJQdWJsaXNoZXIy MjEzNzYz