Business Analytics
Acreditações
Plano de Estudos para 2024/2025
Unidades curriculares | Créditos | |
---|---|---|
Análise de Dados Exploratória
6.0 ECTS
|
Parte Escolar > Unidades Curriculares Obrigatórias | 6.0 |
Análise de Dados Não Estruturados
6.0 ECTS
|
Parte Escolar > Unidades Curriculares Obrigatórias | 6.0 |
Aplicações de Business Analytics
6.0 ECTS
|
Parte Escolar > Unidades Curriculares Obrigatórias | 6.0 |
Estratégia e Reporte
6.0 ECTS
|
Parte Escolar > Unidades Curriculares Obrigatórias | 6.0 |
Gestão de Bases de Dados
6.0 ECTS
|
Parte Escolar > Unidades Curriculares Obrigatórias | 6.0 |
Análise Preditiva
6.0 ECTS
|
Parte Escolar > Unidades Curriculares Obrigatórias | 6.0 |
Análise Prescritiva
6.0 ECTS
|
Parte Escolar > Unidades Curriculares Obrigatórias | 6.0 |
Métodos Analíticos em Big Data
6.0 ECTS
|
Parte Escolar > Unidades Curriculares Obrigatórias | 6.0 |
Seminário em Business Analytics
6.0 ECTS
|
Parte Escolar > Unidades Curriculares Obrigatórias | 6.0 |
Seminário de Investigação em Business Analytics
6.0 ECTS
|
Parte Escolar > Unidades Curriculares Obrigatórias | 6.0 |
Dissertação em Métodos Analíticos para Gestão
42.0 ECTS
|
Trabalho Final | 42.0 |
Trabalho de Projeto em Métodos Analíticos para Gestão
42.0 ECTS
|
Trabalho Final | 42.0 |
Análise de Dados Exploratória
Ao concluir a Unidade Curricular, o estudante deverá ser capaz de:
OA1. Avaliar a qualidade dos dados (casos omissos e outliers), listar os padrões dos dados descritivos (estatísticas básicas, transformação de variáveis e relações entre pares de atributos), detectar propriedades de sub-populações de dados significativos, segmentar sujeitos de acordo com várias técnicas de clustering, e identificar padrões ou tendências dos dados, reproduzindo-os na realização de exercícios.
OA2. Interpretar os resultados decorrentes de técnicas de sumarização dos dados.
OA3. Diferenciar os métodos de redução da dimensionalidade dos dados e de segmentação de sujeitos e escolher os métodos mais adequados a um determinado problema.
OA4. Identificar e aplicar o modelo de regressão linear mùltipla na presença de dados adequados à Hotelaria e Turismo.
CP1. Introdução à Análise exploratória dos dados
1.1. Tipos de dados
1.2. Avaliação da qualidade dos dados: não-respostas e valores extremos
CP2. Técnicas de sumarização
2.1. Análise de Dados uni e bivariados
Medidas descritivas e representações gráficas.
2.2 Análise de Dados multivariados
2.2.1 Técnicas para reduzir a dimensionalidade dos dados de input: Análise de Componentes Principais (ACP), Análise de componentes principais para dados categóricos (CatPCA), e Análise de correspondência múltiplas (ACM).
2.2.2 Técnicas de segmentação: Hierárquico aglomerativo, k-Means, e Two-Step Clustering.
CP3. Técnicas de associação
(Market Basket Analysis)
Algoritmos Apriori, Carma, e Sequential.
CP4. Aplicações de técnicas descritivas em dados reais: utilização do software IBM SPSS Modeler e IBM SPSS Statistics.
Avaliação ao longo do semestre ou avaliação por exame.
Avaliação ao longo do semestre:
a) 1 Exercício (de 1h 15 m) a realizar online com peso de 10%
b) Trabalho de grupo com peso de 40%
c) Teste final individual (50%)
d) Média ponderada das avaliações individuais de um mínimo de 8.5
e) assiduidade mínima de sete aulas (de 8).
2/3 das aulas leccionadas.
Avaliação por exame: exame individual (60%) + trabalho individual (40%) com nota mínima 8,5 a cada prova desde que a nota final seja de 10 no mínimo.
Em ambas as modalidade, poderá ser necessário relaizar uma discussão oral do trabalho de grupo ou trabalho individual.
Escala: 0-20 valores
Title: Larose, D. T., Data Mining and Predictive Analytics, 2015, Wiley Series on Methods and Applications, 2nd Ed., ISBN: 978-1-118-11619-7
Camm, J., Cochran, J., Fry, M., Ohlmann, J., Anderson, D., Sweeney, D., & Williams, T., Essentials of Business Analytics, 2017, 2nd ed., Boston: Cengage Learning, 2nd Ed. ISBN- 10 1305627733
Hair, J. H., Black, W. C., & Babin, B. J., Multivariate Data Analysis, 2019, 8th Edition. Cengage. ISBN 1473756545, 9781473756540
Authors:
Reference: null
Year:
Title: Andy Field (2024) Discovering Statistics using IBM SPSS Statistics. SAGE, Los Angeles (6th Edition).
Authors:
Reference: null
Year:
Análise de Dados Não Estruturados
No final do período curricular desta UC, o aluno deverá:
OA1. Identificar e aplicar os conceitos e as tecnologias associadas à área de texto não estruturado e análise de redes sociais com vista a implementar soluções que possam auxiliar a tomada de decisão em contexto de gestão.
OA2. Aplicar técnicas de text mining para melhor compreender e gerir problemas de negócio.
OA3. Desenvolver a capacidade de estudo, de pesquisa pessoal e de comunicação em Text Mining.
OA4. Conhecer o contexto de NLP na Inteligência Artificial actual.
CP1. Introdução a Análise de Dados não Estruturados e ao Text Mining.
CP2. Tokenization, Criação de Dicionários e Preparação do Corpus.
CP3. Métodos de Agrupamento de Documentos e Termos.
CP4. Modelos de Classificação em Texto.
CP5. Aplicação de Casos de Agrupamento de Documentos e Termos à Gestão.
CP6. Aplicação de Casos de Classificação de Texto Aplicados à Gestão: Análise de Sentimentos.
CP7. Tópicos avançados de NLP.
1) Avaliação ao longo do semestre:
a) Teste individual (50%).
b) Trabalho de grupo 1 - Ferramentas (Imagens, Vídeo, Som, ou Texto) (15%).
c) Trabalho de grupo 2 - Aplicação/Projecto (Imagens, Vídeo, Som, ou Texto) (25%).
d) Participação em aula (10%).
Aprovação: a) mín. 7,5 valores em cada um dos elementos de avaliação; b) classificação final mín. 10 valores.
2) Avaliação por exame (1ª época): teste escrito (100%), com classificação mínima 10 valores.
3) Avaliação por exame (2ª época): teste escrito (100%) com classificação mínima 10 valores.
Escala: 0-20 valores.
Title: Paaß and Giesselbach (2023). Foundation Models for Natural Language Processing. Springer.
Filipowska and Filipiak (2020). Big Data Management and Analytics - Introduction to Text Analytics. Springer.
Struhl, S. (2015). Practical Text Analytics: Interpreting Text and Unstructured Data for Business Intelligence (Marketing Science Series). Kogan Page.
Authors:
Reference: null
Year:
Title: Liu, Lin, Sun (2023). Representation Learning for Natural Language Processing. Springer.
Weiss, Indurkhya, Zhang, Damerau (2005). Text Mining: Predictive Methods for Analyzing Unstructured Information. Springer
Srivastava, A.N. and Sahami, M. (2009). Text Mining: Classification, Clustering, and Applications. Chapman & Hall/CRC.
Feldman, R. and James Sanger, J. (2006). The Text Mining Handbookx\: Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press.
Authors:
Reference: null
Year:
Aplicações de Business Analytics
OA1. Conhecer a metodologia CRISP-DM;
OA2. Perceber o processo de implementação de projetos de business analytics;
OA3. Conhecer as principais ferramentas informáticas em business analytics;
OA4. Conhecer algumas aplicações reais de business Analytics.
P1. Business analytics nas organizações
P.1.1. Framework para a implementação
P1.2. Metodologia CRISP-DM
P1.3. Maturidade analítica
P2. Aplicações de business analytics
P2.1. Problemas com os dados
P2.2. Problemas de business intelligence
P2.3. Problemas de analytics
1) Avaliação periódica:
a) Trabalhos individual com apresentação oral e digital (70%)
(OA 1, 2, 3, 4)
b) Trabalho de grupo com possibilidade de discussão (30%)
(OA 3, 4)
Aprovação: a) mín. 7,5 valores em cada uma das provas; b) classificação final mín. 10 valores; e, c) assiduidade mínima de 4/5 das aulas
Escala: 0-20 valores
Dada a natureza prática dos conteúdos da UC, não está prevista a realização de exame
Title: Camm, J., Cochran, J., Fry, M., Ohlmann, J., Business Analytics, 2021, Cengage,
Laursen, Gert H. N. & Thorlund, Jesper, Business Analytics for Managers: Taking Business Intelligence Beyond Reporting, 2017, Second Edition, Wiley,
Santos, M. & Ramos, I., Business Intelligence: Tecnologias da Informação na Gestão de Conhecimento, 2009, 2ª Edição, FCA.,
Schniederjans, M. J., Schniederjans, D. G., & Starkey, C. M., Business analytics principles, concepts, and application what, why, and how, 2014, Pearson,
Venkatesan, R, Farris, P. Wilcox R., Cutting Edge Marketing Analytics: Real World Cases and Datasets for Hands On Learning, 2014, Pearson/FT Press,
Authors:
Reference: null
Year:
Title: Brennan, K., A Guide to the Business Analysis Body of Knowledge (BABOK Guide), 2015, V3, Int'l Institute of Business Analysis (IIBA),
Isson, J. P. & Harriott, J. (eds), Win with advanced business analytics: creating business value from your data, 2013, John Wiley & Sons,
Palmatier, Robert & Sridhar, Shrihari, Marketing Strategy: Based on First Principles and Data Analytics, 2021, 2nd Edition, Bloomsbury Academic,
Sharda, Ramesh, Dursun Delen & Efraim Turban, Business Intelligence and Analytics: Systems for Decision Support, 2015, 10th Edition, Pearson.,
Siegel, E., Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die, 2016, Wiley,
Winston, Wayne L., Marketing Analytics Data-Driven Techniques with Microsoft Excel, 2014, Wiley,
Authors:
Reference: null
Year:
Estratégia e Reporte
OA1. Desenvolver conceitos inerentes ao processo de gestão estratégica e compreender a forma como este processo é visto a partir de diferentes abordagens teóricas.
OA2. Compreender e aplicar o conceito e a abordagem das capacidades dinâmicas.
OA3. Introduzir conceitos inerentes à formulação e ao desenvolvimento de estratégias de negócio e de estratégias corporativas, incluindo a avaliação do envolvente e a análise de stakeholders.
OA4. Perceber a importância da implementação e do controlo de gestão estratégica e da sua ligação ao reporte e à business analytics.
OA5. Criar sistemas de controlo e avaliação de desempenho para o reporte de informação relativa à gestão empresarial.
OA6. Desenvolver pensamento crítico.
OA7. Ter autonomia para planear processos de aprendizagem e avançar os conhecimentos na área em estudo.
CP1. Estratégia como ponto de partida para business analytics
CP2. O processo de gestão estratégica
CP3. Análise interna da organização baseada nos recursos e nas capacidades dinâmicas
CP4. Análise da envolvente externa
CP5. Estratégias de negócio, novos modelos de negócio e transformação digital
CP6. Estratégias corporativas
CP7. Implementação e controlo da estratégia, reporting e business analytics.
Opção 1 (Avaliação Contínua)
i. Teste Escrito Individual 50%
ii. Trabalho de Grupo 40%
iii. Relatório do Seminário 10%
Aprovação: Média ponderada de 10 valores ou superior, com a nota mínima de 8 valores em cada uma das componentes da avaliação contínua.
Opção 2 (Exame Final)
Aprovação: 10 valores ou superior
Escala: 0-20 valores.
Title: Sharda, R., Delen, D., & Turban, E. (2018) Business intelligence, analytics, and data science: A managerial perspective. Pearson.
Pearce, J. & Robison, R. (2013) Strategic Management, 13th Edition, MacGraw-hill Higher Education.
Grant, R. (2018) Contemporary Strategy Analysis (10th edition), Wiley.
Barney, J. & Hesterley S. (2019) Strategic Management and Competitive Advantage: Concepts and Cases, 6th Edition, Pearson.
Authors:
Reference: null
Year:
Title: Gebauer, H. (2011) Exploring the contribution of management innovation to the evolution of dynamic capabilities. Industrial Marketing Management, 40(8), 1238-1250.
Eisenhardt, K. & Martin, J. (2000) Dynamic capabilities: What are they? Strategic Management Journal, 21(10/11), 1105-1121.
Breznik, L. & D. Hisrich, R. (2014) Dynamic capabilities vs. innovation capability: Are they related? Journal of Small Business and Enterprise Development, 21(3), 368-384.
Authors:
Reference: null
Year:
Gestão de Bases de Dados
No final da lecionação desta UC o aluno deve estar apto a (OA):
1. Compreender a importância da gestão de bases de dados no universo do data science.
2. Interpretar e desenhar modelos de dados de sistemas operacionais e de sistemas analíticos.
3. Utilizar com eficiência e eficácia as linguagens e ferramentas para pesquisa de informação proveniente de dados estruturados e semi-estruturados
A. Enquadramento da gestão de dados no universo do datascience
B. Desenho de esquemas relacionais
1. Relações e chaves primárias
2. Chaves estrangeiras e regras de integridade;
3. Análise crítica e construção de um modelo relacional;
C. Linguagem S.Q.L
1 Interrogações Simples;
2 Funções de Agregação e Agrupamentos;
3 Interrogações Encadeadas;
4. Criação de Views
D. Otimização
E. Modelo Dimensional
1. Conceção modelo dimensional
2. Modelo dimensional vs relacional
3. ETL & qualidade dos dados
F. Dados semi-estruturados
Avaliação por exame (1ª Época, 2ª Época e Época Especial):
* Prova escrita (100%)
- Aprovação: nota >= 10 valores.
Avaliação ao longo do semestre:
* Trabalho de grupo com discussão - entregas faseadas ao longo do semestre e discussão no final do semestre (50%);
* Teste individual escrito - data de 1ª Época (50%).
- Aprovação: Nota final >=10 valores; e Teste individula escrito >=8 valores.
- A não comparência na discussão implica a anulação do trabalho de grupo como elemento de avaliação.
- As notas finais do trabalho de grupo dependerão do desempenho de cada aluno na discussão, e poderão variar entre 0 (zero) e 20 valores.
Title: Ramakrishnan , Raghu; Gehrke, Johannes. Database Management Systems. 3rd Edition. McGrawHill. 2003
Perreira, J. Tecnologia de Base de Dados" FCA Editora de Informática, 1998
Damas, L. SQL - Structured Query Language " FCA Editora de Informática, 2005
Kimball R, Ross M. The Data Warehouse Toolkit. 3rd ed. John Wiley & Sons; 2013.
Kimball R, Caserta J, ?The Data Warehouse ETL Toolkit?, Wiley, 2004
Authors:
Reference: null
Year:
Title: Gorelik, Alex. The Enterprise Big Data Lake: Delivering the Promise of Big Data and Data Science. 1st Edition, O?Reilly, 2019
Authors:
Reference: null
Year:
Análise Preditiva
OA1. Descrever e demonstrar a aplicação de técnicas de classificação: árvores de decisão, regras proposicionais e redes neuronais
OA2. Descrever e demonstrar a aplicação de técnicas de regressão: regressão linear, árvores de decisão e redes neuronais
OA3. Aplicar, em plataformas analíticas, técnicas de classificação e regressão para resolver problemas reais de negócio
P1. Técnicas de classificação
P1.1. Árvores de decisão e regras proposicionais
P1.2 Redes neuronais: algoritmo backpropagation
P1.3 Outros algoritmos para classificação
P2. Técnicas de regressão
P2.1. Regressão linear
P2.2. Árvores de decisão
P2.3 Redes neuronais: algoritmo backpropagation
P2.4. Outros algoritmos para regressão
P3. Aplicações de classificação e regressão em dados reais: utilização do software IBM SPSS Modeler e IBM SPSS Statistics; ou outro
1) Avaliação ao longo do semestre:
a) Teste individual (50%) - OA 1, 2.
b) Trabalho de projeto aplicado em grupo com apresentação digital (50%) e possível discussão - OA 1, 2, 3
Aprovação: a) mín. 7,5 valores em cada uma das provas; b) classificação final mín. 10 valores; e, c) assiduidade mínima de 2/3 das aulas.
2) Avaliação por exame (todas as épocas):
Trabalho de projeto aplicado individual, a realizar numa semana, com discussão e apresentação digital (50%) e teste escrito (50%), com classificação mínima 10 valores em ambos.
Escala: 0-20 valores.
Title: Larose, D. & Larose, C. (2015). Data Mining and Predictive Analytics (Wiley Series on Methods and Applications in Data Mining), 2nd edition, Wiley.
Lopez, C. (2022). Machine Learning. Supervised Learning with SPSS Modeler, Scientific Books.
Quinn, J. (2020). The Insider' Guide to Predictive Analytics, Smart Vision Europe.
Wendler, T. & Gröttrup, S. (2021). Data Mining with SPSS Modeler: Theory, Exercises and Solutions, 2nd edition, Springer
Witten, I., Frank, E. & Hall, M. (2011). Data Mining: Practical Machine Learning Tools and Techniques, 3rd edition, Morgan Kaufmann.
Authors:
Reference: null
Year:
Title: Gama, J., Carvalho, A., Faceli, K., Lorena, A., & Oliveira, M. (2012). Extração de Conhecimento de Dados: Data Mining, Edições Sílabo.
Hair, J.F., Black, W.C., Babin, B.J. & Anderson, R.E. (2010). Multivariate Data Analysis, 7th edition, Prentice Hall.
Hastie, T., Tibshirani, R., Friedman, J., Hastie, T., Friedman, J., & Tibshirani, R. (2009). The Elements of Statistical Learning, Vol. 2, Springer.
Laureano, R. (2020). Testes de Hipóteses e Regressão: o Meu Manual de Consulta Rápida, Edições Sílabo.
McCormick, K., Abbott, D., Brown, M., Khabaza. T., & Mutchler, S. (2013). IBM SPSS Modeler Cookbook, Packt
Rocha, M., Cortez, P. & Neves, J. (2008). Análise Inteligente de Dados - Algoritmos e Implementação em Java, FCA.
Salcedo, J. & McCormick, K. (2017). IBM SPSS Modeler Essentials: Effective techniques for building powerful data mining and predictive analytics solutions, Packt.
Santos, M. & Ramos, I. (2009). Business Intelligence: Tecnologias da Informação na Gestão de Conhecimento, 2ª Edição, FCA.
Vasconcelos, J., & Barão, A. (2017). Ciência dos Dados nas Organizações: Aplicações em Python, FCA.
Authors:
Reference: null
Year:
Análise Prescritiva
Ao concluir esta Unidade Curricular o estudante deverá ser capaz de:
OA1: Identificar modelos prescritivos de apoio à tomada de decisão adequados para aplicações em gestão.
OA2: Identificar técnicas prescritivas de apoio à tomada de decisão adequados para aplicações em gestão.
OA3: Desenvolver modelos de apoio à decisão para aplicações em gestão.
OA4: Utilizar programas generalistas para resolver modelos de apoio à decisão.
OA5: Interpretar e produzir recomendações baseadas nos resultados dos modelos de apoio à decisão.
P1. Modelos e técnicas de optimização matemática
1.1 Optimização Linear
1.2 Optimização com variáveis inteiras
1.3. Optimização Não Linear
1.4 Aplicações da optimização matemática na Gestão
1.5 Resolução usando software
1.6 Fazer recomendações prescritivas
P2. Modelos e técnicas de optimização multiobjectivo
2.1 Modelos multiobjectivo
2.2 Aplicações da optimização multiobjectivo na Gestão
2.3 Resolução usando software
2.4 Fazer recomendações prescritivas
P3. Técnicas de optimização heurística
3.1 Introdução à optimização heurística
3.2 Aplicações da optimização heurística na Gestão
3.3 Resolução usando software
3.4 Fazer recomendações prescritivas
P4. Outros modelos e técnicas prescritivas para Gestão
1. AVALIAÇÃO PERIÓDICA:
a) Teste escrito (60%);
b) Trabalho de grupo com discussão (40%);
c) Presença em, pelo menos, 2/3 das aulas.
2. AVALIAÇÃO POR EXAME (1.ª e 2.ª Época):
a) Teste escrito (60%);
b) Projecto individual com discussão (40%).
A aprovação (na avaliação Periódica ou por Exame):
i) Requere classificação mínima de 8,5 em cada prova;
ii) Pode ser exigida uma prova oral.
Escala: 0-20 valores.
Title: * Evans, J. (2021). Business Analytics, 3rd Ed. Global Edition. Pearson.
* Ragsdale, C.T. (2017). Spreadsheet Modeling and Decision Analysis: A Practical Introduction to Business Analytics, 8th Ed. Cengage Learning.
* Murty, K. G. (2003). Optimization Models For Decision Making: Volume 1. Web-book. http://www-personal.umich.edu/~murty/books/opti_model/
Authors:
Reference: null
Year:
Title: * Greasley, A. (2019) Simulating Business Processes for Descriptive, Predictive and Prescriptive Analytics, De Gruyter.
* Borshchev, A. (2015). The Big Book of Simulation Modeling. Multimethod Modeling with AnyLogic 6.
* Taha, H. A. (2016). Operations Research: An Introduction, 10th Ed. Pearson.
* Korte, B. and Vygen, J. (2012). Combinatorial Optimization: Theory and Algorithms, 5th edition. Springer.
* Pinedo, M.L. (2012). Scheduling: Theory, Algorithms, and Systems, 4th edition. Springer.
* Cook, J.W. (2014). In Pursuit of the Traveling Salesman: Mathematics at the Limits of Computation, 3rd Ed. Princeton University Press.
Authors:
Reference: null
Year:
Métodos Analíticos em Big Data
OA1. Perceber o que é Big Data e as suas principais implicações para as organizações
OA2. Aplicar modelos analíticos em Big Data
OA3. Avaliar soluções analíticas de Big Data
CP1. Big Data: Introdução, Desafios, Tendências e Aplicações ao Negócio
CP2. Características do Big Data: os V's do Big Data
CP3. As Tecnologias do Big Data
CP4. Análise de Streams e Modelos Analíticos para Big Data
CP5. Casos de negócio com problemas e soluções analíticas de Big Data
1. Avaliação ao longo do semestre: a) Trabalho de grupo com apresentação (50%). (OA 2, 3); b) Teste individual (50%). (OA 1, 3);
A aprovação em avaliação ao longo do semestre exige:
- presença em, pelo menos, 75% das aulas;
- nota mínima de 7,5 valores para cada um dos elementos de avaliação;
- classificação final mínima de 10 valores.
2. Avaliação por exame: Teste individual (50%) e Trabalho individual com apresentação (50%).
A aprovação em avaliação por exame exige:
- nota mínima de 10 valores para cada um dos elementos de avaliação;
- classificação final mínima de 10 valores.
Title: Bahga, A. & Madisetti, V. (2016). Big Data Science & Analytics: A Hands-On Approach. VPT.
Li, K. C., Jiang, H., Yang, L. T., & Cuzzocrea, A. (2015). Big data: Algorithms, analytics, and applications. CRC Press.
Leskovec, J., Rajaraman, A. & Ullman, J.D. (2020). Mining of Massive Datasets. 3rd Edition, Cambridge University Press.
Melcher, K. & Silipo, R. (2020) Codeless Deep Learning with KNIME. Packt Publishing.
Authors:
Reference: null
Year:
Title: Berthold, M.R., Borgelt, C., Höppner, F., Klawonn, F. & Silipo, R. (2020). Guide to Intelligent Data Science: How to Intelligently Make Use of Real Data. 2nd Edition, Springer International Publishing.
Marz, N. & Warren, J. (2015). Big Data: Principles and best practices of scalable realtime data systems. Manning Publications.
Ragsdale, C. (2015). Spreadsheet Modeling & Decision Analysis: A practical introduction to business analytics. 7th Edition, Cengage Learning.
Ryza, S., Laserson, U., Owen, S., & Wills, J. (2015). Advanced Analytics with Spark: Patterns for Learning from Data at Scale. O'Reilly Media.
Authors:
Reference: null
Year:
Seminário em Business Analytics
Objetivos de Aprendizagem:
OA1. Descrever os conceitos e metodologias-chave para o desenvolvimento de um caso de negócio.
OA2. Descrever os principais conceitos e frameworks para o desenvolvimento de uma arquitectura de dados.
OA3. Desenvolver e comunicar um caso de negócio suportado numa arquitetura de dados.
No final da UC cada estudante deverá ser capaz de:
1) Analisar um caso de negócio;
2) Desenhar um framework de arquitetura de dados;
3) Identificar critérios de decisão;
4) Selecionar funcionalidades tecnológicas;
5) Elaborar uma proposta de valor; e
6) Definir requisitos tecnológicos para a implementação do caso de negócio.
P1. Fundamentos de arquitetura de dados
P2. Armazenamento e recuperação de dados
P3. Integração de dados
P4. Análise, modelação e visualização de dados
P5. Segurança e qualidade de dados
P6. Arquiteturas com tecnologias emergentes
P7. Identificação de problemas
P8. Fundamentação de propostas
P9. Identificação de riscos e benefícios
P10. Definição de requisitos tecnológicos
P11. Comunicação de casos de negócio
A avaliação ao longo do semestre é composta pelas seguintes componentes:
a) 10% em função da assiduidade do aluno nas aulas;
b) 50% com trabalho de grupo, onde os alunos devem demonstrar a capacidade de desenvolvimento de um caso de negócio, com trabalho colaborativo e brainstorming, através da gravação de um vídeo (pitch);
c) 30% com a entrega individual dos requisitos tecnológicos do caso de negócio;
d) 10% com a discussão oral individual do caso de negócio.
Aprovação: a) classificação mínima 10 valores em cada elemento;
Escala: 0-20 valores.
Esta UC não contempla avaliação por exame dada a sua natureza de seminário.
Title: Wysocki, Robert. Effective Project Management: Traditional, Agile, Extreme, Hybrid. 8th edition. Wiley.
Schmidt, Marty. Business Case Guide. Everything you need to know about business case analysis. Solution Matrix. 3rd edition. 2020.
Power, Daniel and Heavin, Ciara. Decision Support, Analytics, and Business Intelligence. 3rd Edition. Business Expert Press. 2017.
Finlay, Steven. Artificial Intelligence and Machine Learning for Business: A No-Nonsense Guide to Data Driven Technologies. 3rd Edition. Relativistic, 2018.
Blokdyk, Gerardus. Design sprint: Standards Requirements. CreateSpace Publishing. 2018.
Authors:
Reference: null
Year:
Seminário de Investigação em Business Analytics
OA1. Saber diferenciar: uma dissertação e um projeto empresa
OA2. Saber como selecionar um problema de investigação e rever a literatura
OA3. Saber escrever uma proposta de investigação e um artigo científico
P1. As etapas do processo de investigação
P.1.1.Tipos de teses
P1.2. Identificação de problemas de investigação
P1.3. Planeamento das fases do trabalho
P2. Elaboração da revisão de literatura e fontes de bibliografia
P3. Tipos e fases do trabalho empírico
P3.1. Identificação de metodologias,
P3.2. Identificação de dados, ferramentas e técnicas analíticas
P4. Elaboração e apresentação de projeto de investigação e de artigo científico
P4.1. Acompanhamento individual ou em pequenos grupos do desenvolvimento e aperfeiçoamento do trabalho de investigação
Avaliação ao longo dos semestres:
1) Projeto de tese (60%)
2) Análise crítica a uma tese de business analytics (10%)
3) Escrita, individual, ou em grupo, de artigo científico e respetiva apresentação oral e digital (10% parte teórica + 10% parte prática + 10% artigo completo submetido a journal ou conferência científica)
Aprovação: a) mín. 10 val. nos instrumentos 1) e 2); b) nota final mín. 10 val.; e, c) assiduidade de 2/3 das aulas.
UC sem exame devido à sua natureza de seminário.
Title: Kitchenham, B., Procedures for Performing Systematic Reviews, Joint Technical Report TR/SE-0401, 2004, Keele University.
Peffers, K., Tuunanen, T., Gengler, C., Rossi, M., Hui, W., Virtanen, V., & Bragge, J., The Design Science Research Process: A Model for Producing and Presenting Information Systems Research,, 2006, First International Conference on Design Science Research in Information Systems and Technology (DESRIST 2006).
Saunders, M., Lewis, P., & Thornhill, A., Research Methods for Business Students, 2019, 8th Edition, Pearson.
vom Brocke, J., Hevner, A., & Maedche, A. (Eds.), Design Science Research. Cases, 2020, Springer.
Passos, F., Laureano, R. & Passos, M., Predictive Model for Heart Failure Decompensation: A Systematic Literature Review, 2024, 19th Iberian Conference on Information Systems and Technologies (CISTI).
Authors:
Reference: null
Year:
Title: Bhattacherjee, A., Social Science Research: Principles, Methods, and Practices, 2012, 2nd edition, University of South Florida, Scholar Commons.
Flick, Uwe, An Introduction to Qualitative Research, 2023, 7th Edition, Sage Publications.
Gastel, B., & Dhar, R., How to Write and Publish a Scientific Paper, 2016, 8th Edition, Greenwood.
IBS, Regras de Elaboração de Dissertação ou Trabalho de Projeto de Mestrado, 2020, Iscte-Business School.
Roger, B. & Sekaran, U., Research Methods for Business,, 2020, 8ª edição, Wiley.
Authors:
Reference: null
Year:
Dissertação em Métodos Analíticos para Gestão
OA1. Escrever uma dissertação
OA2. Apresentar em público uma síntese da dissertação
P1. Escrita da introdução e resumo (abstract);
P1.1. Definição do problema e objetivos de investigação;
P2. Revisão de literatura;
P3. Definição da metodologia
P4. Apresentação de resultados e sua discussão
P5. Escrita de conclusões
P5.1. Contributos/implicações em termos académicos e empresariais
P5.2. Limitações e pistas futuras de investigação
P6. Apresentação oral da síntese da tese
Avaliação ao longo dos semestres:
1) Apresentação escrita da dissertação (80%)
2) Apresentação oral da síntese da dissertação e posterior discussão pública perante um júri (20%)
Nota mínima: 10 valores numa escala 0 a 20 valores
Title: Bougie, R. & Sekaran, U. (2020) Research Methods for Business, 8th Edition, Wiley. ISBN: 978-1119663706.
N. Bui, I. (2019). How to Write a Master′s Thesis, 3rd Edition, Sage. ISBN: 978-1506336091.
Oliveira, L. A. (2011). Dissertação e Tese em Ciência e Tecnologia Segundo Bolonha. Lisboa: LIDEL. ISBN: 978-9727577422.
Fisher, C. (2007). Researching and writing a dissertation: A guidebook for business students. 3rd Edition, Pearson. ISBN: 978-0273723431.
Definida pelo orientador / Defined by supervisor
Authors:
Reference: null
Year:
Title: Provost, F., & Fawcett, T. (2013). Data Science for Business Fundamental principles of data mining and data-analytic thinking. Sebastopol, CA: O'Reilly.
Pidd, M. (2003). Tools for thinking: Modelling in Management Science. West Sussex: Wiley.
Brennan, K. (2009). A Guide to the Business Analysis Body of Knowledge (BABOK Guide). IIBA.
Øvretveit, J. (2008). Writing a scientific publication for a management journal. Journal of Health Organization and Management, 22, 2, 189-206.
Authors:
Reference: null
Year:
Trabalho de Projeto em Métodos Analíticos para Gestão
OA1. Escrever um trabalho de projeto
OA2. Escrever uma síntese do trabalho de projeto
OA3. Apresentar em público uma síntese do trabalho de projeto
P1. Escrita da introdução e resumo (abstract);
P2. Definição do problema de negócio e diagnóstico da organização;
P3. Definição dos objetivos do projeto;
P4. Revisão de literatura;
P5. Definição dos objetivos analíticos e métricas de monitorização;
P6. Compreensão dos dados recolhidos e preparação dos dados;
P7. Técnicas de análise de dados (modelação) e de avaliação dos modelos;
P8. Escrita de conclusões e definição de possibilidades de projetos futuros;
P9. Avaliação de impactos possíveis e formas de controlo de resultados.
- Apresentação escrita da dissertação (80%)
- Apresentação oral da síntese do projeto e posterior discussão pública perante um júri (20%)
Title: Camm, J., Cochran, J., Fry, M., Ohlmann, J., Anderson, D., Sweeney, D., & Williams, T. (2015). Essentials of Business Analytics, Cengage Learning.
Uma Sekaran e Bougie Roger (2010) Research Methods for Business, 5ª edição, John Wiley and Sons
Oliveira, Luís Adriano (2011). Dissertação e Tese em Ciência e Tecnologia Segundo Bolonha. Lisboa: LIDEL
Laursen, Gert & Thorlund, Jesper (2010) Business Analytics for Managers: Taking Business Intelligence Beyond Reporting, Wiley.
Fisher, C. (2007). Researching and writing a dissertation: A guidebook for business students. Essex: Prentice Hall
Bell, Judith (2005). Doing Your Research Project: a guide for first-time researchers in education and social science. 4th ed. Buckingham: Open University Press.
Definida pelo orientador / Defined by supervisor
Authors:
Reference: null
Year:
Title: Provost, F., & Fawcett, T. (2013). Data Science for Business Fundamental principles of data mining and data-analytic thinking. Sebastopol, CA: O?Reilly.
Pidd, M. (2003). Tools for thinking: Modelling in Mangement Science. West Sussex: Wiley.
Brennan, K. (2009). A Guide to the Business Analysis Body of Knowledge (BABOK Guide). IIBA.
Øvretveit, J. (2008). Writing a scientific publication for a management journal. Journal of Health Organization and Management, 22, 2, 189-206.
Authors:
Reference: null
Year:
Optativas recomendadas
Objetivos
O mestrado visa dotar os estudantes da capacidade de conhecer os instrumentos analíticos e saber recomendá-los e usá-los em ambientes científicos e/ou profissionais, permitindo desenvolver soluções de negócio centradas na análise. Em particular, visa que os estudantes adquirem as competências que lhes permita uma boa inserção no mercado de trabalho. Nomeadamente:
Conhecer conceitos, teorias, metodologias e modelos das 3 áreas do BA
Interpretar resultados analíticos
Comunicar por escrito e oralmente soluções analíticas e os conhecimentos e os raciocínios a elas subjacentes, tanto a especialistas como a não especialistas
Pensar criticamente, integrar conhecimentos, lidar com questões complexas, desenvolver soluções e formular juízos em situações de informação limitada ou incompleta
Resolver problemas de negócio, aplicando os conhecimentos adquiridos na identificação e resolução dos problemas que surjam nas suas áreas de estudo, incluindo situações novas ou não familiares
Os objetivos de aprendizagem a desenvolver pelos estudantes decorrentes da frequência das aulas teórico-práticas e da realização de trabalhos de grupo são, entre outros:
Produzir um documento bem estruturado e identificar claramente as mensagens-chave relevantes dentro de um documento escrito sobre um problema de (business) analytics
Reconhecer o significado dos dados na gestão
Selecionar e interpretar dados e referências de fontes académicas e não-académicas
Analisar questões de forma eficaz, formulando conclusões ou soluções bem fundamentadas
Demonstrar conhecimento de metodologias e ferramentas analíticas existentes no mercado
Compreender o framework para um projeto de Business Analytics e avaliar o sucesso de projetos
Demonstrar competência no desenvolvimento de investigação e/ou de projeto de Business Analytics
Conhecer ferramentas informáticas, pacotes estatísticos e de analytics, open source ou comerciais, adequados aos diferentes problemas de negócio
Acreditações