Business Analytics
Mestrado
Acreditações

Período de aulas
Propinas estudantes UE (2023/2024)
Propinas estudantes fora da UE (2023/2024)
Plano de Estudos para 2023/2024
Unidades curriculares | Créditos | |
---|---|---|
1º Ano | ||
Análise de Dados Exploratória
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Análise de Dados Não Estruturados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Aplicações de Business Analytics
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Estratégia e Reporte
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Gestão de Bases de Dados
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Análise Preditiva
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Análise Prescritiva
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Métodos Analíticos em Big Data
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Seminário em Business Analytics
6.0 ECTS
|
Unidades Curriculares Obrigatórias | 6.0 |
Optativas
|
||
2º Ano | ||
Seminário de Investigação em Business Analytics
6.0 ECTS
|
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 |
Optativas
|
||
Optativas
|
Análise de Dados Exploratória
Apresentar aos alunos as principais técnicas descritivas para sumarização, segmentação e associação, focadas em aplicações de gestão.
ProgramaP1. Análise exploratória dos dados
P1.1. Tipos de dados
P1.2. Avaliação da qualidade dos dados: não-respostas e valores extremos
P2. Técnicas de sumarização
P2.1. Medidas descritivas
P2.2. Representações gráficas
P2.3. Análise de Componentes Principais
P3. Técnicas de segmentação
P4. Técnicas de associação
P5. Aplicações de técnicas descritivas em dados reais: utilização do software IBM SPSS Modeler e IBM SPSS Statistics, ou outros.
1) Avaliação periódica:a) 3 Exercícios (1h) para escolher 2 para a nota final, com peso de 15% cada(OA 1, 2, 3, 4).b) Teste individual (70%).(AO 1, 2, 3, 4).Aprovação: a) mín 8,5 em cada prova; b) classificação final mín. 10; e, c) assiduidade mínima de sete aulas (de 8).2) Avaliação por exame: teste escrito (70%) + teste prático (30%) com nota mínima 8,5 a cada prova desde que a nota final seja de 10 no mínimo. Escala: 0-20 valores.
Bibliografia[1] Discipline support sheets.[2] Laureano, R. & Botelho, M. (2022). IBM SPSS Statistics: o Meu Manual de Consulta Rápida, 4ª Edição, Edições Sílabo.[3] Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Boston: Cengage. [4] Larose, D. & Larose, C. (2015). Data Mining and Predictive Analytics. Second Edition. Hoboken: John Wiley & Sons, Inc.
Bibliografia Opcional[1] Camm, J., Cochran, J., Fry, M., Ohlmann, J., Anderson, D., Sweeney, D., & Williams, T. (2015). Essentials of Business Analytics, Cengage Learning.[2] Laureano, R. (2020). Testes de Hipóteses e Regressão: O meu manual de consulta rápida. Edições Sílabo.
Análise de Dados Não Estruturados
Pretende-se que os alunos, no final da unidade curricular, conheçam as principais técnicas de análise de dados não estruturados (text mining) e a sua aplicação à gestão com recurso ao estudo de casos reais e utilização de ferramentas aplicadas.
Pretende-se ainda que os alunos desenvolvam e apliquem modelos de análise de informação em redes sociais para apoiar a tomada de decisão.
CP1. Introdução ao Text Mining.
CP2. Tokenization, Criação de Dicionários e Preparação do Corpus.
CP3. Métodos de Agrupamento de Documentos e Termos.
CP4. Aplicação de Casos de Agrupamento de Documentos e Termos à Gestão.
CP5. Modelos de Classificação em Texto.
CP6. Aplicação de Casos de Classificação de Texto Aplicados à Gestão.
CP7. Análise de Sentimentos.
CP8. Aplicação de Casos de Análise de Sentimentos à Gestão.
1) Avaliação contínua:a) Teste individual (50%).(OA 1, 3).b) Trabalho de grupo (40%).(OA 1, 2, 3).c) Participação em aula (10%).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 (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.
BibliografiaFolhas de apoio às aulas elaboradas pelo docente.Artigos científicos indicados pelo docente.Struhl, S. (2015). Practical Text Analytics: Interpreting Text and Unstructured Data for Business Intelligence (Marketing Science Series). Kogan Page.
Bibliografia OpcionalFeldman, R. and James Sanger, J. (2006). The Text Mining Handbookx\: Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press.Srivastava, A.N. and Sahami, M. (2009). Text Mining: Classification, Clustering, and Applications. Chapman & Hall/CRC.Weiss, Indurkhya, Zhang, Damerau (2005). Text Mining: Predictive Methods for Analyzing Unstructured Information. Springer
Aplicações de Business Analytics
Apresentar aos alunos as principais aplicações e potencialidades do business analytics nas organizações.
ProgramaP1. 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) Dois trabalhos individuais com apresentação oral e digital, suportados nos casos de estudo contemplados nas aulas (40%+20%)(OA 1, 2, 3, 4)b) Trabalho de grupo com possibilidade de discussão (40%)(AO 1, 2, 3, 4, 5) 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 valoresDada a natureza prática dos conteúdos da UC, não está prevista a realização de exame
BibliografiaCamm, J., Cochran, J., Fry, M., Ohlmann, J. (2021). Business Analytics, Cengage.Laursen, Gert H. N. & Thorlund, Jesper (2017) Business Analytics for Managers: Taking Business Intelligence Beyond Reporting, Second Edition, Wiley.Santos, M. & Ramos, I. (2009). Business Intelligence: Tecnologias da Informação na Gestão de Conhecimento, 2ª Edição, Lisboa, Portugal: FCA.Schniederjans, M. J., Schniederjans, D. G., & Starkey, C. M. (2014). Business analytics principles, concepts, and application what, why, and how. Pearson.Venkatesan, R, Farris, P. Wilcox R. (2014) Cutting Edge Marketing Analytics: Real World Cases and Datasets for Hands On Learning. Pearson/FT Press.
Bibliografia OpcionalBrennan, K. (2009). A Guide to the Business Analysis Body of Knowledge (BABOK Guide). IIBA.Isson, J. P. & Harriott, J. (eds) (2013) Win with advanced business analytics: creating business value from your data, John Wiley & SonsPalmatier, Robert & Sridhar, Shrihari (2017) Marketing Strategy: Based on First Principles and Data Analytics, Palgrave.Provost, F., & Fawcett, T. (2013). Data Science for Business Fundamental principles of data mining and data-analytic thinking. Sebastopol, CA: O?Reilly. Sharda, Ramesh, Dursun Delen & Efraim Turban (2015) Business Intelligence and Analytics: Systems for Decision Support (10/E). Pearson.Siegel, E. (2013). Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die. Hoboken, NJ: Wiley.Winston, Wayne L. (2014) Marketing Analytics Data-Driven Techniques with Microsoft Excel, Wiley.
Estratégia e Reporte
O objetivo da disciplina de Estratégia e Reporte é apresentar perspectivas, conceitos e instrumentos para uma participação eficaz no processo de gestão estratégica, com especial foco nas capacidades dinâmicas e o seu papel em diferentes fases e componentes da gestão estratégica e da sua ligação ao reporte e à business analytics. Na vertente de controlo estratégico, haverá a preocupação de capacitar os alunos para a avaliação e medição do desempenho com ênfase nas questões de reporte e na visualização dos resultados através de dashboards.
ProgramaCP1. 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 superiorEscala: 0-20 valores.
BibliografiaBarney, J. & Hesterley S. (2019) Strategic Management and Competitive Advantage: Concepts and Cases, 6th Edition, Pearson.Grant, R. (2018) Contemporary Strategy Analysis (10th edition), Wiley.Pearce, J. & Robison, R. (2013) Strategic Management, 13th Edition, MacGraw-hill Higher Education.Sharda, R., Delen, D., & Turban, E. (2018) Business intelligence, analytics, and data science: A managerial perspective. Pearson.
Bibliografia OpcionalBreznik, L. & D. Hisrich, R. (2014) Dynamic capabilities vs. innovation capability: Are they related? Journal of Small Business and Enterprise Development, 21(3), 368-384.Eisenhardt, K. & Martin, J. (2000) Dynamic capabilities: What are they? Strategic Management Journal, 21(10/11), 1105-1121.Gebauer, H. (2011) Exploring the contribution of management innovation to the evolution of dynamic capabilities. Industrial Marketing Management, 40(8), 1238-1250.
Gestão de Bases de Dados
Depois de concluir a UC os alunos deverão conhecer o ciclo de vida dos dados e perante as diferentes fases terem capacidade de intervir na construção dos diferentes modelos. Devem também conseguir obter a informação que necessitam.
ProgramaA. 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
1ª época1) Avaliação periódica: i) trabalho de grupo com entregas faseadas (50%); ii) teste individual escrito (50%).Aprovação: Nota final mínima de 10 valores; teste escrito nota mínima 10 valores.2) Avaliação por exame: exame escrito (100%), Nota mínima 10 valores. 2ª ÉpocaAvaliação por exame: teste escrito (100%), Nota mínima 10 valores. Escala: 0-20 valores.
BibliografiaRamakrishnan , Raghu; Gehrke, Johannes. Database Management Systems. 3rd Edition. McGrawHill. 2003Perreira, J. Tecnologia de Base de Dados" FCA Editora de Informática, 1998Damas, L. SQL - Structured Query Language " FCA Editora de Informática, 2005Kimball R, Ross M. The Data Warehouse Toolkit. 3rd ed. John Wiley & Sons; 2013.Kimball R, Caserta J, ?The Data Warehouse ETL Toolkit?, Wiley, 2004
Bibliografia OpcionalGorelik, Alex. The Enterprise Big Data Lake: Delivering the Promise of Big Data and Data Science. 1st Edition, O?Reilly, 2019
Análise Preditiva
Apresentar aos alunos as principais técnicas de regressão e classificação, focadas em aplicações de gestão
ProgramaP1. Análise exploratória dos dados e métricas para classificação e regressão
P2. Técnicas de classificação:
P2.1. Árvores de decisão e regras proposicionais
P2.2 Redes neuronais: algoritmo backpropagation
P2.3 Outros algoritmos para classificação
P3. Técnicas de regressão
P3.1. Regressão linear
P3.2. Árvores de decisão
P3.3 Redes neuronais: algoritmo backpropagation
P3.4. Outros algoritmos para regressão
P4. Aplicações de classificação e regressão em dados reais: utilização do software IBM SPSS Modeler e IBM SPSS Statistics; ou outro
1) Avaliação periódica:a) Teste individual (50%)(OA 1, 2, 3).b) Trabalho de grupo com apresentação digital (50%)(AO 4)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 (1ª época): trabalho com discussão e apresentação digital (50%) e teste escrito (50%), com classificação mínima 10 valores em ambas as provas. 3) Avaliação por exame (2ª época): trabalho com discussão e apresentação digital (50%) e teste escrito (50%), com classificação mínima 10 valores em ambas as provas. Escala: 0-20 valores.
BibliografiaLarose, 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, SpringerWitten, I., Frank, E. & Hall, M. (2011). Data Mining: Practical Machine Learning Tools and Techniques, 3rd edition, Morgan Kaufmann.
Bibliografia OpcionalGama, 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, PacktRocha, 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.
Análise Prescritiva
O1. O paradigma Bayesiano
O2. Aprendizagem Bayesiana
O3. Aplicações na aprendizagem estatística
CP1. Teorema de Bayes e paradigma Bayesiano
CP2. Modelação Bayesiana: Especificação, optimização, inferência
CP3: Aplicações: Análises de regressão, factorial, clustering e longitudinal
Os estudantes podem optar por Avaliação Periódica ou Exame Final.AVALIAÇÃO PERIÓDICA:- trabalho de grupo com nota mínima de 8 valores (50%)- dois testes individuais com nota mínima 8 valores (25% cada um)A aprovação requer uma nota mínima de 10.AVALIAÇÃO POR EXAMEA avaliação por exame, em qualquer uma das épocas legalmente determinadas, consiste numa prova escrita de peso 100%, sendo a nota mínima 10.
BibliografiaMcElreath, R. (2020). Statistical rethinking: A Bayesian course with examples in R and STAN (2nd ed.). CRC Press.Kruschke, J. K. (2015), Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan. Academic Press / Elsevier.Reich, B. J., S. K. Ghosh (2019), Bayesian Statistical Methods, Boca Raton: Chapman and Hall/CRCSlides aulasVários artigos científicosCódigos R
Bibliografia OpcionalAlbert, J., H. Jingchen (2020), Probability and Bayesian Modeling, Boca Raton: CRC Press/Taylor & Francis Group.Depaoli, S. (2021). Bayesian structural equation modeling. The Guilford Press. Heard, N. (2021), An Introduction to Bayesian Inference, Methods and Computation, Berlin: Springer Cham.Levy, R., Mislevy, R. J. (2016), Bayesian Psychometric Modeling, 1st Edition. Boca Raton: Chapman and Hall/CRCMartin, O., R. Kumar, J. Lao (2022), Bayesian Modeling and Computation in Python, CRC Press.Theodoridis, S. (2020),Machine Learning: A Bayesian and Optimization Perspective, Elsevier Ltd.Durr, O., B. Sick (2020), Probabilistic deep Learning, Manning Publications Co.
Métodos Analíticos em Big Data
Apresentar aos alunos os principais desafios relacionados com Big Data em diferentes áreas da gestão.
ProgramaP1. Big Data: Introdução, Desafios, Tendências e Aplicações ao Negócio
P2. Características do Big Data: os V's do Big Data
P3. As Tecnologias do Big Data
P4. Análise de Streams e Modelos Analíticos para Big Data
P5. Casos de negócio com problemas e soluções analíticas de Big Data
1. Avaliação periódica: a) Trabalho de grupo com apresentação (50%). (OA 2, 3); b) Teste individual (50%). (OA 1, 3); A aprovação em avaliação periódica 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.
BibliografiaBahga, 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.
Bibliografia OpcionalBerthold, 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.
Seminário em Business Analytics
Ensinar alunos a construir um caso de negócio na área analítica.
ProgramaP1. Conceito de caso de negócio e seus elementos
P1.1. Fundamentos de gestão de projetos
P1.2. Principais frameworks
P2. Tipos de caso de negócio na área analítica
P3. O papel da consultoria na área analítica
P3.1. Desenhar um caso de negócio
P3.2. Entregar um caso de negócio
P4. Exemplos de casos de negócio na área analítica
Trabalho escrito individual com, eventual, apresentação e discussão (50%)(AO 1, 2, 3)Trabalho de grupo com apresentação e discussão (50%)(AO 1, 2, 3)Aprovação: a) classificação mínima 10 valores em cada trabalho; e, b) assiduidade mínima de 2/3 das aulasEscala: 0-20 valores.Esta UC não contempla avaliação por exame.
BibliografiaBlokdyk, Gerardus. Design sprint: Standards Requirements. CreateSpace Publishing. 2018.Finlay, Steven. Artificial Intelligence and Machine Learning for Business: A No-Nonsense Guide to Data Driven Technologies. 3rd Edition. Relativistic, 2018.Power, Daniel and Heavin, Ciara. Decision Support, Analytics, and Business Intelligence. 3rd Edition. Business Expert Press. 2017.Schmidt, Marty. Business Case Guide. Everything you need to know about business case analysis. Solution Matrix. 3rd edition. 2020. Wysocki, Robert. Effective Project Management: Traditional, Agile, Extreme, Hybrid. 8th edition. Wiley.
Bibliografia OpcionalOptativa 1
Seminário de Investigação em Business Analytics
Dotar os alunos de um conhecimento aprofundado do processo de investigação em business Analytics, capacitando-os para desenvolver investigação própria, através da exposição de diferentes temas cuja análise crítica será desenvolvida.
ProgramaP1. 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. Identificar e utilizar ferramentas de business analytics adequadas ao problema de investigação
P4. Temas de investigação em business analytics
P5. Elaboração e apresentação de projeto de investigação
P5.1. Acompanhamento individual de cada aluno no desenvolvimento e aperfeiçoamento do seu projeto
Avaliação periódica:- Projeto de tese com apresentação oral e digital (50%) e com avaliação por pares (10%)- Análise crítica à investigação em business analytics (10%)- Protocolo para a revisão de literatura na forma de artigo com, possível, apresentação oral (30%)Aprovação: a) mín. 7,5 val. em todas as provas; b) nota final mín. 10 val.; e, c) assiduidade de 2/3 das aulas.UC sem exame.
BibliografiaChapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C. & Wirth, R. (2000). CRISP-DM 1.0 - Step-by-step Data Mining Guide, The CRISP-DM consortium.IBS (2020). Regras de Elaboração de Dissertação ou Trabalho de Projeto de Mestrado, Iscte-Business School.Kitchenham, B. (2004). Procedures for Performing Systematic Reviews, Joint Technical Report TR/SE-0401, Keele University.Peffers, K., Tuunanen, T., Gengler, C., Rossi, M., Hui, W., Virtanen, V., & Bragge, J. (2006). The Design Science Research Process: A Model for Producing and Presenting Information Systems Research, Paper presented at the First International Conference on Design Science Research in Information Systems and Technology (DESRIST 2006), Claremont, CA.Saunders, M., Lewis, P., & Thornhill, A. (2019). Research Methods for Business Students, 8th Edition, Pearson.vom Brocke, J., Hevner, A., & Maedche, A. (Eds.) (2020). Design Science Research. Cases., Springer.
Bibliografia OpcionalØvretveit, J. (2008). Writing a scientific publication for a management journal. Journal of Health Organization and Management, 22, 2, 189-206.Barañano, Ana Maria (2008). Métodos e Técnicas de Investigação em Gestão. Lisboa: Edições Sílabo.Bhattacherjee, A. (2012). Social Science Research: Principles, Methods, and Practices, 2nd edition, University of South Florida, Scholar Commons.Brennan, K. (2009). A Guide to the Business Analysis Body of Knowledge (BABOK Guide). IIBA.Camm, J., Cochran, J., Fry, M., Ohlmann, J., Anderson, D., Sweeney, D., & Williams, T. (2015). Essentials of Business Analytics, Cengage Learning.Ethridge, D. (2004), Research methodology in applied economics, 2nd ed., Blackwell Publishing.Flick, Uwe (2018). An Introduction to Qualitative Research, 6th Edition, London, Sage Publications.Laursen, Gert & Thorlund, Jesper (2010) Business Analytics for Managers: Taking Business Intelligence Beyond Reporting, Wiley.Gastel, B., & Day, R. (2016). How to Write and Publish a Scientific Paper, 8th Edition, Greenwood.Oliveira, Luís Adriano (2011). Dissertação e Tese em Ciência e Tecnologia Segundo Bolonha. Lisboa: LIDELProvost, F., & Fawcett, T. (2013). Data Science for Business Fundamental principles of data mining and data-analytic thinking. Sebastopol, CA: O'Reilly.Schniederjans, M. J., Schniederjans, D. G., & Starkey, C. M. (2014). Business analytics principles, concepts, and application what, why, and how. Pearson.Uma Sekaran e Bougie Roger (2010) Research Methods for Business, 5ª edição, John Wiley and Sons.
Dissertação em Métodos Analíticos para Gestão
Elaborar uma dissertação abordando uma temática específica de business analytics, aplicando os conhecimentos teóricos e as metodologias específicas de forma a aprofundar uma questão teórica.
ProgramaP1. Escrita da introdução e resumo (abstract);
P2. Definição do problema de investigação;
P3. Definição dos objetivos de investigação;
P4. Revisão de literatura;
P5. Definição de modelo conceptual e hipóteses de investigação ou dos objetivos analíticos e métricas de monitorização;
P6. Técnicas de recolha de dados e/ou compreensão 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 investigação futura;
P9. Recomendações e implicação em termos académicos e empresariais.
- Apresentação escrita da dissertação (80%)- Apresentação oral da síntese da dissertação e posterior discussão pública perante um júri (20%)
BibliografiaDefinida pelo orientador / Defined by supervisorFisher, C. (2007). Researching and writing a dissertation: A guidebook for business students. Essex: Prentice HallLaursen, Gert & Thorlund, Jesper (2010) Business Analytics for Managers: Taking Business Intelligence Beyond Reporting, Wiley.Oliveira, Luís Adriano (2011). Dissertação e Tese em Ciência e Tecnologia Segundo Bolonha. Lisboa: LIDELUma Sekaran e Bougie Roger (2010) Research Methods for Business, 5ª edição, John Wiley and SonsCamm, J., Cochran, J., Fry, M., Ohlmann, J., Anderson, D., Sweeney, D., & Williams, T. (2015). Essentials of Business Analytics, Cengage Learning.
Bibliografia OpcionalØvretveit, J. (2008). Writing a scientific publication for a management journal. Journal of Health Organization and Management, 22, 2, 189-206.Brennan, K. (2009). A Guide to the Business Analysis Body of Knowledge (BABOK Guide). IIBA.Pidd, M. (2003). Tools for thinking: Modelling in Mangement Science. West Sussex: Wiley.Provost, F., & Fawcett, T. (2013). Data Science for Business Fundamental principles of data mining and data-analytic thinking. Sebastopol, CA: O?Reilly.
Trabalho de Projeto em Métodos Analíticos para Gestão
Elaborar um trabalho de projeto, abordando uma temática específica de business analytics e aplicando os conhecimentos teóricos e as metodologias específicas, de forma a satisfazer as necessidades das organizações.
ProgramaP1. 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%)
BibliografiaDefinida pelo orientador / Defined by supervisorBell, Judith (2005). Doing Your Research Project: a guide for first-time researchers in education and social science. 4th ed. Buckingham: Open University Press.Fisher, C. (2007). Researching and writing a dissertation: A guidebook for business students. Essex: Prentice HallLaursen, Gert & Thorlund, Jesper (2010) Business Analytics for Managers: Taking Business Intelligence Beyond Reporting, Wiley.Oliveira, Luís Adriano (2011). Dissertação e Tese em Ciência e Tecnologia Segundo Bolonha. Lisboa: LIDELUma Sekaran e Bougie Roger (2010) Research Methods for Business, 5ª edição, John Wiley and SonsCamm, J., Cochran, J., Fry, M., Ohlmann, J., Anderson, D., Sweeney, D., & Williams, T. (2015). Essentials of Business Analytics, Cengage Learning.
Bibliografia OpcionalØvretveit, J. (2008). Writing a scientific publication for a management journal. Journal of Health Organization and Management, 22, 2, 189-206.Brennan, K. (2009). A Guide to the Business Analysis Body of Knowledge (BABOK Guide). IIBA.Pidd, M. (2003). Tools for thinking: Modelling in Mangement Science. West Sussex: Wiley.Provost, F., & Fawcett, T. (2013). Data Science for Business Fundamental principles of data mining and data-analytic thinking. Sebastopol, CA: O?Reilly.
Optativa 2
Optativa 3
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 três 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.
Dissertação / Trabalho de Projeto
Acreditações
