Acreditações
Propinas UE (2025/2026)
Propinas fora da UE (2025/2026)
Plano de Estudos para 2025/2026
| Unidades curriculares | Créditos | |
|---|---|---|
| 1º Ano | ||
|
Estratégia e Reporte
6.0 ECTS
|
||
|
Análise de Dados Exploratória
6.0 ECTS
|
||
|
Métodos Analíticos em Big Data
6.0 ECTS
|
||
|
Aplicações de Business Analytics
6.0 ECTS
|
||
|
Análise Preditiva
6.0 ECTS
|
||
|
Gestão de Bases de Dados
6.0 ECTS
|
||
|
Análise Prescritiva
6.0 ECTS
|
||
|
Análise de Dados Não Estruturados
6.0 ECTS
|
||
|
Seminário em Business Analytics
6.0 ECTS
|
||
| 2º Ano | ||
|
Seminário de Investigação em Business Analytics
6.0 ECTS
|
||
|
Trabalho de Projeto em Métodos Analíticos para Gestão
42.0 ECTS
|
||
|
Dissertação em Métodos Analíticos para Gestão
42.0 ECTS
|
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
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
Andy Field (2024) Discovering Statistics using IBM SPSS Statistics. SAGE, Los Angeles (6th Edition).
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.
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.
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.
Ryza, S., Laserson, U., Owen, S., & Wills, J. (2015). Advanced Analytics with Spark: Patterns for Learning from Data at Scale. O'Reilly Media.
Aplicações de Business Analytics
OA1. Conhecer conceitos e metodologias de business analytics, com foco no problema de negócio (e.g., CRISP-DM);
OA2. Conhecer e descrever as principais ferramentas computacionais em business analytics;
OA3. Conhecer algumas aplicações reais de business analytics.
P1. Business analytics nas organizações
P1.1. Conceitos
P.1.2. Framework para a implementação
P1.3. Metodologia CRISP-DM
P1.4. Maturidade analítica
P1.5. Outros tópicos (e.g., ética, sustentabilidade)
P2. Aplicações de business analytics
P2.1. Problemas com os dados
P2.2. Problemas de business intelligence
P2.3. Problemas de analytics
P3. Ferramentas computacionais para business analytics
P3.1 Business intelligence
P3.2 Data analytics and inteligência Artificial
P3.3 Outros
1) Avaliação ao longo do semestre:
a) Dois cursos de e-learning (7,5% + 7;5%) - OA 1, 2
b) Trabalho individual com apresentação oral e digital (50%) - OA 1, 2, 3
c) Trabalho de grupo com possibilidade de discussão (35%) - OA 2, 3
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 dos conteúdos e objetivos da UC, em que se privilegia o contacto com profissionais ao longo do semestre, não está prevista a realização de exame.
Camm, J., Cochran, J., Fry, M., Ohlmann, J. (2024). Business Analytics, 5th Edition, Cengage. ISBN: 978-0357902202.
Laursen, Gert H. N. & Thorlund, Jesper (2017)., Business Analytics for Managers: Taking Business Intelligence Beyond Reporting, 2nd Edition, Wiley. ISBN: 978-1119298588.
Brennan, K. (2015). A Guide to the Business Analysis Body of Knowledge (BABOK Guide), V3, Int'l Institute of Business Analysis (IIBA).
Isson, J. P. & Harriott, J. (eds) (2013). Win with advanced business analytics: creating business value from your data, John Wiley & Sons,
Palmatier, Robert & Sridhar, Shrihari (2021). Marketing Strategy: Based on First Principles and Data Analytics, 2nd Edition, Bloomsbury Academic.
Roberts, Terisa & Tonna, Stephan J. (2022). Risk Modeling: Practical Applications of Artificial Intelligence, Machine Learning, and Deep Learning, Wiley. ISBN 978-1119824930.
Santos, M. & Ramos, I. (2009). Business Intelligence: Tecnologias da Informação na Gestão de Conhecimento, 2ª Edição, FCA.
Schniederjans, M. J., Schniederjans, D. G., & Starkey, C. M. (2014). Business analytics principles, concepts, and application what, why, and how, Pearson.
Sharda, Ramesh, Dursun Delen & Efraim Turban (2015). Business Intelligence and Analytics: Systems for Decision Support, 10th Edition, Pearson.
Siegel, E. (2016). Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die, Wiley.
Venkatesan, R, Farris, P. Wilcox R. (2014). Cutting Edge Marketing Analytics: Real World Cases and Datasets for Hands On Learning, Pearson/FT Press.
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.
Larose, D. & Larose, C. (2015). Data Mining and Predictive Analytics (Wiley Series on Methods and Applications in Data Mining), 2nd edition, Wiley. ISBN: 978-1-118-11619-7.
Lopez, C. (2022). Machine Learning. Supervised Learning with SPSS Modeler, Scientific Books. ISBN: 978-1471018046.
Quinn, J. (2020). The Insider' Guide to Predictive Analytics, Smart Vision Europe. ISBN: 978-1838058104.
Wendler, T. & Gröttrup, S. (2021). Data Mining with SPSS Modeler: Theory, Exercises and Solutions, 2nd edition, Springer. ISBN: 978-3030543372.
Witten, I., Frank, E., Hall, M. & Pal, C. (2011). Data Mining: Practical Machine Learning Tools and Techniques, 4th edition, Morgan Kaufmann. ISBN: 978-0128042915.
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.
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.
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
Gorelik, Alex. The Enterprise Big Data Lake: Delivering the Promise of Big Data and Data Science. 1st Edition, O?Reilly, 2019
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.
* 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/
* 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.
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.
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).
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.
Optativas recomendadas
Objetivos
O Mestrado em Business Analytics tem como objetivo último formar profissionais com a capacidade de desenvolver e responder a problemas de gestão de negócios que requeiram o conhecimento de instrumentos analíticos de gestão, baseados em três grandes áreas de conhecimento, Gestão, Estatística e Tecnologias da Informação.
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. Tem, pois, como objetivo primordial introduzir conceitos, teorias, metodologias e modelos das diferentes áreas do business analytics e aplicá-los em contexto real, numa perspetiva project-based learning, que visa, igualmente, aproximar os estudantes dos profissionais e da realidade empresarial.
Adicionalmente, visa dotar os estudantes da capacidade de interpretar corretamente os resultados analíticos e de comunicar adequadamente, escrita e oralmente, as soluções analíticas propostas e os conhecimentos e os raciocínios, por vezes complexos, a elas subjacentes para a resolução de problemas de negócio.
No final do Mestrado em Business Analytics os estudantes terão adquirido as seguintes competências e atingido os seguintes objetivos de aprendizagem:
1) Capacidade de comunicação escrita com impacto e eficácia numa envolvente empresarial, nomeadamente:
1.1) Produzir um documento escrito bem estruturado
1.2) Identificar de modo claro um tema e comunicar as mensagens chave num documento escrito
1.3) expressar de modo claro a ligação entre os argumentos teóricos e os aspetos práticos dentro de um documento escrito
1.4) Resumir de modo eficaz ideias e conclusões dentro do um documento escrito
2) Capacidade de comunicação oral com impacto numa envolvente empresarial, nomeadamente:
2.1) Selecionar o formato adequado para uma determinada apresentação
2.2) Demonstrar confiança de que a comunicação foi bem preparada
2.3) Desenvolver e efetuar apresentações com impacto
3) Capacidade para agir de modo ético, com responsabilidade corporativa e sustentável, nomeadamente:
3.1) identificar e discutir o leque de desafios que envolvem a responsabilidade corporativa e/ou a sustentabilidade
3.2) reconhecer e refletir criticamente sobre dilemas éticos
4) Capacidade de pensar de modo crítico, nomeadamente:
4.1) Selecionar e interpretar dados e referências relevantes de fontes académicas e não académicas
4.2) Analisar questões de forma eficaz, levando à formulação de conclusões ou soluções bem fundamentadas
5) Capacidade para trabalhar em equipa e relacionar-se com outras pessoas, nomeadamente:
5.1) Organizar e distribuir tarefas entre os membros do grupo, a fim de atingir os objetivos de uma forma eficiente e eficaz
5.2) Mostrar vontade de ouvir os outros e demonstrar curiosidade sobre o que as pessoas estão a dizer e a experienciar
5.3) Programar as tarefas para cumprir os prazos estabelecidos
6) Ser competente em Business Analytics, nomeadamente:
6.1) Aplicar criticamente os conceitos e as metodologias da análise empresarial
6.2) Aplicar técnicas estatísticas ou de aprendizagem automática para analisar dados empresariais
6.3) Interpretar resultados/soluções analíticas e identificar linhas de ação apropriadas para um problema empresarial
6.4) Selecionar as ferramentas informáticas e os pacotes estatísticos e analíticos apropriados, de código aberto ou comerciais, adequados a diversas análises empresariais
6.5) Utilizar e aplicar os conhecimentos e as competências adquiridas para identificar, modelar e resolver problemas de decisão, em situações novas ou desconhecidas, utilizando dados.