Acreditações
Propinas UE (2026/2027)
Propinas fora da UE (2026/2027)
Plano de Estudos para 2026/2027
| Unidades curriculares | Créditos | |
|---|---|---|
| 1º Ano | ||
|
Estratégia e Business Analysis
6.0 ECTS
|
||
|
Análise Preditiva
6.0 ECTS
|
||
|
Gestão de Bases de Dados
6.0 ECTS
|
||
|
Laboratório de Business Analysis & Analytics
6.0 ECTS
|
||
|
Análise Prescritiva e Cognitiva
6.0 ECTS
|
||
|
Análise de Big Data
6.0 ECTS
|
||
|
Análise Descritiva e de Diagnóstico
6.0 ECTS
|
||
|
Ferramentas e Aplicações de Business Analytics
6.0 ECTS
|
||
|
Técnicas de Análise de Dados Não Estruturados
6.0 ECTS
|
||
| 2º Ano | ||
|
Seminário de Investigação em Business Analytics
6.0 ECTS
|
||
|
Dissertação em Métodos Analíticos para Gestão
42.0 ECTS
|
||
|
Trabalho de Projeto em Métodos Analíticos para Gestão
42.0 ECTS
|
Estratégia e Business Analysis
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 formulação, implementação e do controlo de gestão estratégica e da sua ligação à business analysis.
OA5. Desenvolver pensamento crítico.
OA6. Ter autonomia para planear processos de aprendizagem e avançar os conhecimentos na área em estudo.
CP1. A estratégia e o processo de gestão estratégica: Novas tendências
CP2. Análise interna da organização baseada nos recursos e nas capacidades dinâmicas
CP3. Análise da envolvente externa
CP4. Estratégias de negócio, novos modelos de negócio e transformação digital
CP5. Estratégias corporativas
CP6. Formulação, implementação e controlo da estratégia e respetiva ligação com business analysis (e.g., processos de negócio).
As estratégias de avaliação são desenhadas para avaliar de forma eficaz o alcance dos objetivos de aprendizagem:
Opção 1 (Avaliação ao longo do semestre): Esta opção inclui um teste escrito individual (50%) e um projeto de grupo (50%). O teste individual avalia o conhecimento teórico (alinhado com ME1), testando a compreensão dos conceitos de gestão estratégica (OA1 a OA4). O projeto de grupo avalia as competências práticas (alinhados com ME2), analisando a capacidade dos estudantes de desenvolver planos estratégicos e aplicar técnicas analíticas em cenários reais (OA5 e OA6).
Opção 2 (Avaliação por exame): Esta opção avalia os estudantes com base num exame final, que cobrirá o conhecimento teórico (OA1 e OA6). Embora esta metodologia avalie predominantemente a compreensão teórica, as questões do exame são desenhadas para também testar o pensamento crítico e a aplicação do conhecimento em contextos de tomada de decisão estratégica. Escala: 0-20 valores.
Barney, J., & Hesterly, W. (2019). Strategic Management and Competitive Advantage. 6th ed. Pearson. | Thompson, A., Peteraf, M., Gamble, J., & Strickland, A. (2022). Crafting & Executing Strategy: The Quest for Competitive Advantage: Concepts and Cases. 23rd ed. McGraw-Hill. | Sharda, R., & Turban, E. (2023). Business Intelligence, Analytics, Data Science, and AI. 5th ed. Pearson. | Schank, Michael (2023). Digital Transformation Success: Achieving Alignment and Delivering Results with the Process Inventory Framework. Apress.
Renato Lopes da Costa, Leandro Pereira, Nelson António (2019). ESTRATÉGIA ORGANIZACIONAL: Do Estado da Arte à Implementação Prática, Actual Editora. Nelson António e Renato Lopes da Costa (2017) Aprendizagem Organizacional - ferramenta no processo de mudança, Actual Editora.
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. Diferenciar modelos relacionais, dimensionais e arquiteturas contemporâneas de dados.
4. Propor soluções justificadas e fundamentadas para problemas analíticos, considerando eficiência, qualidade e sustentabilidade.
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. Arquiteturas e Ecossistemas de Dados: Novas Tendências
1. Evolução das arquiteturas de dados
2. Armazenamento e organização
3. Integração e qualidade de dados
4. Governança e sustentabilidade
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 individual 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
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
Reis, Joe; Housley, Matt. Fundamentals of Data Engineering: Plan and Build Robust Data Systems. 1st Edition. O'Reilly. 2022
Ahmed A. Harby, Farhana Zulkernine, Data Lakehouse: A survey and experimental study, Information Systems, Volume 127, 2025, https://doi.org/10.1016/j.is.2024.102460.
Chaudhari A.V., Charate P.A.. Optimizing Data Lakehouse Architectures for Scalable Real-Time Analytics. International Journal of Scientific Research in Science Engineering and Technology 12(2):809-822. May 2025. DOI:10.32628/IJSRSET25122198
Laboratório de Business Analysis & Analytics
OA1. Descrever os principais conceitos e frameworks para o desenvolvimento de uma arquitetura de dados.
OA2. Aplicar metodologias e ferramentas apropriadas ao projeto (e.g., analisar o projeto de negócio, desenhar um framework de arquitetura de dados, identificar critérios de decisão, selecionar funcionalidades tecnológicas, e definir requisitos tecnológicos para a implementação do projeto de negócio.
OA3: Aplicar técnicas de análise de dados (e.g. limpeza, preprocessamento, e integração de dados reais) adequados ao projeto.
OA4: Analisar dados (e.g., sumarizar e visualizar dados de forma eficaz, modelação) e interpretar criticamente os resultados. OA5: Comunicar claramente os resultados e de forma estruturada (incluindo a proposta de valor).
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, qualidade de dados e ética nos 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 projetos de negócio
A avaliação ao longo do semestre é composta pelas seguintes componentes: a) 10% em função da assiduidade do estudante nas aulas;
b) 50% com trabalho de grupo, onde os estudantes devem demonstrar a capacidade de desenvolvimento de um projeto de negócio, com trabalho colaborativo e brainstorming, através da gravação de um vídeo (pitch) e da escrita de um relatório (documentação do projeto); c) 40% com a discussão oral individual do projeto de negócio.
Aprovação: i) classificação mínima 10 valores em cada elemento; ii) completar com sucesso três cursos de e-learning recomendados (8 horas); e iii) participar ao longo do ano nas seguintes atividades: um workshop de ferramentas computacionais (8 horas), um datathon/hackathon/student challenge (com duração de, pelo menos, um dia), e dois seminários (e.g., business analytics talks) organizados por estudantes.
Escala: 0-20 valores.
Esta UC não contempla avaliação por exame dada a natureza da sua metodologia (project-based learning).
Gatti, S. (2023). Project Finance in Theory and Practice: Designing, Structuring, and Financing Private and Public Projects. Academic Press. ISBN: 978-0323983600. Inmon, B.; Levins, M.; Srivastava, R. (2021). Building the Data Lakehouse. Technics Publications. ISBN: 978-1634629669. Kerzner, H. (2022). Project Management: A Systems Approach to Planning, Scheduling, and Controlling. 13th edition, Wiley. ISBN: 978-1119805373. Koller, T., Goedhart, M., Wessels, D. (2020). Valuation: Measuring and Managing the Value of Companies. 7th edition, McKinsey & Company Inc. ISBN: 978-1119611868. Serra, J. (2024). Deciphering Data Architectures. O'Reilly Media, Inc. ISBN: 978-1098150761. Azure Architecture Center - Azure Architecture Center | Microsoft Learn.
Agrawal, D.; Selçuk Candan, K.; Li, W-S. (2011). Data Management in the Cloud: Challenges and Opportunities. Springer. Erl, T.; Mahmood, Z.; Puttini, R. (2013). Cloud Computing: Concepts, Technology & Architecture. Prentice Hall. Götze, U.; Northcott, D.; Schuster, P. (2015). Investment Appraisal: Methods and Models. Springer. Kavis, M. (2014). Architecting the Cloud: Design Decisions for Cloud Computing Service Models (SaaS, PaaS, and IaaS). Springer. PMI (2017). The Standard for Portfolio Management. Project Management Institute. Zhao, L. (2014). Cloud Data Management. Springer.
Análise Prescritiva e Cognitiva
Ao concluir esta Unidade Curricular o estudante deverá ser capaz de:
OA1: Identificar modelos prescritivos e cognitivos de apoio à tomada de decisão adequados para aplicações em Gestão.
OA2: Identificar técnicas prescritivas e cognitivas de apoio à tomada de decisão adequados para aplicações em Gestão. OA3: Desenvolver modelos prescritivos e cognitivos de apoio à decisão para aplicações em Gestão.
OA4: Utilizar software para resolver casos prescritivos e cognitivos.
OA5: Interpretar e produzir recomendações baseadas nos resultados obtidos.
CP1. Modelos e técnicas prescritivas
1.1 Conceitos
1.2 Principais modelos de optimização (e.g., linear, inteiro, não-linear, multi-objectivo)
1.3 Principais técnicas de optimização (e.g., exactas, heurísticas)
1.4 Simulação de Monte Carlo
1.5 Aplicações na Gestão
CP2. Análise Cognitiva
2.1 Conceitos
2.2 Aplicações na Gestão (e.g., casos de uso de IA com diferentes tipos de IA)
2.3 Demonstração com software (e.g., WatsonX)
CP3. Resolução de casos prescritivos e cognitivos com software (e.g., Excel, SPSS Modeler, SAP Signavio, WatsonX, LLM)
Avaliação ao longo do semestre ou avaliação por exame:
1. AVALIAÇÃO AO LONGO DO SEMESTRE:
a) Teste escrito: i) peso de 60%; ii) classificação mínima de 8,5;
b) Projecto em grupo: i) peso de 40%; ii) grupos de 4 estudantes; iii) com apresentação e discussão oral;c) Presença em, pelo menos, 2/3 das aulas leccionadas;
d) Aprovação: média ponderada mínima de 9,5.
2. AVALIAÇÃO POR EXAME (1.ª e 2.ª Época):
a) Teste escrito: i) peso de 60%; ii) classificação mínima de 8,5;
b) Projecto individual: i) peso de 40%; ii) com apresentação e discussão oral;
c) Aprovação: média ponderada mínima de 9,5.
Em ambas as modalidades de avaliação, pode ser exigida uma prova oral.
Escala: 0-20 valores.
Evans, J. (2021). Business Analytics. 3rd 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/ | Elakkiya, R., & Subramaniyaswamy, V. (eds.) (2024). Cognitive Analytics and Reinforcement Learning: Theories, Techniques and Applications. 1st ed. Wiley.
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. AnyLogic North America. | Taha, H. A. (2016). Operations Research: An Introduction. 10th ed. Pearson. | Korte, B., & Vygen, J. (2012). Combinatorial Optimization: Theory and Algorithms. 5th ed. Springer. | Pinedo, M. L. (2012). Scheduling: Theory, Algorithms, and Systems. 4th ed. Springer. | Cook, J. W. (2014). In Pursuit of the Traveling Salesman: Mathematics at the Limits of Computation. 3rd ed. Princeton University Press.
Análise de 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
ProgramaCP1. 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: Ecossistema Hadoop. HDFS, Map-reduce e Spark. Utilização de plataforma de analytics (e.g. KNIME) CP4. Análise de Streams e Modelos Analíticos para Big Data. Inteligência Artificial, Machine Learning e Deep Learning. Algoritmos de Deep Learning (FNN, Autoencoder, RNN, LSTM, CNN)
CP5. Casos de negócio com problemas e soluções analíticas de Big Data (por exemplo, Detecção de Fraude, Previsão da Procura, Análise em Tempo Real,...)
1. Avaliação ao longo do semestre: a) Trabalho de grupo com apresentação (e.g. KNIME (or other ) student challenge) (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.
Escala :0-20
Balusamy, B., Abirami, R., Kadry, S., & Gandomi, A. H. (2021). Big Data: Concepts, Technology and Architecture. Wiley. | Sedkaoui, S., Khelfaoui, M., & Kadi, N. (2022). Big Data Analytics: Harnessing Data for New Business Models. CRC Press. | Leskovec, J., Rajaraman, A., & Ullman, J. D. (2020). Mining of Massive Datasets. 3rd ed. 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 ed. Springer International Publishing. | Khatri, T. (2025). Real-Time Big Data Analytics: Emerging Trends. Educohack Press. | Kumar, J., Kumar, A., & Kumar, R. (2024). Big Data and Analytics: The Key Concepts and Practical Applications of Big Data Analytics. BPB Publications.
Análise Descritiva e de Diagnóstico
Ao concluir a Unidade Curricular, o estudante deverá ser capaz de:
OA1. Avaliar a qualidade dos dados, recorrendo a técnicas de sumarização;
OA2. Descrever e aplicar técnicas de análise descritiva e de diagnóstico (e.g., redução de dimensionalidade, agrupamento, regras de associação);
OA3. Interpretar e comunicar os resultados de análises descritivas e de diagnóstico;
OA4. Utilizar, em plataformas analíticas, técnicas de análise descritiva e de diagnóstico, para resolver problemas reais de negócio.
CP1. Introdução à análise descritiva e de diagnóstico
1.1. Tipos de dados
1.2. Técnicas de sumarização para dados univariados e bivariados
1.3. Avaliação da qualidade dos dados: não-respostas e valores extremos
CP2. Técnicas descritivas e de diagnóstico para dados multivariados
2.1. Redução de dimensionalidade: Análise de Componentes Principais (ACP)
2.2. Agrupamento (ex.: método hierárquico aglomerativo e K-means).
2.3. Regras de associação (market basket analysis; ex.: algoritmos apriori e sequential).
CP3. Aplicações práticas de técnicas descritivas e de diagnóstico com dados reais, utilizando IBM SPSS Modeler e IBM SPSS Statistics (ou outro software).
Avaliação ao longo do semestre:
a) Teste escrito individual (60%);
b) Projeto aplicado em grupo (40%), com possível apresentação digital ou discussão;
Requisitos para a aprovação:
a) Nota mínima de 7,5 valores em cada componente;
b) Classificação final mínima é 10 valores; e,
c) Assiduidade mínima de 2/3 das aulas.
Avaliação por exame (todas as épocas):
Projeto aplicado individual (40%), com possível apresentação digital ou discussão, e exame escrito individual (60%), ambos com nota mínima de 7,5 valores. A classificação final mínima é 10 valores.
Escala: 0-20 valores.
O teste e os exames escritos são realizados sem consulta de materiais.
1. Field, A. (2024). Discovering statistics using IBM SPSS statistics (6th ed.). Sage: Los Angeles.
2. Camm, J., Cochran, J., Fry, M., and Ohlmann, J., (2021). Business Analytics, (4th Ed.). Cengage Learning.
3. Larose, D. & Larose, C. (2015). Data Mining and Predictive Analytics (2nd Ed.). Wiley Series on Methods and Applications in Data Mining, Wiley. ISBN: 978-1-118-11619-7.
4. Wendler, T. & Gröttrup, S. (2021). Data Mining with SPSS Modeler: Theory, Exercises and Solutions (2nd edition). Springer. ISBN: 978-3030543372.
1. Marôco, J. (2021). Análise Estatística com o SPSS Statistics (8ª edição). ISBN: 9789899676374.
2. Laureano, R. e Botelho, M.C. (2017). IBM SPSS Statistics: O Meu Manual de Consulta Rápida (3ª ed.). Edições Sílabo, ISBN: 978-972-618-886-5.
3. Laureano, R. (2020). Testes de Hipóteses e Regressão - O Meu Manual de Consulta Rápida (2ª edição). Edições Sílabo. ISBN: 978-989-561-051-8.
Ferramentas e 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 e descrever algumas aplicações reais de business analytics.
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 business analytics
P3. Ferramentas computacionais para business analytics
P3.1 Business intelligence
P3.2 Data analytics e inteligência artificial
P3.3 Outras
1) Avaliação ao longo do semestre:
a) Dois cursos de e-learning (5% + 5%) - OA 1, 2
b) Trabalho individual com apresentação oral e digital (50%) - OA 1, 2, 3
c) Trabalho de grupo com apresentação digital e possibilidade de discussão (40%) - OA 2, 3
Aprovação: i) mín. 7,5 valores nos elementos b) e c); ii) assiduidade em 4/5 das aulas; iii) classificação final mín. 10 valores; e iv) participação ao longo do semestre nas seguintes atividades (a confirmar pelo professor no início das aulas): dois workshops de ferramentas informáticas (8 horas cada; e.g., Python, KNIME, SPSS Modeler, SAS, Qlik, Power BI, Tableau); mesa-redonda organizada pelos alunos; dois seminários (e.g., business analytics talks) organizados pelos alunos; e dois open days.
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.
--
--
Técnicas de 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.
Liu, Lin, & Sun (2023). Representation Learning for Natural Language Processing. Springer. | Weiss, S. M., Indurkhya, N., Zhang, T., & Damerau, F. J. (2005). Text Mining: Predictive Methods for Analyzing Unstructured Information. Springer. | Srivastava, A. N., & Sahami, M. (2009). Text Mining: Classification, Clustering, and Applications. Chapman & Hall/CRC. | Feldman, R., & Sanger, J. (2006). The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press.
Paaß, G., & Giesselbach, S. (2023). Foundation Models for Natural Language Processing. Springer. | Filipowska, A., & Filipiak, D. (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.
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 e apresentar 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 com apresentação oral (60%)
2) Participação nas aulas (10%), realização com sucesso de atividades propostas nas aulas;
3) Escrita, individual de artigo científico e respetiva apresentação oral e digital: 10% parte teórica; 10% parte prática; 10% artigo completo submetido e apresentado em conferência científica, com aval escrito do orientador (e.g., como coautor do artigo)
Aprovação: a) mín. 10 val. nos instrumentos 1) e 2); b) artigo submetido a conferência de acordo com as suas normas de submissão; c) nota final mín. 10 val.; e, d) assiduidade de 2/3 das aulas.
UC sem exame devido à sua natureza de seminário.
Dhar, R. & Gastel, B., How to Write and Publish a Scientific Paper, 2016, 8th Edition, Greenwood.
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.
IBS, Regras de Elaboração de Dissertação ou Trabalho de Projeto de Mestrado, 2020, Iscte-Business School.
ISCTE-IUL, Ética na Investigação: Melhores Práticas, melhor Ciência, 2016, ISCTE-IUL.
G., Marzi, Balzano, M., Caputo, A. & Pellegrini, M., Guidelines for Bibliometric-Systematic Literature Reviews: 10 Steps to Combine Analysis, Synthesis and Theory Developement, 2025, International Journal of Management Reviews, 27(1), 81-103. https://doi.org/10.1111/ijmr.12381.
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.