ECTS - Instituto Superior de Contabilidade e Administração do Porto Curso: Mestrado de Assessoria de Administração (pós-laboral) Unidade Curricular: Sistemas de Gestão da Informação Ano Lectivo: 2012/2013 Ano curricular: 1 Período Lectivo: 1º Semestre Frequência: Obrigatória Nº créditos (ECTS): 7.0 Horas teórico/práticas: 3.0 h Docente Responsável: Doutora Ana Azevedo Objectivos: Os alunos que frequentarem esta UC deverão obter os conhecimentos e desenvolver as competências que lhes permitam, no futuro, aplicar conceitos, estratégias e ferramentas na área dos sistemas de apoio à decisão. Os objectivos são definidos considerando três vertentes: # Objectivos transversais, # Objectivos gerais. # Objectivos específicos. Objectivos Transversais # Aprender a aprender; # Processar e gerir informação; # Adquirir habilidade: # de dedução e análise, # para tomar decisões; # Adquirir competências de: # expressão verbal e de comunicação, # trabalho em equipa; # Adquirir capacidade de: # resolução de problemas, # gestão e liderança, # auto-gestão e auto-desenvolvimento. Objectivos Gerais # Compreender como a Informação e os Sistemas de Apoio à Decisão (SAD) podem auxiliar os profissionais de marketing no seu trabalho; # Analisar e avaliar a contribuição dos Sistemas e Tecnologias de Informação (STI) para a competitividade, eficiência e qualidade das organizações; # Aplicar os STI apropriados num determinado contexto de negócio; # Desempenhar funções nas áreas da gestão dos STI; # Aplicar ferramentas apropriadas na resolução de problemas de negócio. Objectivos específicos 1. Explicar alguns dos componentes principais de um Sistema de Informação (SI); 2. Distinguir Sistemas Operacionais de Sistemas de Apoio à Decisão (SAD); 3. Explicar as 4 fases do processo de tomada de decisão de Simon; 4. Compreender o conceito de SAD; 5. Distinguir vários tipos de SAD; 6. Conhecer os principais componentes de um SAD; 7. Explicar a importância dos modelos no apoio à tomada de decisão; 8. Compreender algumas categorias de modelos para apoio à tomada de decisão; 9. Utilizar modelos diversificados no apoio à tomada de decisão; 10. Analisar modelos com ferramentas adequadas do MsExcel: simulação, cenários, atingir objectivo, optimização; 11. Explicar o que é um sistema de inteligência organizacional (Business Intelligence # BI); 12. Compreender a definição e os conceitos básicos das Data Warehouses (DW); 13. Importar dados de uma DW utilizando o MsExcel e analisa-los através de ferramentas adequadas; 14. Listar os principais métodos e ferramentas de análise do negócio (Business Analytics # BA) e de visualização de dados; 15. Descrever os principais métodos e ferramentas de análise do negócio (Business Analytics # BA) e de visualização de dados; 16. Utilizar os principais métodos e ferramentas de análise do negócio (Business Analytics # BA) e de visualização de dados; 17. Descrever mineração de dados (Data Mining # DM) e descoberta de conhecimento em bases de dados (Knowledge Discovery in Databases # KDD) e listar os seus principais objectivos e benefícios; 18. Explicar as principais tarefas de DM: classificação, previsão, segmentação, associação e sumarização; 19. Perceber qual(is) a(s) tarefa(s) de DM mais apropriada(s) a cada contexto; 20. Compreender que existem diversos algoritmos que implementam cada uma das tarefas de DM; 21. Interpretar alguns dos modelos de DM mais comuns, nomeadamente regras e árvores de decisão; 22. Aplicar DM em situações concretas de apoio à tomada de decisão, utilizando ferramentas adequadas; 23. Explicar a noção de sistema de gestão do desempenho do negócio (Business Performance Management - BPM); 24. Compreender alguns dos conceitos básicos do desenho de painéis de controlo (Dasboards); 25. Conceber e implementar painéis de controlo através da utilização de ferramentas adequadas. Programa: 1. Introdução aos Sistemas de Apoio à Decisão (SAD) 1.1. Sistemas de Informação Operacionais (ERP, CRM, SCM#) vs Sistemas de Apoio à Decisão (BI, KMS, GSS, ES) 1.2. Noções básicas 1.3. Modelação de dados 2. Sistemas de Inteligência Organizacional (Business Intelligence - BI) 2.1. Conceitos Fundamentais 2.2. Arquitectura e Tecnologias 2.3. O mercado dos produtos de Business Intelligence (BI) 2.4. Ferramentas de análise do negócio (Business Analytics # BA) 2.5. Mineração de dados (Data mining # DM) 2.6. Sistema de gestão do desempenho do negócio (Business Performance Management - BPM) 3. Análise de Estudos de Caso 4. Casos práticos de aplicação da mineração de dados na área do marketing: 4.1. Segmentação de Clientes 4.2. Análise #Cesto de Compras# (Market Basket Analisys) 4.3. Churn 4.4. Selecção/Procura de clientes lucrativos (Targeting Profitable Clients) Metodologias de Ensino: As metodologias de ensino/aprendizagem adoptadas nesta UC têm por base as componentes de formação teórica e prática, que se concretizam através da existência de aulas teóricas nas quais se leccionam os conceitos, aulas práticas nas quais se resolvem problemas relacionados com os conceitos leccionados na componente teórica e projectos práticos durante os quais os conceitos poderão ser aplicados. O método pedagógico subjacente à componente lectiva é orientado para o #saber fazer# e o #aprender a aprender# e interliga os três tipos de métodos pedagógicos expositivo, tutorial e experimental, combinando métodos e práticas de ensino presencial e de e-learning. O método pedagógico subjacente à componente tutorial é orientado para o #aprender a aprender# e o #trabalhar em grupo# onde os alunos serão desafiados a colocar em prática os conceitos abordados na unidade curricular durante o semestre, sob a supervisão do docente. O ensino/aprendizagem tem uma perspectiva multidisciplinar que pretende estimular a capacidade de pesquisa e o trabalho em grupo.  Métodos de Avaliação: O regime de avaliação contínua é o que permite valorizar constantemente as competências e os conhecimentos demonstrados pelo aluno ao longo do período lectivo nas mais diversas circunstâncias. Aplicando-se o regime de avaliação contínua, considera-se aprovado na UC o aluno que satisfaça os seguintes requisitos: 1) Tiver frequentado pelo menos 75% das aulas do semestre (estão dispensados desta alínea os alunos com o estatuto de trabalhador-estudante e/ou de estudante com deficiência); 2) Obtiver uma classificação final (CF) superior ou igual a 10 valores, resultante da aplicação dos critérios de ponderação nos seguintes componentes da avaliação: PARTICIPAÇÃO (PART) Análise de estudos de caso e projectos diversificados realizados e apresentados ao longo do semestre, abrangendo todos os objectivos definidos para a UC. Critério de Ponderação: 30% MINI TESTE (MT) Mini teste, com a duração de 25 minutos, realizado através da plataforma Moodle, abrangendo todos os objectivos definidos para a unidade curricular. Critério de Ponderação: 30% PROJECTO 1 (P1) Um projecto, desenvolvido em grupo ou individualmente, abrangendo os objectivos 8 a 10. Critério de Ponderação: 15% PROJECTO 2 (P2) Um projecto, desenvolvido em grupo, abrangendo os objectivos 16, 18 a 22, 24 e 25. Critério de Ponderação: 25% A CF será calculada através da seguinte fórmula: CF = PART * 30% + MT * 30% + P1 * 15% + P2* 25% O aluno deverá obter a nota mínima de 7 valores em cada um dos componentes de avaliação referidos. Caso o aluno não obtenha aprovação através do regime de avaliação contínua, ficará sujeito ao regime de avaliação final. Bibliografia: 3.2.1 Principais referências da Unidade Curricular # Larose, D. T. (2005). Discovering Knowledge in Data: an Introduction to Data Mining. Hoboken, NJ: John Wiley & Sons. # Monk, E. F., Brady, J. A. & Cook, G. S. (2013). Problem-Solving Cases in Microsoft Access and Excel # Annual 10th Edition. Hampshire, UK: Cengage Learning. # Peres, P (2011). Excel Avançado # 3ª Edição (Excel 2010). Edições Sílabo, Lisboa. # Rodrigues, L (2011). Utilização do Excel 2010 para Economia e Gestão. Lisboa, Portugal: FCA # Editora de Informática. # Santos, M. F. & Azevedo, C.S. (2005). Data Mining - Descoberta de Conhecimento em Bases de Dados. Lisboa, Portugal: FCA - Editora de Informática. # Santos, M. Y. & Ramos, I. (2006). Business Intelligence - Tecnologias da Informação na Gestão do Conhecimento. Lisboa, Portugal: FCA - Editora de Informática. # Turban, E., Sharda, R. & Delen, Durson (2011). Decision Support and Business Intelligence Systems # Ninth Edition. Upper Saddle River, NJ: Pearson Prentice Hall. # Turban, E., Sharda, R., Delen, Dursun & King, D. (2011). Business Intelligence: A Managerial Approach # Second Edition. Upper Saddle River, NJ: Pearson Prentice Hall. # Witten, I. H. & Frank, E. (2011). Data Mining: Practical Machine Learning Tools and Techniques # Third Edition. San Francisco, CA: Morgan Kaufmann Publishers. 3.2.2 Outras referências # Azevedo, A. & Santos, M.F. (2008). KDD, SEMMA and CRISP-DM: a Parallel Overview. In Proceedings of the IADIS European Conference on Data Mining, DM2008, 182-185. # Azevedo, A. & Santos, M.F. (2009). Business Intelligence: State of the Art, Trends, and Open Issues. In Proceedings of the First International Conference on Knowledge Management and Information Sharing - KMIS 2009, 296-300. # Azevedo, A. & Santos, M.F. (2011). A Perspective on Data Mining Integration with Business Intelligence. In Kumar, A.V.Senthil (Ed.), Knowledge Discovery Practices and Emerging Applications of Data Mining: Trends and New Domains (In printing). Hershey, New York: IGI Publishing. # Berry, Michael J. A.; Linoff, Gordon S. (2004). Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management. Hoboken, New Jersey: John Wiley & Sons. # Fayyad, U. M.; Piatetski-Shapiro, G. & Smyth, P. (1996). From data mining to knowledge discovery: an overview. In Fayyad, U. M.; Piatetski-Shapiro, G.; Smyth, P. & Uthurusamy, R. (Eds.), Advances in knowledge discovery and data mining (pp. 1-34). Menlo Park, California: AAAI Press/The MIT Press. # Han, J., Kamber, M. & Pei, J. (2011). Data Mining: concepts and Techniques # Third Edition. San Francisco, CA:Morgan Kaufman Publishers. # Hand, D.; Mannila, H. & Smyth, P. (2001). Principles of Data Mining. Cambridge, Massachusetts:The MIT Press. # Inmon, William H (2002). Building the data warehouse. Wiley Publishing # Kimball, Ralph; Ross, Margy (2005).The Data Warehouse Toolkit. John Wiley and Sons, Inc. # Moss, L. T. & Shaku, A. (2003). Business Intelligence Roadmap: The Complete Project Lifecycle for Decision-Support Applications. Upper Saddle River, New Jersey: Pearson Education. # Power, D. J. (2007). A Brief History of Decision Support System. DSSResources.COM, Version 4.0, World Wide Web, http://dssresources.com/history/dsshistory.html,March 10 # Shmueli, Galit; Patel, Nitin R.; Bruce, Peter C. (2007). Data Mining and Business Intelligence # Concepts, Tecnhiques, and Applications in Microsoft Office Excel with XLMiner. Hoboken, New Jersey: John Wiley & Sons. # Ye, N. (Ed.) (2003). The Handbook of Data Mining. Mahwah, New Jersey: Lawrence Erlbaum Associates. # Zeller, J. (2007). Business Intelligence: The Chicken or the Egg. BI Review Magazine, May 8, 2007, http://www.information-management.com/bissues/20070601/2600340-1.html. Doutora Ana Azevedo S. Mamede Infesta, 18 de Outubro de 2012