Mestrado de Assessoria de Administração (pós-lab

Propaganda
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
Download