MBA em Data Analytics

Definição e fundamentos da Análise de Dados. Contextualização. Mineração de Dados. Big Data. Etapas do processo. Análise de indicadores. Desafios na implantação. Exemplos de uso e casos de sucessos. Técnicas para Análise de Dados. Machine Learning (Classificação, agrupamento e predição). Deep Learning. Técnicas de mineração. Streaming (Tempo real). B.I., D.W. e OLAP. Análise exploratória de dados. Computação em nuvem. Processamento e armazenamento paralelo e distribuído. Bancos de dados relacionais e não-relacionais. Visualização de dados. Identificação de oportunidades em dados. Tomada de decisão orientada a dados.
Data Storytelling. Cultura orientada a dados. Dashboards. Estudos de caso.

O que é uma organização orientada a dados? Vantagens da cultura orientada a dados; Perspectivas; Tendências; Resultados; e Tomada de decisão. Análise de dados no mundo dos negócios. Análise preditiva. Análise descritiva. Negócios orientados a dados. Adotando a cultura da integração analítica de dados aos negócios. Influência da integração de dados no futuro do negócio. Gerenciando o ciclo de vida dos dados. Business Intelligence. Processos empresariais orientados por indicadores. Importância. Escolha correta.
Geração. Análise e tomada de decisão. Histórico. Medição contínua. Reavaliação e retroalimentação. Frameworks.
Balanced ScoreCard Estudos de caso.

Introdução: Estatística aplicada na geração de indicadores (Data Driven); e Gestão por indicadores. Projeto e construção de indicadores. Tomada de decisão baseada em indicadores. Análise exploratória de dados: Tipos de dados; e Medidas de variabilidade. Data Sampling. Amostragem e distribuições de probabilidade: Amostragem aleatória e viés amostral; Distribuição amostral; Distribuição Normal; Distribuição Binomial; e Distribuição de Poisson. Testes de Significância: Teste A/B;  ANOVA; e Testes de Hipótese. Predição – Regressão linear. Estudos de caso.

Fontes de dados. Web Mining – Coleta e API’s. Text Mining (Análise de sentimentos). Áudio e vídeo. Big Data. Processamento em tempo real (Fluxos Contínuos). Dados estruturados. O processo de descoberta do conhecimento (KDD). Ferramentas para armazenamento. Bancos de dados relacionais. Bancos de dados não-relacionais (NoSQL). Sistemas de Arquivos Distribuídos. Ferramentas para mineração de dados. Ecossistema Hadoop (Hadoop, Spark, HBase, Yarn, etc). Processamento paralelo e distribuído. Weka.

Oportunidades em dados. Correlação entre dados. Dados externos e dados internos. Transformando dados em insights. Análise de redes sociais: Coleta e análise de dados; Análise de similaridade; e Detecção de comunidades. Séries temporais: Texto; Vídeo; e Áudio. Análise de tendência. Detecção de Anomalias (outliers). Geração de valor com dados. Tomada de decisão a partir de insights. Oportunidades com dados da web: Dados governamentais abertos; Comportamentos de usuários; Dados de empresas; e Dados históricos. Data Analytics aplicada: Tomada de decisão; CRM; Indústria; Comércio; Serviços; Saúde; Educação; Segurança; Séries temporais; Mercado financeiro; Redes sociais; Âmbito social; Dados governamentais abertos; e Marketing. Internet das Coisas (IoT) e Data Analytics.

Introdução à arquitetura para Análise de Dados. Hardware e software necessários. Equipe para Análise de Dados. Profissões envolvidas. Time para a Análise de Dados (Hardware e Software). Infraestrutura em nuvem. Conceitos e características. Modelos de serviço. Vantagens e desvantagens. Segurança, confidencialidade e disponibilidade. Virtualização de servidores de aplicações. Tipos de virtualização. Exemplos. Vantagens e desvantagens. Arquitetura escalável: Dimensionamento da arquitetura. Segurança e monitoramento. Capacidade, disponibilidade e desempenho. Escalonamento vertical e horizontal. Tolerância a falhas. Infraestrutura local x Infraestrutura em nuvem. Comparações. Custos. Vantagens e desvantagens. Estudos de caso: modelagem de infraestrutura para Análise de Dados.

Introdução ao Data Storytelling. Histórias sobre os dados (Story and Telling). Análise exploratória e explicativa (quem, o quê e como). A importância do contexto. Visualização eficaz de resultados. Tipos de gráficos. Texto.
Tabelas. Gráficos (pontos, barras, linhas e área). Outros tipos de gráficos e quais devem ser evitados. Atenção da audiência. Tamanho. Cor. Posição na página. Carga cognitiva (percepção visual). Desenho da visualização gráfica.
Oportunidade. Acessibilidade. Estética. Aceitação. Estudos de caso A mágica da história. Construindo a história. A estrutura de narrativa. O poder da repetição.

Introdução à preparação de dados (Entradas, Saídas, Modelos e Decisões). Estágios da preparação de dados: Acessando; Auditando; Melhorando e enriquecendo os dados; Determinando a estrutura de dados; Pesquisando os dados; e Modelando. Combinando dados de múltiplas fontes.  Confidencialidade e ética ao manipular dados. Manipulando dados desalinhados, inconsistentes e não padronizados. Substituindo valores ausentes. Normalização de Dados. Transformação e transferência de dados. Ferramentas para preparação de dados. Estudos de caso.

Dashboards: Introdução; Visualização de dados; Categorias; Desenho; Erros comuns na construção; Boas práticas na construção. Tipos de gráficos (Pontos, Bullet, Dispersão, etc). Ferramentas para criação de dashboards (Power BI, Tableau, Excel, etc). Desenvolvendo Dashboards empresariais (Estudo de caso).

O IGTI - Instituto de Gestão em Tecnologia da Informação. Canais de Atendimento ao Aluno. Modelo de Ensino. Estrutura das disciplinas. Normas Acadêmicas. O Trabalho de Conclusão do Curso – TCC. Visão Geral do Ambiente de Ensino a Distância.

O conceito de inovação. Soluções inovadoras com Design Thinking. Processo do Design Thinking: inspiração, descoberta e insights; interpretação, análise e síntese. Ideação, experimentação e prototipação de soluções. Técnicas de implementação e evolução de soluções.

O conceito de inovação. Soluções inovadoras com Design Thinking: matriz CSD, Business Design Blueprint, Experiment Board, entre outras. Construção de Protótipos/MVP, métricas de validação. Avaliação de potencial de solução: redução de custo, aumento de produtividade, novos produtos/serviços, fortalecimento da marca, ganhos ambientais e sociais, etc.); Círculo Dourado e a Matriz de Stakeholders.

Arquiteturas de Aplicações para Dispositivos Móveis; Fundamentos de Big Data; Fundamentos de Bancos de Dados Relacionais; Fundamentos de Deep Learning; Fundamentos de Desenvolvimento Full Stack; Fundamentos de Engenharia de Dados; Fundamentos de UX; Fundamentos em Aprendizagem de Máquina; Fundamentos em Desenvolvimento Front End; Fundamentos em Gerenciamento de Projetos; Fundamentos em Inteligência de Negócios; Fundamentos em Marketing Digital; Fundamentos em Segurança da Informação; Gestão de Processos de Negócio; Governança em Tecnologia da Informação; Infraestrutura de TI e Computação em Nuvem; Métodos Ágeis em Engenharia de Software; Princípios e Práticas em Arquitetura de Software.

O aluno tomará contato com os objetivos do seu projeto aplicado, conhecimentos que serão estudados nas disciplinas e exercitados no projeto, bem como o fluxo de trabalho que será percorrido para o desenvolvimento do projeto. Neste fluxo, o aluno desenvolverá atividades essencialmente em duas frentes de trabalho: desenvolvimento do escopo do problema e proposição do escopo da solução; desenvolvimento do protótipo que implemente a solução proposta.

Após a primeira disciplina sobre Inovação, o aluno será convidado a refletir e propor o escopo do problema de seu projeto aplicado. Utilizando as abordagens aprendidas até aqui sobre Inovação e Design Thinking, o aluno apresentará a sua proposta de escopo de problema através de uma abordagem centrada nas necessidades humanas dos usuários e na definição do problema em termos destas necessidades. Esta proposta será avaliada por professores orientadores a partir de um conjunto de requisitos avaliativos que nortearão feedbacks escritos direcionados à melhoria do PA.

Nesta etapa o aluno tomará contato e desenvolverá a primeira parte de seu projeto aplicado, apoiado pelo trabalho de tutoria de seu orientador de conteúdo.Os enunciados da primeira parte detalha aquelas primeiras dimensões técnicas que precisam ser implementadas no seu protótipo, fornecendo orientações específicas sobre como implementá-las, a fim de se obter o escopo do PA. As dimensões técnicas que serão desenvolvidas pelo aluno têm o objetivo de estender, em complexidade, pontos centrais já exercitados pelo aluno em aulas interativas de laboratório e gamificação, em disciplinas específicas da primeira parte do curso.

Neste ponto faz-se necessário um encontro interativo por videoconferência entre o aluno e o seu orientador de conteúdo. O aluno terá a oportunidade de apresentar o que desenvolveu na primeira parte do seu projeto aplicado e expor os principais obstáculos enfrentados. O orientador, por sua vez, poderá avaliar o trabalho já realizado, esclarecer dúvidas e corrigir direções para o atingimento da meta final do PA.

Utilizando as abordagens aprendidas na segunda disciplina sobre Inovação e Design Thinking, o aluno deverá evoluir a sua proposta de escopo do problema para uma proposta de solução. Esta proposta será, em seguida, avaliada por professores orientadores, a partir de um conjunto de requisitos, e feedbacks serão fornecidos por escrito para que o aluno tenha a oportunidade de evoluir o seu modelo de negócio até a sua apresentação final.

Neste ponto o aluno desenvolverá a segunda parte de seu projeto aplicado, sempre apoiado pelo trabalho de tutoria de seu orientador de conteúdo. Serão detalhadas as dimensões técnicas seguintes que precisam ser implementadas no protótipo, fornecendo orientações específicas sobre como implementá-las. As dimensões técnicas que serão desenvolvidas estenderão, em complexidade, pontos centrais já exercitados pelo aluno em aulas interativas de laboratório e gamificação, em disciplinas específicas da segunda parte do curso.

Nesta etapa, o aluno terá a oportunidade de apresentar ao seu orientador o que desenvolveu na primeira e segunda parte do seu projeto aplicado. O orientador, por sua vez, avaliará o trabalho já realizado, esclarecerá dúvidas e fornecerá orientações essenciais ao aluno para a correção e evolução do PA.

O aluno desenvolverá a terceira parte de seu projeto aplicado, apoiado pelo trabalho de tutoria de seu orientador de conteúdo. Serão detalhadas as últimas dimensões técnicas a serem implementadas no protótipo, estendendo, em complexidade, pontos centrais já exercitados pelo aluno nas aulas interativas de laboratório e práticas de gamificação, em disciplinas específicas da última parte do curso.

Finalmente o aluno submeterá o projeto aplicado para que o seu orientador o aprove para apresentação final e aprovação por parte de uma banca avaliadora.