Sistemas de Informação e Database Marketing

Código:

2GEC07

Sigla:

SIDM

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores

Ocorrência: 2023/2024 - 2S

Ativa?	Sim
Unidade Responsável:	Agrupamento Científico de Matemática e Sistemas de Informação
Curso/CE Responsável:	Mestrado em Gestão Comercial

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
GCOM	40	Plano Oficial de Bolonha	1	-	7,5	56	202,5

Língua de trabalho

Português

Objetivos

Sistemas de Informação: 

•Familiarizar os alunos com o “State-of-the-Art” das Tecnologias de Informação 
•Sensibilizar os alunos para o papel actual e futuro, das Tecnologias de Informação na empresa, não só aos níveis operacionais e de gestão, como ao nível do formato do negócio, no sentido de potenciar a obtenção de vantagens competitivas para as empresas 
•Discutir a abordagem do Business Intelligence e Datawareouse, nomeadamente no contexto do Big data analytics
•Familiarizar os alunos com as bases de dados relacionais e não relacionais
•Estudar da Web 2.0 e do Negócio Electrónico. Conceitos, contornos e características

Database Marketing:

• Aprender conceitos de bases de dados, data mining e database marketing.
• Adquir conceitos chave de database marketing: LTV, RFM, etc.
• Identificar problemas de marketing que podem ser abordados com data mining.
• Valorizar a avaliação objectiva das acções de marketing.
• Conhecer as fases de um projecto de data mining.
• Adquirir competências básicas de desenvolvimento de projectos de data mining usando Power Bi e RapidMiner.

Resultados de aprendizagem e competências

Os alunos devem estar familiarizados com o “State-of-the-Art” das Tecnologias de Informação, nomeadamente no Business Intelligence e no seu papel relevante nas empresas, tanto ao nível operacional e de gestão como às potencialidades de alteração nos modelos de negócio e no desenvolvimento de vantagens competitivas.

Após as actividades da unidade curricular, os estudantes devem ser capazes de aplicar as modernas técnicas de data mining no contexto da caraterização dos clientes e modelizar as operações de segmentação, targeting e market basket analysis.

Modo de trabalho

Presencial

Programa

Módulo de Sistemas de Informação: 
1) Evolução das Tecnologias de Informação e do seu papel no meio empresarial 
As Tecnologias de Informação e o ambiente global 
As empresas e as Tecnologias de Informação 
As Tecnologias de Informação e as vantagens competitivas 
O impacto das Tecnologias de Informação na organização 
2) Familiarização com o “State-of-the-Art” das Tecnologias de Informação 
As Tecnologias de Informação 
Principais Aplicações empresariais – ERP, CRM, EIS 
WEB 2.0, Portais Corporativos 
Internet e WEB 
3) Análise de investimentos em Tecnologias de Informação 
Montagem do projecto 
A equipa 
Os parceiros 
Planeamento e controlo 
4) Principais tendências das TI e SI – BI, DW, Revolução da WEB, Gestão do Conhecimento
Bases de dados relacionais e não relacionais
ETL

Módulo de Database Marketing:
• Introdução: Que conhecimento se pode extrair dos dados? Análise de dados, Data mining, Apoio à Decisão.  Conceitos-chave de database marketing: LTV, RFM, etc.
•Aprender os conceitos fundamentais: princípios-base do sucesso de uma empresa orientada a dados de negócio; adquirir e manter a vantagem competitiva via ciência de dados; a importância da curadoria cuidadosa da capacidade da ciência de dados.
• Data: preparação de dados
--fontes (Bases de dados relacionais, datawarehouses, bases de dados de texto, clickstreams)
--preparação (limpeza, transformação)
• Mining:
--Clustering/agrupamento (ex. para segmentação de clientes)
--Previsão (classificação e regressão)
--Basket analysis (cross-selling, análise de associações, collaborative filtering.)
• Projectos de DM
--Avaliação: métricas genéricas (ex. erro, análise ROC) e específicas da aplicação (ex. valor do cliente, valor do serviço, qualidade dos modelos de marketing)
--Metodologias: (CRISP, SEMMA)
--Ferramentas (gratuitas e comerciais): PowerBi e RapidMiner 

Bibliografia Obrigatória

Ralph Kimball; The data warehouse toolkit. ISBN: 978-1-118-53080-1
Provost, Foster, Fawcett, Tom; Data Science for Business, What You Need to Know about Data Mining and Data-Analytic Thinking, O'Reilly Media, 2014
Foster Provost and Tom Fawcett; Data Mining and Data-Analytic Thinking

Bibliografia Complementar

Campos, P., Moreira, J., Santos, S.; web analytics, E-Agro innovation, 2020
Arthur M. Hughes; Strategic Database Marketing, 3rd Edition, McGrawHill
Turban, Efraim; Information technology for management. ISBN: 978-1-118-09225-5
Michael Berry e Gordon Linoff; Data Mining Techniques: For Marketing, Sales and Customer Support, Wiley
Olivia Parr Rud; Data Mining Cookbook: Modeling Data for Marketing, Risk, and Customer Relationship Management, Wiley

Métodos de ensino e atividades de aprendizagem

Aulas teóricas onde a matéria é exposta e posteriormente exemplificada. Resolução de exercícios.

Software

Power BI
MS-Access
MS - Excel
Rapid MIner

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	50,00
Participação presencial	10,00
Trabalho escrito	40,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Estudo autónomo	20,00
Frequência das aulas	14,00
Trabalho escrito	10,00
Total:	44,00

Obtenção de frequência

Realização de trabalho escrito e exame final, ou apenas exame final

Fórmula de cálculo da classificação final

O aluno só obterá aprovação se obtiver um mínimo de 7 valores no exame.

A classificação na dsciplina é calculada da seguinte forma:

0.4 x nota_trabalho + 0.5 x nota_exame + 0.1 x participacao presencial

Provas e trabalhos especiais

O trabalho está dividido em duas componentes: na componente de sistemas de informação e na componente de database marketing. Cada uma das partes tem o peso de 20% na nota final.
O trabalho será executado em grupos de 2 ou 3 alunos alunos.

Avaliação especial (TE, DA, ...)

De acordo com o Regulamento de Avaliação da FEP.UP.

Melhoria de classificação

De acordo com o Regulamento de Avaliação da FEP.UP.

Observações

Bibliografia:

Vaisman, Alejandro, Zimányi, Esteban, Data Warehouse Systems - Design and Implementation, Springer, 2014

Provost, Foster, Fawcett, Tom, Data Science for Business, What You Need to Know about Data Mining and Data-Analytic Thinking, O'Reilly Media ,2014

Kimball, Ralph, Ross, Margy, The data warehouse toolkit : the definitive guide to dimensional modelling, John Wiley & Sons, 3^rd edition, 2013

Laudon, J. Laudon, Essentials of Management Information Systems, 11^th edition, 2016, Pearson

Turban, Mclean, Wetherbe. Information Technology for Management – Wiley International Edition

Daniels, N.Caroline (1997). Estratégias Empresariais e Tecnologias da Informação - Editorial Caminho, Biblioteca de Economia e Gestão

Campos, P., Moreira, J., Santos, S., (2020), Web Analytivs, E-Agro Innovation, http://e-agroinnovation.agrocluster.com/uploads/AGROCLUSTER_Ebooks%20-%20Web%20Analytics.pdf

Data Mining for Business Analytics: Concepts, Techniques, and Applications in R, Galit Shmueli, Wiley

Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking, Foster Provost