A TECH oferece a você o melhor conhecimento em Big Data para se tornar o seu passaporte para uma carreira repleta de oportunidades e desafios empolgantes” 

A disciplina de Big Data surgiu como uma solução estratégica, permitindo que as organizações transformem dados complexos em oportunidades valiosas. Essa disciplina tem se caracterizado pelo volume, variedade e velocidade, mudando a maneira como as empresas operam, tomam decisões e competem no mercado global. Entretanto, para aproveitar ao máximo esse recurso, são necessários especialistas que saibam como coletar e analisar grandes quantidades de informações.  

Ciente dessa necessidade, o Mestrado Avançado em Big Data Management da TECH é apresentado como uma porta de entrada para esse campo fascinante e dinâmico. Projetado para especializar os profissionais que liderarão a revolução digital, este programa combina conhecimento técnico avançado com treinamento abrangente, abrangendo tanto o estudo de plataformas, algoritmos e ferramentas de ponta quanto uma sólida preparação estratégica. Atualmente, praticamente todas as interações no ambiente digital geram dados, seja por meio de compras online, do uso de mídias sociais ou de sensores em dispositivos conectados à Internet das Coisas. Como resultado, o conhecimento e o gerenciamento de Big Data se tornaram questões fundamentais para todos os setores de negócios. 

Esse Mestrado Avançado inclui em seu programa o estudo das mais avançadas plataformas, algoritmos e ferramentas do setor, tudo isso ensinado por meio do inovador método de aprendizagem Relearning, adaptado às necessidades e ao ritmo de estudo de cada aluno. O melhor de tudo é que o programa é totalmente online e pode ser acessado de qualquer dispositivo, o que oferece a flexibilidade de ajustar os horários e combinar as responsabilidades de trabalho, sem deixar de lado uma vida familiar ativa, enquanto se avança na especialização profissional. 

Com a TECH, você pode impulsionar seu perfil profissional com conhecimentos especializados que o farão se destacar em qualquer setor” 

Este Mestrado Avançado em Big Data Management conta com o conteúdo mais completo e atualizado do mercado. Suas principais características são:

• Desenvolvimento de casos práticos apresentados por especialistas na área de informática   
• O conteúdo gráfico, esquemático e extremamente útil, fornece informações científicas e práticas sobre as disciplinas essenciais para o exercício da profissão 
• Exercícios práticos em que o processo de autoavaliação é realizado para melhorar a aprendizagem 
• Destaque especial para as metodologias inovadoras em Big Data Management 
• Aulas teóricas, perguntas a especialistas, fóruns de discussão sobre temas controversos e trabalhos de reflexão individual 
• Disponibilidade de acesso a todo o conteúdo a partir de qualquer dispositivo, fixo ou portátil, com conexão à Internet 

Domine o futuro da análise de dados aprendendo 100% online com o Relearning, o método mais inovador e eficaz do mercado” 

O corpo docente deste programa abarca profissionais da área de jornalismo, que transferem a experiência do seu trabalho para esta  capacitação, além de especialistas reconhecidos de sociedades científicas de referência e universidades de prestigio. 

O conteúdo multimídia desenvolvido com a mais recente tecnologia educacional, oferece ao profissional uma aprendizagem situada e contextual, ou seja, um ambiente simulado que proporcionará um estudo imersivo e programado para capacitar em situações reais. 

Este programa se fundamenta na Aprendizagem Baseada em Problemas, através da qual o aluno deverá resolver as diferentes situações de prática profissional que surgirem ao longo do programa. Para isso, o profissional contará com a ajuda de um inovador sistema de vídeo interativo, realizado por especialistas reconhecidos nesta área.  

Com a mais recente metodologia de ensino, construa o futuro que deseja em um campo em que a demanda por talentos cresce constantemente"

Amplie sua capacidade de inovar no mundo com o melhor corpo docente que o acompanhará neste Mestrado Avançado em Big Data"

O Mestrado Avançado em Big Data Management oferece conhecimentos abrangentes que vão desde os fundamentos do Big Data até as estratégias mais avançadas para sua aplicação no ambiente de negócios. Ao longo do programa, os alunos desenvolverão competências essenciais em áreas de alta demanda de mão de obra, o que lhes dará a capacidade de analisar e transformar dados em ativos valiosos. Além disso, o programa foi desenvolvido para capacitar os profissionais a se adaptarem às constantes evoluções tecnológicas, preparando-os para liderar o gerenciamento de dados em vários setores.  

Com a metodologia da TECH, aprenda a decifrar os segredos por trás dos dados e a liderar a revolução digital” 

Módulo 1. Análise de dados na organização empresarial

1.1. Análise de Negócios

1.1.1. Análise de Negócios
1.1.2. Estrutura de dados
1.1.3. Fases e elementos

1.2. Análise de dados nas empresas

1.2.1. Painéis de Avaliação e KPI por departamentos
1.2.2. Relatórios operacionais, táticos e estratégicos
1.2.3. Análise de dados aplicada a cada departamento

1.2.3.1. Marketing e comunicação
1.2.3.2. Comercial
1.2.3.3. Atenção ao cliente
1.2.3.4. Compras
1.2.3.5. Administração
1.2.3.6. RRHH
1.2.3.7. Produção
1.2.3.8. TI

1.3. Marketing e comunicação

1.3.1. KPI à medida, aplicações e benefícios
1.3.2. Sistemas de Marketing e data warehouse
1.3.3. Implementação de uma estrutura analítica de dados em Marketing
1.3.4. Plano de Marketing e comunicação
1.3.5. Estratégias, previsões e gestão de campanhas

1.4 Comercial e vendas

1.4.1. Contribuições de análise de dados na área comercial
1.4.2. Necessidades do Departamento de Vendas
1.4.3. Pesquisa de mercado

1.5. Atenção ao cliente

1.5.1. Fidelização
1.5.2. Qualidade pessoal e inteligência emocional
1.5.3. Satisfação do cliente

1.6. Compras

1.6.1. Análise de dados para pesquisa de mercado
1.6.2. Análise de dados para estudos de concorrência
1.6.3. Outras aplicações

1.7. Administração

1.7.1. Necessidades do Departamento de Administração
1.7.2. Data Warehouse e análise de risco financeiro
1.7.3. Data Warehouse e análise de risco de crédito

1.8. Recursos humanos

1.8.1. RRHH. os benefícios da análise de dados
1.8.2. Ferramentas analíticas de dados no departamento de RRHH
1.8.3. Aplicações analíticas de dados no RRHH

1.9. Produção

1.9.1. Análise de dados em um departamento de produção
1.9.2. Aplicações
1.9.3. Benefícios

1.10. TI

1.10.1. Departamento de TI
1.10.2. Análise de dados e transformação digital
1.10.3. Inovação e produtividade

Módulo 2. Gestão, manipulação de dados e informações para a ciência dos dados

2.1. Estatísticas Variáveis, índices e ratios

2.1.1. Estatísticas
2.1.2. Dimensões estatísticas
2.1.3. Variáveis, índices e ratios

2.2. Tipologia de dados

2.2.1. Qualitativos
2.2.2. Quantitativos
2.2.3. Caracterização e categorias

2.3. Conhecimento de dados resultantes de medições

2.3.1. Medidas de centralização
2.3.2. Medidas de dispersão
2.3.3. Correlação

2.4. Conhecimento de dados provenientes de gráficos

2.4.1. Visualização de acordo com o tipo de dados
2.4.2. Interpretação de informações gráficas
2.4.3. Customização de gráficos com R

2.5. Probabilidade

2.5.1. Probabilidade
2.5.2. Função de probabilidade
2.5.3. Distribuição

2.6 Coleta de dados

2.6.1. Metodologia de coleta
2.6.2. Ferramentas de coleta
2.6.3. Canais de coleta

2.7. Limpeza de dados

2.7.1. Fases da limpeza de dados
2.7.2. Qualidade dos dados
2.7.3. Manipulação de dados (com R)

2.8. Análise de dados, interpretação e avaliação dos resultados

2.8.1. Medidas estatísticas
2.8.2. Índices de relação
2.8.3. Mineração de dados

2.9. Armazém de dados (datawarehouse)

2.9.1. Elementos
2.9.2. Desenho

2.10. Disponibilidade de dados

2.10.1. Acesso
2.10.2. Utilidade
2.10.3. Segurança

Módulo 3. Dispositivos e plataformas IoT como base para a ciência dos dados

3.1. Internet of Things

3.1.1. Internet do futuro, Internet of Things
3.1.2. O consórcio da internet industrial

3.2. Arquitetura de referência

3.2.1. A Arquitetura de referência
3.2.2. Camadas
3.2.3. Componentes

3.3. Sensores e dispositivos IoT

3.3.1. Principais componentes
3.3.2. Sensores e atuadores

3.4. Comunicações e protocolos

3.4.1. Protocolos Modelo OSI
3.4.2. Tecnologias de comunicação

3.5. Plataformas Cloud para IoT e IIoT

3.5.1. Plataformas de propósito geral
3.5.2. Plataformas Industriais
3.5.3. Plataformas de código aberto

3.6. Gestão de dados em plataformas IoT

3.6.1. Mecanismos de gestão de dados Dados abertos
3.6.2. Intercâmbio e visualização de dados

3.7. Segurança em IoT

3.7.1. Requisitos e áreas de segurança
3.7.2. Estratégias de segurança IIoT

3.8. Aplicações de IoT

3.8.1. Cidades inteligentes
3.8.2. Saúde e condicionamento físico
3.8.3. Lar inteligente (Smart Home)
3.8.4 Outras aplicações

3.9. Aplicações IIoT

3.9.1. Fabricação
3.9.2. Transporte
3.9.3. Energia
3.9.4 Agricultura e pecuária
3.9.5. Outros setores

3.10. Indústria 4.0

3.10.1. IoRT (Internet of Robotics Things)
3.10.2. Fabricação aditiva 3D
3.10.3. Big Data Analytics

Módulo 4. Representação gráfica para análise de dados

4.1. Análise exploratória

4.1.1. Representação para análise de informações
4.1.2. O valor da representação gráfica
4.1.3. Novos paradigmas da representação gráfica

4.2. Otimização para a ciência de dados

4.2.1. Gama cromática e desenho
4.2.2. Gestalt na representação gráfica
4.2.3. Erros a serem evitados e recomendações

4.3. Fontes de dados básicos

4.3.1. Para representação de qualidade
4.3.2. Para representação de Quantidade
4.3.3. Para representação de tempo

4.4. Fontes de dados complexos

4.4.1. Arquivos, listas e BBDD
4.4.2. Dados abertos
4.4.3. Dados de geração contínua

4.5. Tipos de gráficos

4.5.1. Representações básicas
4.5.2. Representação em bloco
4.5.3. Representação para análise de dispersão
4.5.4 Representações circulares
4.5.5. Representações de bolhas
4.5.6. Representações geográficas

4.6. Tipos de visualização

4.6.1. Comparativo e relacional
4.6.2. Distribuição
4.6.3. Hierárquica

4.7. Desenho de relatório com representação gráfica

4.7.1. Aplicação de gráficos em relatórios de Marketing
4.7.2. Aplicação de gráficos em painéis de Avaliação e KPI
4.7.3. Aplicação de gráficos em planos estratégicos
4.7.4 Outros usos: ciência, saúde, negócios

4.8. Narrativa gráfica

4.8.1. Narrativa gráfica
4.8.2. Evolução
4.8.3. Utilidade

4.9. Ferramentas orientadas à visualização

4.9.1. Ferramentas avançadas
4.9.2. Software online
4.9.3. Open Source

4.10. Novas tecnologias na visualização de dados

4.10.1. Sistemas para virtualização da realidade
4.10.2. Sistemas para o aumento e melhoria da realidade
4.10.3. Sistemas inteligentes

Módulo 5. Ferramentas da ciência de dados

5.1. Ciência de dados

5.1.1. Ciência de dados
5.1.2. Ferramentas avançadas para o cientista de dados

5.2. Dados, informações e conhecimentos

5.2.1. Dados, informações e conhecimentos
5.2.2. Tipos de dados
5.2.3. Fontes de dados

5.3. De dados a informações

5.3.1. Análise de dados
5.3.2. Tipos de análise
5.3.3. Extração de informações de um Dataset

5.4. Extração de informações através da visualização

5.4.1. A visualização como ferramenta de análise
5.4.2. Métodos de visualização
5.4.3. Visualização de um conjunto de dados

5.5. Qualidade dos dados

5.5.1. Dados de qualidade
5.5.2. Limpeza de dados
5.5.3. Pré-processamento básico de dados

5.6. Dataset

5.6.1. Enriquecimento do dataset
5.6.2. A maldição da dimensionalidade
5.6.3. Modificação de nosso conjunto de dados

5.7. Desequilíbrio

5.7.1. Desequilíbrio de classes
5.7.2. Técnicas de mitigação do desequilíbrio
5.7.3. Equilíbrio de um dataset

5.8. Modelos não supervisionados

5.8.1. Modelo não supervisionado
5.8.2. Métodos
5.8.3. Classificação com modelos não supervisionados

5.9. Modelos supervisionados

5.9.1. Modelo supervisionado
5.9.2. Métodos
5.9.3. Classificação com modelos supervisionados

5.10. Ferramentas e práticas recomendadas

5.10.1. Práticas recomendadas para um cientista de dados
5.10.2. O melhor modelo
5.10.3. Ferramentas úteis

Módulo 6. Mineração de dados. Seleção, pré-processamento e transformação

6.1. Inferência estatística

6.1.1. Estatística descritiva vs. inferência estatística
6.1.2. Procedimentos paramétricos
6.1.3 Procedimentos paramétricos

6.2. Análise exploratória

6.2.1. Análise descritiva
6.2.2. Visualização
6.2.3. Preparação dos dados

6.3. Preparação dos dados

6.3.1. Integração e limpeza de dados
6.3.2. Normalização de dados
6.3.3. Transformando atributos

6.4. Os Valores Perdidos

6.4.1. Tratamento de valores perdidos
6.4.2. Métodos de imputação de máxima verosimilhança
6.4.3. Imputação de valores perdidos utilizando a aprendizado de máquinas

6.5. O ruído nos dados

6.5.1. Classes de ruído e seus atributos
6.5.2. Filtragem de ruídos
6.5.3. O efeito do ruído

6.6. A maldição da dimensionalidade

6.6.1. Oversampling
6.6.2. Undersampling
6.6.3. Redução de dados multidimensionais

6.7. De atributos contínuos a discretos

6.7.1. Dados contínuos Vs. Discretos
6.7.2. Processo de discretização

6.8. Os dados

6.8.1. Seleção de dados
6.8.2. Perspectivas e critérios de seleção
6.8.3. Métodos de seleção

6.9. Seleção de Instâncias

6.9.1. Métodos para seleção de instâncias
6.9.2. Seleção de protótipos
6.9.3. Métodos avançados para seleção de instâncias

6.10. Pré-processamento de dados em ambientes Big Data

6.10.1. Big Data
6.10.2. Pré-processamento "clássico" Vs. massivo
6.10.3. Smart Data

Módulo 7. Previsibilidade e análise de fenômenos estocásticos

7.1. Séries cronológicas

7.1.1. Séries cronológicas
7.1.2. Utilidade e aplicabilidade
7.1.3. Casuística relacionada

7.2. A Série temporal

7.2.1. Tendência Sazonalidade da ST
7.2.2. Variações típicas
7.2.3. Análise de resíduos

7.3. Tipologias

7.3.1. Estacionárias
7.3.2. Não estacionárias
7.3.3. Transformações e ajustes

7.4. Esquemas para séries cronológicas

7.4.1. Esquema (modelo) aditivo
7.4.2. Esquema (modelo) multiplicativo
7.4.3. Procedimentos para determinar o tipo de modelo

7.5. Métodos básicos de Forecast

7.5.1. Mídia
7.5.2. Naïve
7.5.3. Naïve sazonal
7.5.4 Comparação de métodos

7.6. Análise de resíduos

7.6.1. Autocorrelação
7.6.2. ACF de resíduos
7.6.3. Teste de correlação

7.7. Regressão no contexto das séries cronológicas

7.7.1. ANOVA
7.7.2. Fundamentos
7.7.3. Aplicações práticas

7.8. Modelos preditivos de séries cronológicas

7.8.1. ARIMA
7.8.2. Suavização exponencial

7.9. Manipulação e Análise de Séries Temporais com R

7.9.1. Preparação dos dados
7.9.2. Identificação de padrões
7.9.3. Análise do modelo
7.9.4 Predição

7.10. Análise gráfica combinada com R

7.10.1. Situações típicas
7.10.2. Aplicação prática para a solução de problemas simples
7.10.3. Aplicação prática para a solução de problemas avançados

Módulo 8. Design e desenvolvimento de sistemas inteligentes

8.1. Pré-processamento de dados

8.1.1. Pré-processamento de dados
8.1.2. Transformação de dados
8.1.3. Mineração de dados

8.2. Aprendizado de máquina

8.2.1. Aprendizagem supervisionada e não supervisionada
8.2.2. Aprendizagem de reforço
8.2.3. Outros paradigmas de aprendizagem

8.3. Algoritmos de classificação

8.3.1. Aprendizado de Máquina Indutivo
8.3.2. SVM e KNN
8.3.3. Métricas e pontuações para classificação

8.4. Algoritmos de Regressão

8.4.1. Regressão linear, regressão logística e modelos não lineares
8.4.2. Séries cronológicas
8.4.3. Métricas e pontuações para regressão

8.5. Algoritmos de agrupamento

8.5.1. Técnicas de agrupamento hierárquico
8.5.2. Técnicas de agrupamento particional
8.5.3. Métricas e pontuações para Clustering

8.6. Técnicas de regras de associação

8.6.1. Métodos para extração de regras
8.6.2. Métricas e pontuações para algoritmos de regras de associação

8.7. Técnicas avançadas de classificação Múltiplos Classificadores

8.7.1. Algoritmos de Bagging
8.7.2. Classificador Random Forests
8.7.3. Boosting para árvores de decisão

8.8. Modelos gráficos probabilísticos

8.8.1. Modelos probabilísticos
8.8.2. Redes bayesianas. Propriedades, representação e parametrização
8.8.3. Outros modelos gráficos probabilísticos

8.9. Redes Neurais

8.9.1. Aprendizado de máquinas com redes neurais artificiais
8.9.2. Redes feedforward

8.10. Aprendizado profundo

8.10.1. Redes feedforward profundas
8.10.2. Redes neurais convolucionais e modelos de sequência
8.10.3. Ferramentas para implementação de redes neurais profundas

Módulo 9. Arquiteturas e sistemas para uso intensivo de dados

9.1. Requisitos não-funcionais Pilares de aplicações de dados massivos

9.1.1. Confiabilidade
9.1.2. Adaptabilidade
9.1.3. Capacidade de manutenção

9.2. Modelos de dados

9.2.1. Modelo relacional
9.2.2. Modelo documental
9.2.3. Modelo de dados tipo grafo

9.3. Bases de dados Gestão de armazenamento e recuperação de dados

9.3.1. Índices Hash
9.3.2. Armazenamento estruturado em logs
9.3.3. Árvores B

9.4. Formatos de codificação de dados

9.4.1. Formatos específicos de linguagem
9.4.2. Formatos padronizados
9.4.3. Formatos de codificação binária
9.4.4 Fluxo de dados entre processos

9.5. Replicação

9.5.1. Objetivos da Replicação
9.5.2. Modelos de replicação
9.5.3. Problemas com a Replicação

9.6. Transações distribuídas

9.6.1. Transação
9.6.2. Protocolos para transações distribuídas
9.6.3. Transações serializáveis

9.7. Particionamento

9.7.1. Formas de particionamento
9.7.2. Interação do índice secundário e de particionamento
9.7.3. Reequilíbrio do particionamento

9.8. Processamento de dados offline

9.8.1. Processamento por lotes
9.8.2. Sistemas de arquivos distribuídos
9.8.3. MapReduce

9.9. Processamento de dados em tempo real

9.9.1. Tipos de broker de mensagens
9.9.2. Representação de bancos de dados como fluxos de dados
9.9.3. Processamento do fluxo de dados

9.10. Aplicações práticas no mundo dos negócios

9.10.1. Consistência nas leituras
9.10.2. Abordagem holística dos dados
9.10.3. Escalonamento de um serviço distribuído

Módulo 10. Aplicação prática da ciência de dados em setores empresariais

10.1. Setor sanitário

10.1.1. Implicações da IA e da análise de dados no setor sanitário
10.1.2. Oportunidades e desafios

10.2. Riscos e tendências no setor sanitário

10.2.1. Uso no Setor Sanitário
10.2.2. Riscos potenciais relacionados ao uso de IA

10.3. Serviços financeiros

10.3.1. Implicações da IA e da análise de dados para o setor de serviços financeiros
10.3.2. Uso em serviços financeiros
10.3.3. Riscos potenciais relacionados ao uso de IA

10.4. Retail

10.4.1. Implicações da IA e da análise de dados no setor de retail
10.4.2. Uso no retail
10.4.3. Riscos potenciais relacionados ao uso de IA

10.5. Indústria 4.0

10.5.1. Implicações da IA e da análise de dados na Indústria 4.0
10.5.2. Uso na Indústria 4.0

10.6. Riscos e tendências na Indústria 4.0

10.6.1. Riscos potenciais relacionados ao uso de IA

10.7. Administração pública

10.7.1. Implicações da IA e da análise de dados na administração pública
10.7.2. Uso na administração pública
10.7.3. Riscos potenciais relacionados ao uso de IA

10.8. Educação

10.8.1. Implicações da IA e da análise de dados na educação
10.8.2. Riscos potenciais relacionados ao uso de IA

10.9. Silvicultura e agricultura

10.9.1. Implicações da IA e da análise de dados na Silvicultura e agricultura
10.9.2. Uso em silvicultura e agricultura
10.9.3. Riscos potenciais relacionados ao uso de IA

10.10. Recursos humanos

10.10.1. Implicações da IA e da análise de dados na gestão de recursos humanos
10.10.2. Aplicações práticas no mundo empresarial
10.10.3. Riscos potenciais relacionados ao uso de IA

Módulo 11. Visual Analytics no contexto social e tecnológico

11.1. Ondas tecnológicas em diferentes sociedades Rumo a uma ‘Data Society’
11.2. Globalização Contexto global geopolítico e social
11.3. Ambiente VUCA. Vivendo sempre no passado
11.4. Conhecendo novas tecnologias: 5G e IoT
11.5. Conhecendo novas tecnologias: Cloud e Edge Computing
11.6. Critical Thinking em Visual Analytics
11.7. Os knowmads. Nômades Digitais
11.8. Aprendendo a empreender em Visual Analytics
11.9. Teorias de antecipação aplicadas ao Visual Analytics
11.10. O novo cenário dos negócios Transformação digital

Módulo 12. Análise e interpretação dos dados

12.1. Introdução às estatísticas
12.2. Medidas aplicáveis ao processamento de informações
12.3. Correlação estatística
12.4. Teoria da probabilidade condicional
12.5. Variáveis aleatórias e distribuições de probabilidade
12.6. Inferência Bayesiana
12.7. Teoria da amostragem
12.8. Intervalos de confiança
12.9. Teste de hipótese
12.10. Análise da Regressão

Módulo 13. Técnicas de Análise de dados e IA

13.1. Análise preditiva
13.2. Técnicas de avaliação e seleção de modelos
13.3. Técnicas de otimização linear
13.4. Simulações de Monte Carlo
13.5. Análise de cenários
13.6. Técnicas de Machine Learning
13.7. Análise Web
13.8. Técnicas de Text Mining
13.9. Métodos em Processamento de Linguagem Natural (PNL)
13.10. Análise de redes sociais

Módulo 14. Ferramentas de análise de dados

14.1. Ambiente R de Data Science
14.2. Ambiente Python de Data Science
14.3. Gráficos estáticos e estatísticos
14.4. Processamento de dados em diferentes formatos e fontes
14.5. Limpeza e preparação de dados
14.6. Estudos exploratórios
14.7. Árvore de decisão
14.8. Regras de classificação e associação
14.9. Redes Neurais
14.10. Deep Learning

Módulo 15. Sistemas de gestão de base de dados e de dados paralelos

15.1. Bases de dados convencionais
15.2. Bases de dados Não-Convencional
15.3. Cloud computing: Gestão distribuída de dados
15.4. Ferramentas de ingestão de grande volume de dados
15.5. Tipos de paralelos
15.6. Processamento de dados em streaming e tempo real
15.7. Processamento paralelo: Hadoop
15.8. Processamento paralelo: Spark
15.9. Apache Kafka
15.9.1. Introdução ao Apache Kafka
15.9.2. Arquitetura
15.9.3. Estruturas dados
15.9.4. API Kafka
15.9.5. Casos de uso
15.10. Cloudera Impala

Módulo 16. Data-driven soft skills na gestão estratégica em Visual Analytics

16.1. Drive Profile for Data-driven
16.2. Habilidades avançadas de gestão em organizações Data-driven
16.3. Utilização de dados para melhorar a performance da comunicação estratégica
16.4. Inteligência emocional aplicada à gestão em Visual Analytics
16.5. Apresentações efetivas
16.6. Aperfeiçoamento da performance através da gestão motivacional
16.7. Liderança em organizações Data-driven
16.8. Talento digital em organizações Data-driven
16.9. Data-driven Agile Organization I
16.10. Data-driven Agile Organization II

Módulo 17. Gestão estratégica de projetos de Visual Analytics e Big Data

17.1. Introdução à gestão estratégica de projetos
17.2. Best practices na descrição do processo de Big Data (PMI)
17.3. Metodologia Kimball
17.4. Metodologia SQuID

17.4.1. Introdução à metodologia SQuID para abordar projetos de Big Data
17.4.2. Fase I. Sources
17.4.3. Fase II. Data quality
17.4.4. Fase III. Impossible questions
17.4.5. Fase IV. Discovering
17.4.6. Best practices na aplicação de SQuID a projetos de Big Data

17.5. Aspectos legais do mundo de dados
17.6. Privacidade em Big Data
17.7. Cibersegurança em Big Data
17.8. Identificação e desidentificação com grandes volumes de dados
17.9. Ética dos dados I
17.10. Ética dos dados II

Módulo 18. Análise do cliente Aplicar a inteligência de dados ao Marketing

18.1. Conceitos de Marketing Marketing estratégico
18.2. Marketing de relacionamento
18.3. CRM como um centro organizacional para análise do cliente
18.4. Tecnologias da Web
18.5. Fontes de dados Web
18.6. Aquisição de dados Web
18.7. Ferramentas para extração de dados da Web
18.8. Web semântica
18.9. OSINT Inteligência de código aberto
18.10. Master Lead ou como melhorar a conversão à venda usando Big Data

Módulo 19. Visualização interativa de dados

19.1. Introdução à arte de tornar os dados visíveis
19.2. Como fazer um Storytelling com dados?
19.3. Representações de dados
19.4. Escalabilidade das representações visuais
19.5. Visual Analytics Vs. Information Visualization. Entendendo que não é a mesma coisa
19.6. Processo de Análise Visual (Keim)
19.7. Relatórios estratégicos, operacionais e diretivos
19.8. Tipos de gráficos e suas funções
19.9. Interpretação de relatórios e gráficos. Desempenhando o papel do receptor
19.10. Avaliação de sistemas de Visual Analytics

Módulo 20. Ferramentas de visualização

20.1. Introdução às ferramentas de visualização de dados
20.2. Many Eyes
20.3. Google Charts
20.4. jQuery
20.5. Data-driven Documents I
20.6. Data-driven Documents II
20.7. Matlab
20.8. Tableau
20.9. SAS Visual Analytics
20.10. Microsoft Power BI 

Um plano de estudos abrangente que o levará a dominar a área de Big Data e a se tornar um arquiteto de estratégia de negócios bem-sucedido”