A TECH oferece o melhor conhecimento em Big Data para que se torne o seu passaporte para uma carreira cheia de oportunidades e desafios emocionantes” 

A disciplina de Big Data emergiu como uma solução estratégica, permitindo às organizações transformar dados complexos em oportunidades valiosas. Esta disciplina caracteriza-se pelo seu volume, variedade e velocidade, alterando a forma como as empresas operam, tomam decisões e competem no mercado global. No entanto, para tirar o máximo proveito deste recurso, é necessário ter especialistas que compreendam como recolher e analisar grandes quantidades de informação. 

Conscientes desta necessidade, o Mestrado Avançado em Big Data Management da TECH apresenta-se como uma porta de entrada para este fascinante e dinâmico campo. Desenhado para especializar os profissionais que liderarão a revolução digital, este programa combina conhecimentos técnicos avançados com uma formação integral, abrangendo tanto o estudo de plataformas, algoritmos e ferramentas de ponta como uma sólida preparação estratégica. Atualmente, praticamente cada interação no ambiente digital gera dados, seja através de compras online, o uso de redes sociais ou os sensores em dispositivos conectados à Internet das Coisas. Por isso, o conhecimento e a gestão do Big Data tornaram-se aspetos-chave para todos os setores empresariais. 

Este Mestrado Avançado inclui no seu programa o estudo das plataformas, algoritmos e ferramentas mais avançadas do setor, tudo isto ministrado através do inovador método de aprendizagem Relearning, adaptado às necessidades e ritmo de estudo de cada aluno. O melhor de tudo é que o programa é totalmente online e acessível a partir de qualquer dispositivo, oferecendo a flexibilidade de ajustar os horários e conciliar as responsabilidades profissionais, sem deixar de lado uma vida familiar ativa, enquanto avança na especialização profissional. 

Com a TECH, potencie o seu perfil profissional com conhecimentos especializados que o farão destacar em qualquer indústria” 

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

• O desenvolvimento de casos práticos apresentados por especialistas em Informática 
• Os conteúdos gráficos, esquemáticos e eminentemente práticos, concebidos para oferecer uma informação científica e prática sobre as disciplinas indispensáveis para o exercício profissional 
• Os exercícios práticos onde o processo de autoavaliação pode ser efetuado a fim de melhorar a aprendizagem 
• O seu foco especial em metodologias inovadoras em Big Data Management 
• As lições teóricas, perguntas aos especialistas, fóruns de discussão sobre temas controversos e trabalhos de reflexão individual 
• A disponibilidade de acesso aos conteúdos a partir de qualquer dispositivo fixo ou portátil com conexão à Internet 

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

O seu corpo docente inclui profissionais da área do jornalismo, que trazem a sua experiência profissional para este curso, assim como especialistas reconhecidos de empresas líderes e universidades de prestígio. 

O seu conteúdo multimédia, elaborado com a mais recente tecnologia educativa, permitirá ao profissional um aprendizado situado e contextual, ou seja, um ambiente simulado que proporcionará um estudo imersivo programado para treiná-lo em situações reais. 

O design deste plano de estudos está centrado na Aprendizagem Baseada em Problemas, através da qual o aluno terá de tentar resolver as diversas situações de prática profissional que lhe serão apresentadas ao longo do curso académico. Para tal, o profissional contará com a ajuda de um sistema inovador de vídeo interativo desenvolvido por especialistas reconhecidos. 

Com a metodologia didática mais inovadora, construa o futuro que deseja em um campo onde a demanda por talento não para de crescer”

Amplie a 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 um conhecimento integral que abrange desde os fundamentos do Big Data até as estratégias mais avançadas para a sua aplicação no ambiente empresarial. Ao longo do programa, os alunos desenvolverão competências chave em áreas de grande demanda no mercado de trabalho, proporcionando-lhes a capacidade de analisar e transformar dados em ativos valiosos. Além disso, o programa está desenhado para que os profissionais se adaptem às constantes evoluções tecnológicas, preparando-os para liderar a gestão de dados em diversos setores. 

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

Módulo 1. Análise de dados na organização empresarial

1.1. Análise de negócio

1.1.1. Análise de negócio
1.1.2. Estrutura do dado
1.1.3. Fases e elementos

1.2. Análise de dados na empresa

1.2.1. Quadros de controlo e KPIs 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. Serviço ao cliente
1.2.3.4. Compras
1.2.3.5. Administração
1.2.3.6. Recursos Humanos
1.2.3.7. Produção
1.2.3.8. IT

1.3. Marketing e comunicação

1.3.1. KPI’ s a medir, aplicações e benefícios
1.3.2. Sistemas de marketing e data warehouse
1.3.3. Implementação de uma estrutura de analítica de dados em Marketing
1.3.4. Plano de marketing e comunicação
1.3.5. Estratégia, previsão e gestão de campanhas

1.4. Comercial e vendas

1.4.1. Contribuições da análise de dados na área comercial
1.4.2. Necessidades do departamento de vendas
1.4.3. Estudos de mercado

1.5. Serviço 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 estudos de mercado
1.6.2. Análise de dados para estudos de competência
1.6.3. Outras aplicações

1.7. Administração

1.7.1. Necessidades no 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. R. H. e os benefícios da análise de dados
1.8.2. Ferramentas analíticas de dados no departamento de RR. Humanos
1.8.3. Aplicação de análise de dados no departamento de RR. Humanos

1.9. Produção

1.9.1. Análise de dados num departamento de produção
1.9.2. Aplicações
1.9.3. Benefícios

1.10. IT

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

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

2.1. Estatística Variáveis, índices e rácios

2.1.1. A estatística
2.1.2. Dimensões e estatísticas
2.1.3. Variáveis, índices e rácios

2.2. Tipologia do dado

2.2.1. Qualitativos
2.2.2. Quantitativo
2.2.3. Caraterização e categorias

2.3. Conhecimento dos dados a partir de medidas

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

2.4. Conhecimento dos dados a partir de gráficos

2.4.1. Visualização de acordo com o tipo de dados
2.4.2. Interpretação de informação gráfica
2.4.3. Customização de gráficos com R

2.5. Probabilidade

2.5.1. Probabilidade
2.5.2. Função de probabilidade
2.5.3. Distribuições

2.6. Recolha de dados

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

2.7. Limpeza de dados

2.7.1. Fases de 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. Indicadores de relação
2.8.3. Extração de dados

2.9. Armazém de dados (datawarehouse)

2.9.1. Elementos
2.9.2. Design

2.10. Disponibilidade dos 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 de 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. Componentes principais
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 de dados e visualização

3.7. Segurança em IoT

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

3.8. Aplicações de IoT

3.8.1. Cidades inteligentes
3.8.2. Saúde e condição física
3.8.3. Casa inteligente
3.8.4. Outras aplicações

3.9. Aplicações de 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. Fabrico aditivo 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 informação
4.1.2. O valor da representação gráfica
4.1.3. Novos paradigmas da representação gráfica

4.2. Otimização para a ciência dos dados

4.2.1. Gama de cores e design
4.2.2. A Gestalt na representação gráfica
4.2.3. Erros a evitar e conselhos

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. Ficheiros, listas e bases de dados. DD
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 de blocos
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. Comparativas e relacional
4.6.2. Distribuição
4.6.3. Hierarquia

4.7. Conceção de relatórios com representação gráfica

4.7.1. Aplicação de gráficos em relatórios de Marketing
4.7.2. Aplicação de gráficos em quadros de mando e KPIs
4.7.3. Aplicação de gráficos em planos estratégicos
4.7.4. Outros usos: Ciência, saúde, negócios

4.8. Narração gráfica

4.8.1. A narração gráfica
4.8.2. Evolução
4.8.3. Utilidade

4.9. Ferramentas orientadas para a 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 a virtualização da realidade
4.10.2. Sistemas para aumento e melhoria da realidade
4.10.3. Sistemas inteligentes

Módulo 5. Ferramentas de ciência de dados

5.1. Ciência de dados

5.1.1. A ciência de dados
5.1.2. Ferramentas avançadas para o cientista de dados

5.2. Dados, informação e conhecimento

5.2.1. Dados, informação e conhecimento
5.2.2. Tipos de dados
5.2.3. Fontes de dados

5.3. Dos dados à informação

5.3.1. Análise de dados
5.3.2. Tipos de análise
5.3.3. Extração de informação de um dataset

5.4. Extração de informação 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 do 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 boas práticas

5.10.1. Boas práticas para um cientista de dados
5.10.2. O melhor modelo
5.10.3. Ferramentas úteis

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

6.1. A inferência estatística

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

6.2. Análise exploratória

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

6.3. Preparação de 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 aprendizagem automática

6.5. O ruído dos dados

6.5.1. Classes de ruído e atributos
6.5.2. Filtragem de ruído
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 versus dados discretos
6.7.2. Processo de discretização

6.8. Os dados

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

6.9. Seleção de instâncias

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

6.10. Pré-processamento de dados em ambientes Big Data

6.10.1. Big data
6.10.2. Pré-processamento “clássico" versus massivo
6.10.3. Smart Data

Módulo 7. Previsibilidade e análise de fenómenos estocásticos

7.1. Séries de tempo

7.1.1. Séries de tempo
7.1.2. Utilidade e aplicabilidade
7.1.3. Casuística relacionada

7.2. A série temporal

7.2.1. Tendência sazonalidade de 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 temporais

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. Media
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 temporais

7.7.1. ANOVA
7.7.2. Fundamentos
7.7.3. Aplicação prática

7.8. Modelos preditivos de séries temporais

7.8.1. ARIMA
7.8.2. Suavização exponencial

7.9. Manipulação e análise de séries temporais com R

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

7.10. Análise gráfica combinada com R

7.10.1. Situações comuns
7.10.2. Aplicação prática para a resolução de problemas simples
7.10.3. Aplicação prática para a resolução 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. Extração de dados

8.2. Aprendizagem automática

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

8.3. Algoritmos de classificação

8.3.1. Aprendizagem automática Indutiva
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 temporais
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 parcial
8.5.3. Métricas e pontuações para clustering

8.6. Técnicas de regras de associação

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

8.7. Técnicas de classificação avançadas. Multiclassificadores

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. Aprendizagem automática com redes neuronais artificiais
8.9.2. Redes feedforward

8.10. Aprendizagem profunda

8.10.1. Redes feedforward profundas
8.10.2. Redes neuronais convolucionais e modelos sequenciais
8.10.3. Ferramentas para implementação de redes neuronais profundas

Módulo 9. Arquiteturas e sistemas para uso intensivo de dados

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

9.1.1. Fiabilidade
9.1.2. Adaptabilidade
9.1.3. Mantenibilidade

9.2. Modelos de dados

9.2.1. Modelo relacional
9.2.2. Modelo documental
9.2.3. Modelo de dados de rede

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

9.3.1. Índices hash
9.3.2. Armazenamento estruturado em log
9.3.3. Árvores B

9.4. Formatos de codificação de dados

9.4.1. Formatos específicos da linguagem
9.4.2. Formatos estandardizados
9.4.3. Formatos de codificação binários
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 de índice secundário e particionado
9.7.3. Reequilíbrio de partições

9.8. Processamento de dados offline

9.8.1. Processamento por lotes
9.8.2. Sistemas de ficheiros 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 bases de dados como fluxos de dados
9.9.3. Processamento de fluxos de dados

9.10. Aplicações práticas na empresa

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

Módulo 10. Aplicação prática da ciência dos dados nos setores de atividade empresarial

10.1. Setor da saúde

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

10.2. Riscos e tendências no setor da saúde

10.2.1. Uso no setor da saúde
10.2.2. Potenciais riscos relacionados com a utilização de IA

10.3. Serviços financeiros

10.3.1. Implicações da IA e da análise de dados no setor dos serviços financeiros
10.3.2. Uso nos serviços financeiros
10.3.3. Potenciais riscos relacionados com a utilização de IA

10.4. Retail

10.4.1. Implicações da IA e da análise de dados no setor do Retail
10.4.2. Uso no Retail
10.4.3. Potenciais riscos relacionados com a utilização 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. Potenciais riscos relacionados com a utilização 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. Potenciais riscos relacionados com a utilização de IA

10.8. Educação

10.8.1. Implicações da IA e da análise de dados na Educação
10.8.2. Potenciais riscos relacionados com a utilização 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 na silvicultura e agricultura
10.9.3. Potenciais riscos relacionados com a utilização 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. Potenciais riscos relacionados com a utilização de IA

Módulo 11. Visual analytics no contexto social e tecnológico

11.1. As ondas tecnológicas em diferentes sociedades. Em direção a uma ‘data society’
11.2. A globalização. Contexto mundial geopolítico e social
11.3. Ambiente VUCA. Vivendo sempre no passado
11.4. Conhecer as novas tecnologias: 5Ge IoT
11.5. Conhecer as novas tecnologias: Cloud e edge computing
11.6. Critical thinking em visual analytics
11.7. Os know-mads. Nómadas entre os dados
11.8. Aprendendo a ser um empreendedor visual analytics
11.9. Teorias de antecipação aplicadas ao visual analytics
11.10. O novo meio-empresarial. Transformação digital

Módulo 12. Análise e interpretação de dados

12.1. Introdução à estatística
12.2. Medidas aplicáveis ao tratamento de informação
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 de amostragem
12.8. Intervalos de confiança
12.9. Teste de hipóteses
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 Montecarlo
13.5. Análise de cenários
13.6. Técnicas de machine learning
13.7. Análise da Web
13.8. Técnicas de text mining
13.9. Métodos de Processamento 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. Tratamento de dados em diferentes formatos e diferentes fontes
14.5. Limpeza e preparação de dados
14.6. Estudos exploratórios
14.7. Árvore de decisão
14.8. Regras de classificação e de associação
14.9. Redes neurais
14.10. Deep Learning

Módulo 15. Sistemas de gestão de bases de dados e paralelização de dados

15.1. Bases de dados convencionais
15.2. Bases de dados não convencionais
15.3. Cloud computing: Gestão distribuída de dados
15.4. Ferramentas de ingestão de grandes volumes de dados
15.5. Tipos de paralelismos
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. Estrutura de dados
15.9.4. APIs Kafka
15.9.5. Casos de utilização

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. Competências de gestão avançadas em organizações data-driven
16.3. Utilizar os dados para melhorar o performance da comunicação estratégica
16.4. Inteligência emocional aplicada à gestão em Visual Analytics
16.5. Apresentações eficazes
16.6. Melhorar o desempenho 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 de processo de big data (PMI)
17.3. Metodologia Kimball
17.4. Metodologia SQuID

17.4.1. Introdução à metodologia SQuID para enfrentar grandes 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 do SQuID a projetos de big data

17.5. Aspetos legais do mundo dos dados
17.6. Privacidade em big data
17.7. Cibersegurança em big data
17.8. A 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. Aplicando a Inteligência dos dados ao Marketing

18.1. Conceitos do marketing. Marketing estratégico
18.2. Marketing relacional
18.3. O CRM como um foco organizacional para a 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 fontes abertas
18.10. Master Lead ou como melhorar a conversão para vendas usando Big Data

Módulo 19. Visualização interativa dos dados

19.1. Introdução à arte de tornar os dados visíveis
19.2. Como fazer um storytelling com dados
19.3. Representação de dados
19.4. Escalabilidade das representações visuais
19.5. Visual analytics vs. information visualization. Compreender que não é a mesma coisa
19.6. Processo de análise visual (keim)
19.7. Relatórios estratégicos, operacionais e de gestão
19.8. Tipos de gráficos e a sua função
19.9. Interpretação de relatórios e gráficos. Desempenhar o papel do recetor
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 do Big Data e a tornar-se um arquiteto de estratégias empresariais de sucesso”