EMENTÁRIO DO CURSO DE PÓS GRADUAÇÃO EM CIÊNCIA

DE DADOS E BIG DATA

EIXO TEMÁTICO 01: TÓPICOS ESPECIAIS EM INTELIGÊNCIA DE

NEGÓCIOS (90 H/A)

DISCIPLINA: Big Data (30 H/A)

Ementa:

Conceito de Big Data. Dados estruturados e semiestruturados. 5V’s do Big Data.

Tecnologias para o Big Data. Elementos da IoT. Integração de Big Data e IoT.
Cenários de uso de Big Data. Arquitetura de hardware em big data. Arquitetura
de software para big data. Utilizando o ambiente de big data. Hadoop. Processo
e aplicação de descoberta de conhecimento com Big Data.

Bibliografia:

AMARAL, Fernando. Introdução à ciência de dados: mineração de dados e big

data. Rio de Janeiro: Alta Books, 2016.
CHANTEL D. Discovering Knowledge in data An Introduction to Data Mining. 2
ed. Wiley, 2014.

FERNANDES, A. A.; ABREU, V. F. Implantando a governança de TI da

estratégia à gestão de processos e serviços. 3. ed. Rio de Janeiro: Brasport,
2012.
MORAIS, I. S. Introdução a Big Data e Internet das Coisas (IoT). Porto Alegre:
SAGAH, 2018.

RAMARKRISHNAN, R.; GEHRKE, J. Sistemas de gerenciamento de banco de

dados. 3. ed. Porto Alegre: AMGH, 2011.

SHARDA, R.; DELEN, D.; TURBAN, E. Business intelligence e análise de dados

para gestão do negócio. 4. ed. Porto Alegre: Bookman, 2019.

TANENBAUM, A. S. Sistemas operacionais modernos. 4. ed. São Paulo:

Pearson Universidades, 2015.
TURBAN, E.; VOLONINO, L. Tecnologia da informação para gestão: em busca
do melhor desempenho estratégico e operacional. 8. ed. Porto Alegre: Bookman,
2013.

DISCIPLINA: CIÊNCIA DE DADOS (30 H/A)

Ementa:

Introdução à ciência de dados. Influência da ciência de dados na tomada de

decisões. Características de um cientista de dados. Aplicações práticas da
ciência de dados. Ciência de dados e a estatística. Ferramentas para ciência de
dados. Linguagem Python e R para ciência de dados. Business Intelligence (BI)
e ciência de dados.

Bibliografia:

AMARAL, Fernando. Introdução à ciência de dados: mineração de dados e big

data. Rio de Janeiro: Alta Books, 2016.
CHANTEL D. Discovering Knowledge in data An Introduction to Data Mining. 2
ed. Wiley, 2014.

FERNANDES, A. A.; ABREU, V. F. Implantando a governança de TI da

estratégia à gestão de processos e serviços. 3. ed. Rio de Janeiro: Brasport,
2012.
MORAIS, I. S. Introdução a Big Data e Internet das Coisas (IoT). Porto Alegre:
SAGAH, 2018.

RAMARKRISHNAN, R.; GEHRKE, J. Sistemas de gerenciamento de banco de

dados. 3. ed. Porto Alegre: AMGH, 2011.

SHARDA, R.; DELEN, D.; TURBAN, E. Business intelligence e análise de dados

para gestão do negócio. 4. ed. Porto Alegre: Bookman, 2019.

TANENBAUM, A. S. Sistemas operacionais modernos. 4. ed. São Paulo:

Pearson Universidades, 2015.
TURBAN, E.; VOLONINO, L. Tecnologia da informação para gestão: em busca
do melhor desempenho estratégico e operacional. 8. ed. Porto Alegre: Bookman,
2013.

DISCIPLINA: APRENDIZADO DE MÁQUINA (30 H/A)

Ementa:

Aprendizado de máquina. O processo de aprendizado de má[Link] do

aprendizado de máquina. Tarefas de aprendizado de máquina. Algoritmos de
aprendizado de máquina. Aprendizado supervisionado ou preditivo. Aprendizado
não supervisionado ou descritivo. Aprendizado semi-supervisionado.
Aprendizado por reforço. Comparativo das principais características entre os
tipos de aprendizado. Bibliotecas de aprendizado Numpy, Scikit-learn e Pandas.
Aplicações do aprendizado de máquina.

Bibliografia:

COPPIN, B. Inteligência artificial. Rio de Janeiro: LTC, 2013.

FACELI, K. et al. Inteligência artificial: uma abordagem de aprendizado de

máquina. Rio de Janeiro: LTC, 2011.

MITCHELL, T. Machine learning. Boston: McGraw-Hill Science, 1997.

NORVIG, P.; RUSSEL, S. J. Inteligência artificial. 3. ed. Rio de Janeiro: LTC,

2013

RAMARKRISHNAN, R.; GEHRKE, J. Sistemas de gerenciamento de banco de

dados. 3. ed. Porto Alegre: AMGH, 2011.

SHARDA, R.; DELEN, D.; TURBAN, E. Business intelligence e análise de dados

para gestão do negócio. 4. ed. Porto Alegre: Bookman, 2019.

TANENBAUM, A. S. Sistemas operacionais modernos. 4. ed. São Paulo:

Pearson Universidades, 2015. TURBAN, E.; VOLONINO, L. Tecnologia da
informação para gestão: em busca do melhor desempenho estratégico e
operacional. 8. ed. Porto Alegre: Bookman, 2013.

WITTEN, I. H.; FRANK, E. Data mining: practical machine learning tools and
techniques. 2. ed. San Francisco: Morgan Kaufmann Publishers Inc., 2005.
EIXO TEMÁTICO 02: FUNDAMENTOS EM INTELIGÊNCIA DE NEGÓCIOS (90
H/A)

DISCIPLINA: INTELIGÊNCIA COMPETITIVA, BI E NEGÓCIOS (30 H/A)

Ementa:

Introdução ao Business Intelligence. Processo de tomada de decisão. O papel

da informação no processo decisório. Ambientes de negócios e o suporte
computadorizado à decisão. Teorias sobre Business Intelligence. Suporte
automatizado à decisão (ADS). Ferramentas de business intelligence e seu
impacto na tomada de decisão. BI em tempo real. Business Intelligence: do Data
Warehousing até Data Mining. Ferramentas para o planejamento estratégico.
Análise com SMART e SWOT.

Bibliografia:

BEAL, A. Gestão estratégica da informação. São Paulo: Atlas, 2012.

CABENA, P; HADJINIAN, P; STADLER, R; JAAPVERHEES; ZANASI, A.

Discovering Data Mining: From Concept to Implementation. Prentice Hall, 1998.

CHANTEL D. Discovering Knowledge in data An Introduction to Data Mining. 2

ed. Wiley, 2014.

CHIAVENATO, I. Gestão de Pessoas. 9. Ed. Rio de Janeiro: Elsevier, 2005.

LEME FILHO, Trajano. Business Intelligence no Microsoft Excel. Rio de Janeiro,

Axcel Books do Brasil, 2006.

MORESI, Eduardo Amadeu Dutra. Delineando o valor do Sistema de informação

de uma organização. Ciência da Informação. Brasília, v. 29, n. 1, jan./abr. 2000.

MOTTA, Fernando Prestes; VASCONCELOS, Isabella Gouveia. Teoria geral da

administração. São Paulo: Pioneira Thomson Learning, 2002.

PAGANOTTI, J. Processos decisórios. São Paulo: Pearson, 2015.

TURBAN, E. Business intelligence: um enfoque gerencial para a inteligência do

negócio. Porto Alegre: Bookman, 2009.
DISCIPLINA: MODELAGEM MULTIDIMENSIONAL DE DADOS(30 H/A)

Ementa:

Representação relacional de dados. Representação multidimensional de dados.

Visão geral do Data Warehouse. Tabela dimensão e tabela fato. Tipos de tabela
fato. Comparativo entre as características da representação relacional e
multidimensional. Modelagem de dados multidimensionais. Representação das
dimensões em cubos de dados . Representação de medidas em cubos de dados.
OLAP dimensional. OLAP multidimensional (MOLAP). OLAP relacional
(ROLAP). OLAP híbrido (HOLAP).

Bibliografia:

ALVES, W. P. Banco de dados. São Paulo: Érica, 2014.

ELMASRI, R. N. Sistema de banco de dados. 6. ed. São Paulo: Pearson, 2010.

GOLDSCHMIDT, R.; PASSOS, E.; BEZERRA, E. Data mining. Rio de Janeiro:

Elsevier, 2015.

HEUSER, C. A. Projeto de banco de dados. 6. ed. Porto Alegre: Bookman, 2009.

LUCAS, H. C. Tecnologia da informação: tomada de decisão estratégica para

administradores. Rio de Janeiro: LTC, 2006.

MANNINO, M. V. Projeto, desenvolvimento de aplicações e administração de

banco de dados. 3. ed. Porto Alegre: AMGH, 2014.

RAMAKRISHNAN, R. Sistemas de gerenciamento de banco de dados. 3. ed.

Porto Alegre: AMGH, 2011.

SHARDA, Ramesh; DELEN, Dursun; TURBAN, Efraim. Business intelligence e

análise de dados para gestão do negócio. 4. ed. Bookman Editora, 2019.

DISCIPLINA: ARQUITETURA DE DATA WAREHOUSE E DATA MARTS(30

H/A)

Ementa:

Perspectiva histórica dos data warehouses: acontecimentos históricos, banco de

dados, sistemas gerenciadores de banco de dados (SGBD), Data warehouse e
BI. Evolução dos meios de armazenamento. Características dos data
warehouses. Data mart. Arquiteturas de data warehouse. Níveis de arquitetura
de um data warehouse. Escolha de arquiteturas. Manutenção de data
warehouses. Processo de preparação, integração e atualização dos dados.

Bibliografia

ALVES, W. P. Banco de dados. São Paulo: Erica, 2014.

CASTRO, L. N. de. Introdução à mineração de dados: conceitos básicos,

algoritmos e aplicações. São Paulo: Saraiva, 2016.

ELMASRI, R.; NAVATHE, S. Sistemas de banco de dados. 6. ed. São Paulo:

Pearson Education, 2011.

GOLDSCHMIDT, R.; PASSOS, E. Data mining. Rio de Janeiro: Elsevier, 2015.

REZENDE, D. A. Inteligência organizacional como modelo de gestão em

organizações privadas e públicas: guia para projetos de Organizational Business
Intelligence – OBI. São Paulo: Atlas, 2015.

SHARDA, R.; DELEN, D.; TURBAN, E. Business intelligence e análise de dados

para gestão do negócio. 4. ed. Porto Alegre: Bookman, 2019.

SILVA, L. A. da S.; PERES, S. M. P.; BOSCARIOLI, C. Introdução à mineração

de dados. Rio de Janeiro: Elsevier, 2016.

TURBAN, E. et al. Business intelligence: um enfoque gerencial para a

inteligência do negócio. Porto Alegre: Bookman, 2009.

EIXO TEMÁTICO 03: PROJETO DE SOLUÇÕES EM DATA WAREHOUSE(90

H/A)

DISCIPLINA: RECUPERAÇÃO DA INFORMAÇÃO (ETL) E MINERAÇÃO DE

DADOS(30 H/A)

Ementa:

ETL (Extract, Transform and Load). Fases e características do ETL. Ferramentas

para ETL. Vantagens da utilização de ETL em um Data Warehouse. Mineração
de [Link] principais etapas do processo de mineração de dados. O processo
de descoberta de conhecimento (KDD). Identificação das técnicas de Data
Mining. A lógica para a mineração de dados. Aplicação e sintaxe de consultas
de mineração. Conceito e a aplicação de Big Data e mineração de dados.

Bibliografia:

KIMBALL, Ralph; ROSS, Margy. Data Warehouse Toolkit: The Complete Guide
to Dimensional Modeling (Inglês). Editora Makron Books. São Paulo, 2002.
MANNINO, Michael V. Projeto, Desenvolvimento de Aplicações & Administração
de Banco de Dados. 3ª ed. 2014.

RAMAKRISHNAN, Raghu; GEHRKE, Jahannes. Sistemas de Gerenciamento de

Banco de Dados. 3ª ed. 2011.
GOLDSCHMIDT, R.; PASSOS, E. Data mining. Rio de Janeiro: Elsevier, 2015.

REZENDE, D. A. Inteligência organizacional como modelo de gestão em

organizações privadas e públicas: guia para projetos de Organizational Business
Intelligence – OBI. São Paulo: Atlas, 2015.

SHARDA, R.; DELEN, D.; TURBAN, E. Business intelligence e análise de dados

para gestão do negócio. 4. ed. Porto Alegre: Bookman, 2019.

SILVA, L. A. da S.; PERES, S. M. P.; BOSCARIOLI, C. Introdução à mineração

de dados. Rio de Janeiro: Elsevier, 2016.

TURBAN, E. et al. Business intelligence: um enfoque gerencial para a

inteligência do negócio. Porto Alegre: Bookman, 2009.

DISCIPLINA: VISUALIZAÇÃO DE DADOS (30 H/A)

Ementa:

Geração de visualização de dados.Técnicas de visualização de dados. Tipos de

visualização de dados. Práticas de visualização e análise de dados para a
inteligência nos negócios. Frameworks para visualização de [Link]
de programação para visualização de dados. Casos de uso para visualização de
dados. Power BI. Funções do Power BI. Plataformas para o Power BI. Cenários
de aplicação do Power BI.

Bibliografia:

BALTZAN, Paige. Tecnologia Orientada para Gestão. 6. ed. AMGH Editora

LTDA., 2016.

GOLDSCHMIDT, R.; PASSOS, E. Data mining. Rio de Janeiro: Elsevier, 2015.

REZENDE, D. A. Inteligência organizacional como modelo de gestão em

organizações privadas e públicas: guia para projetos de Organizational Business
Intelligence – OBI. São Paulo: Atlas, 2015.

SANTOS, V.; CAMARA, P.; BERNARDINI, F.; VITERBO, J. A framework for

constructing open data map visualizations. In Proceedings of the XIV Brazilian
Symposium on Information Systems (p.12). ACM. 2018

SHARDA, R. Business intelligence e análise de dados para gestão do negócio.

4. ed. Porto Alegre: Bookman, 2019.

TURBAN, Efraim et al. Business Intelligence: Um enfoque gerencial para a

inteligência do negócio. Porto Alegre: Bookman, 2009.

WARE, Colin. Information visualization: perception for design. Morgan Kaufmann

Pub, 2012.
WILKINSON, L. The grammar of graphics. In Handbook of Computational
Statistics. Springer, Berlin, Heidelberg. 2012.

DISCIPLINA: GOVERNANÇA E INDICADORES DE PERFORMANCE (30 H/A)

Ementa:

Introdução aos modelos de maturidade. Modelo TDWI de maturidade para data

warehouses. Níveis iniciais, intermediários e avançados dos modelos de
maturidade. modelo CMM (Capability Maturity Model — modelo de maturidade
capacitiva). Métricas relevantes para a estratégia: indicador-chave de
desempenho. KPI (Key Performance Indicator). Resultados organizacionais e
estratégicos com indicadores-chave de desempenho. Business performance
management (BPM). Balanced Scorecard (BSC). Metodologias de BPM.

Bibliografia:

BEAL, A. Gestão estratégica da informação. São Paulo: Atlas, 2012.

CABENA, P; HADJINIAN, P; STADLER, R; JAAPVERHEES; ZANASI, A.

Discovering Data Mining: From Concept to Implementation. Prentice Hall, 1998.

CHANTEL D. Discovering Knowledge in data An Introduction to Data Mining. 2

ed. Wiley, 2014.

CHIAVENATO, I. Gestão de Pessoas. 9. Ed. Rio de Janeiro: Elsevier, 2005.

LEME FILHO, Trajano. Business Intelligence no Microsoft Excel. Rio de Janeiro,

Axcel Books do Brasil, 2006.

MOTTA, Fernando Prestes; VASCONCELOS, Isabella Gouveia. Teoria geral da

administração. São Paulo: Pioneira Thomson Learning, 2002.

TURBAN, E.; SHARDA, R.; KING, D.; ARONSON, J. E. Business intelligence:

um enfoque gerencial para a inteligência do negócio. Porto Alegre: Bookman,
2009

WILDT, Daniel et al. eXtreme Programming: práticas para o dia a dia no

desenvolvimento ágil de software. Porto Alegre: Casa do Código, 2015.
EIXO 04: INTELIGÊNCIA DE MARKETING (90 h/a)

DISCIPLINA: INTELIGÊNCIA APLICADA AOS NEGÓCIOS (30 h/a)

Ementa:

Business Intelligence; Arquitetura de BI; aplicação de BI nas empresas; CRM

(Costumer Relationship Management); CRM e o relacionamento da empresa
com seus clientes; ações e táticas do uso do CRM no marketing digital; Análise
de Negócios em BI; elementos constitutivos de um processo de tomada de
decisão; o processo de tomada de decisão empregando ferramentas de BI;
processos de decisão tradicionais e os baseados em ferramentas analíticas.

Bibliografia:
HINDLE, T. Guide to management ideas and [Link]: The Economist,
2008.

KAPLAN, R.; NORTON, D. Mapas estratégicos. Rio de Janeiro: Campus, 2004.

KOTLER, P. Administração de marketing. São Paulo: Prentice-Hall, 2004.

KOTLER, P; ARMSTRONG, G. Princípios de [Link]: Prentice-Hall,

2008.

KOTLER, P; KELLER, K. [Link]ção de marketing.14. ed. São Paulo:

Pearson Prentice Hall, 2012.

PORTER, M. E. Vantagem competitiva: criando e sustentando um desempenho

superior. 3ª. ed. Rio de Janeiro: Campus, 1991.

PORTER, Michael. Vantagem competitiva: criando e sustentando um

desempenho superior. Tradução de Elizabeth Maria de Pinho Braga. Rio de
Janeiro: Elsevier, 1989.

PORTER, Michael; Kramer, Mark; artigo “Estratégia e sociedade”, na Harvard

Business Review, em 2006.

DISCIPLINA: GERENCIAMENTO DE DADOS ESTRATÉGICOS (30 h/a)

Ementa:

Aplicações da Ciência de Dados; business intelligence (BI) e ciência de dados;

Arquitetura de Banco de Dados; tipos de bancos de dados e os seus usuários;
características dos principais bancos de dados relacionais; Datawarehouse.

Bibliografia:

ALVES, W. P. Banco de dados. São Paulo: Érica, 2014.

AUDY, J. L. N.; ANDRADE, G. K. de; CIDRAL, A. Fundamentos de sistemas de

informação. Porto Alegre: Bookman, 2005.

CARDOSO, V.; CARDOSO, G. Sistemas de banco de dados: uma abordagem

introdutória e aplicada. São Paulo: Saraiva, 2012.
DB-ENGINES. DB-Engines ranking. Disponível em: <[Link]
[Link]/en/ranking>. Acesso em: 05 fev. 2020.

ELMASRI, R.; NAVATHE, S. B. Sistemas de banco de dados. 7. ed. São Paulo:

Pearson, 2019.

HEUSER, C. A. Projeto de banco de dados. Porto Alegre: Bookman, 2011.

LEITE, M. Acessando banco de dados com ferramentas RAD: aplicações em

Delphi. Rio de Janeiro: Brasport, 2008.

MACHADO, F. N. R. Projeto e implementação de banco de dados. São Paulo:

Érica, 2014.

MAÑAS, A. V. Administração de Sistemas de Informação. 7. ed. São Paulo:

Érica, 2007.

SETZER, V. W.; SILVA, F. S. C. Bancos de dados: aprenda o que são, melhore

seu conhecimento, construa os seus. São Paulo: Edgard Blücher, 2005.

TURBAN, E. et al. Business inteligence: um enfoque gerencial para a inteligência

do negócio. Porto Alegre:Bookman, 2009.

DISCIPLINA: MÉTRICAS E ANÁLISE DE RESULTADOS (30 h/a)

Ementa:

Indicadores de Desempenho do Negócio; indicadores de desempenho na

gestão; Automação de Marketing; benefícios da automação de marketing;
ferramentas de automação para diferentes contextos mercadológicos; Métricas
de Análise e Otimização de Busca; SEO; ferramentas de pesquisa e estratégias
de palavras-chave; processo de mensuração de ações no e-commerce.

Bibliografia:

KOTLER, P. Administração de marketing. São Paulo: Atlas, 2009.

KOTLER, P.; KARTAJAYA, H.; SETIAWAN, I. Marketing 4.0: do tradicional ao

digital. Rio de Janeiro: Sextante, 2016.
LONGO, W. Marketing e comunicação da era pós-digital: as regras mudaram.
São Paulo: HSM, 2014.

MAUTIC. Automação de marketing. Disponível em: [Link] Acesso

em: 22 out. 2019.

MOREIRA, S.P.; CHIARETO, J. Automação de marketing como ferramenta

estratégica de vendas: um estudo de caso da Great Place to Work Brasil. Revista
Liceu On-line, v. 6, n. 2, p. 30-47, jul./dez. 2016.

MUNIZ, K. Automação de marketing: o guia completo com dicas de ferramentas

da ActiveCampaign. Disponível em:
[Link] Acesso em: 22
out. 2019.

NOTARI, C. Inbound marketing e automação de marketing: a verdade nua e

crua. Disponível em: [Link]
automacao-de-marketing-verdade-nua-e-crua/. Acesso em: 20 out. 2019.

OGDEN, J. R.; CRESCITELLI, E. Comunicação integrada de marketing:

conceitos, técnicas e práticas. 2. ed. São Paulo: Pearson, 2007.

PEPE, C.G.E. O marketing na era digital: classificação e aplicação das

ferramentas modernas para o relacionamento com o consumidor. Dissertação
(Mestrado). Engenharia de Produção. Rio de Janeiro: Universidade Federal do
Rio de Janeiro, 2017.

PEREIRA, A. Os processos de automação de marketing. Disponível em:

[Link]
marketing. Acesso em: 23 out. 2019.

RAE, T. The effect of marketing automation on customer experience. Tese de

Bacharelado. Alto University, School of Business Marketing, Finlândia, 2016.

RIES, E. A startup enxuta: como os empreendedores atuais utilizam a inovação

contínua para criar empresas extremamente bem-sucedidas. São Paulo: Leya,
2012.
VAZ, C. A. Os 8 Ps do marketing digital: o guia estratégico de marketing digital.
São Paulo: Novatec, 2011.