Ciência de Dados Aplicada ao Marketing

Recomenda-se o domínio prévio de noções de estatística, bem como competências básicas em tecnologias de informação.

Nesta unidade curricular são utilizadas as seguintes metodologias de ensino:

1. Método expositivo: método explicativo onde fundamentos teóricos e conceitos são apresentados pelo docente e discutidos com a turma. Os conceitos e informações serão apresentados aos estudantes através, por exemplo, de apresentações em slides ou discussões orais. Será utilizado nas aulas para a estruturação e esquematização da informação.

2. Método demonstrativo: baseia-se na exemplificação pelo docente de uma operação técnica ou prática que se deseja aprendida. Centra-se na forma como se executa uma dada operação, destacando as técnicas, as ferramentas e os equipamentos mais adequados. Será por exemplo utilizado em aulas práticas e laboratoriais.

3. Método interrogativo: processo que se fundamenta em interações verbais, sob a condução do docente, adotando o formato de questões e respostas. Permite obter maior dinâmica na aula e consolidar a aprendizagem. Será utilizado por exemplo para recordar elementos de aulas anteriores, e em revisões do conteúdo lecionado.

4. Métodos ativos: serão utilizadas técnicas pedagógicas em que o estudante é o centro do processo de aprendizagem, sendo um participante ativo e envolvido na sua própria formação. O docente assume o papel de facilitador, estimulando o pensamento crítico, a colaboração, a criatividade e a autonomia dos estudantes. Serão aplicados nas aulas para alcançar um ambiente de aprendizagem dinâmico e mais duradouro.

No final da unidade curricular o estudante ficará habilitado a:

1. Introdução: Diferenciar os conceitos de Business Intelligence e Data Science aplicada ao Marketing. Descrever o ecossistema de ferramentas No-Code para gestão. Explicar as normas éticas e o impacto do RGPD no tratamento de dados de clientes.

2. Metodologia OSEMN: Definir as fases constituintes da metodologia OSEMN. Desenhar fluxos de trabalho (Workflows) analíticos. Validar os ciclos de iteração de resultados num projeto de Marketing.

3. Obtenção de dados: Identificar diversas fontes de dados de Marketing. Importar ficheiros de dados para as ferramentas de análise. Categorizar os diferentes tipos de variáveis.

4. Limpeza de dados: Avaliar a qualidade dos dados recolhidos. Tratar valores omissos e registos duplicados em bases de dados. Detetar anomalias comportamentais e outliers na amostra. Executar a recodificação e normalização de variáveis.

5. Exploração de dados: Aplicar medidas de estatística descritiva para caracterizar a amostra. Analisar medidas de associação e correlação entre variáveis. Implementar testes de estatística inferencial para validar hipóteses. Diferenciar a aplicação de testes paramétricos e não paramétricos. 

6. Modelos: Distinguir modelos de aprendizagem supervisionada e não supervisionada. Implementar algoritmos de regressão e classificação. Desenvolver modelos de clustering para segmentação de mercado.

7. Avaliação: Calcular métricas de performance para modelos de regressão e classificação. Interpretar os resultados técnicos à luz dos objetivos de marketing. Traduzir as descobertas analíticas em estratégias de suporte à decisão executiva.

1. Introdução aos conceitos base de ciências de dados aplicados ao Marketing. Business Intelligence vs Data Science. Ecossistema de ferramentas No-Code. Ética, Privacidade e RGPD no tratamento de dados de clientes.

2. Metodologia OSEMN (Obtain/Scrub/Explore/Model/iNterpret). Fases da metodologia OSEMN. Desenho de fluxos de trabalho (Workflows). Ciclo de iteração e validação de resultados.

3. Obtenção de dados (Obtain). Fontes de dados. Importação e estruturação de dados. Tipos de variáveis: numéricas, nominais e ordinais. Ligação a fontes de dados abertas (Open Data).

4. Limpeza de dados (Scrub). Qualidade de dados. Tratamento de valores omissos e registos duplicados. Deteção de outliers e anomalias comportamentais. Transformação, normalização e recodificação de variáveis.

5. Exploração de dados (Explore). Análise Exploratória de Dados (EDA). Estatística Descritiva. Medidas de tendência central, dispersão e distribuição. Estatística Inferencial. Testes de Independência. Medidas de Associação. Medidas de Correlação. Testes Paramétricos: t-test, ANOVA. Testes Não Paramétricos: Wilcoxon, Mann-Whitney, Kruskal-Wallis.

6. Modelos para problemas de ciências de dados (Model). Aprendizagem supervisionada. Regressão: linear, não linear. Classificação: KNN, Árvores de Decisão, Random Forests, Regressão Logística, SVM. Aprendizagem não supervisionada. Clustering: K-means, Clustering Hierárquico, DBSCAN. Redução de Dimensionalidade.

7. Avaliação de modelos e interpretação de resultados (Interpret). Métricas de performance. Regressão: MAE, MSE, RMSE, RAE, RSE, R2. Classificação: Matriz de Confusão, Precisão, Sensibilidade (Recall), Especificidade, F1-Score, AUC (Curvas ROC). Tradução de resultados técnicos. Storytelling de dados para apoio à decisão executiva.

No que diz respeito à avaliação estão previstos os seguintes métodos:

1. Avaliação Periódica

Classificação Final = testes (10/20) + trabalhos (10/20) 

a) cada um dos componentes de avaliação possui uma classificação mínima de 45%, sem arredondamento, para que seja obtida aprovação na unidade curricular;

b) a realização dos trabalhos envolve a entrega de relatórios sobre os temas em estudo através da plataforma de gestão académica (Inforestudante), e a sua respetiva defesa;

c) a realização das diferentes avaliações (e.g. testes, defesas dos trabalhos) depende da inscrição prévia através da plataforma de gestão académica.

2. Avaliação por Exame (época normal, época de recurso, época especial)

Classificação Final = exame (10/20) + trabalhos (10/20)

a) cada um dos componentes de avaliação possui uma classificação mínima de 45%, sem arredondamento, para que seja obtida aprovação na unidade curricular;

b) a realização dos trabalhos envolve a entrega de relatórios sobre os temas em estudo através da plataforma de gestão académica (Inforestudante), e a sua respetiva defesa;

c) a realização das diferentes avaliações (e.g. exame, defesas dos trabalhos) depende da inscrição prévia através da plataforma de gestão académica.

NAO