Conhecimentos de Base Recomendados
Sistemas de Informação
Bases de Dados Relacionais (mysql,postgres e SQL Server)
Linguagens de programação (python,c,c++,php,asp ou java)
Métodos de Ensino
As aulas teóricas serão direcionadas para a exposição de conteúdos e complementadas com problemas de natureza prática que promovam e suscitem a discussão coletiva.
Nas aulas práticas, serão realizados alguns exercícios focados na implementação de pequenos projetos com base em ferramentas de desenvolvimento, tais como SQL Server, Visual Studio, Excel e PowerBI.
Resultados de Aprendizagem
Conhecimento das técnicas e modelos de implementação de “warehousing”, incluindo a conceção e implementação de aplicações para a extração, transformação e integração de dados.
Desenvolvimento e implementação de aplicações para sistemas de bases de dados multidimensionais.
Possuir conhecimento em alguns aspetos específicos de Sistemas de Informação (SI).
Ser capaz de utilizar diversas tecnologias utilizadas em SI na área de Business Intelligence.
Programa
SCM e CRM.
Metodologias de desenvolvimento de Sistemas de Informação.
Sistemas de Data Warehousing: Introdução ao data warehouse; data warehouse como infra-estrutura informacional de uma organização; ambiente e estrutura funcional de um data warehouse; ciclo de vida e desenvolvimento incremental de um data warehouse. Projecto, implementação e administração de um data warehouse, nas suas vertentes de sistemas de extracção, transporte, transformação e integração de dados.
Ferramentas de modelação.
Sistemas de Processamento Analítico (OLAP): Fundamentos do processamento analítico de dados;
Estruturas de dados para o processamento analítico de dados; optimização e reestruturação dinâmica de cubos; materialização de vistas: perspectiva centralizada e distribuída. Administração de sistemas de gestão de bases de dados multidimensionais.
Criação de pipelines para ETL com Python
Elaboração de projetos de sistemas de bases de dados multidimensionais; definição de critérios de acesso a dados. Utilização de sistemas de processamento analítico.
Elaboração de projetos de sistemas de informação com recurso ao Visual Studio + SQL Server + Excel + PowerBI Desktop + Python
Docente(s) responsável(eis)
Filipe Alexandre Almeida Ningre de SáMétodos de Avaliação
A classificação final da unidade curricular resulta da soma das componentes A + B + C + D, conforme descrito:
- A (10 valores) – Prova escrita correspondente ao exame de época normal, exame de recurso ou exame de época especial.
- B (2 valores) – Entrega e avaliação de, pelo menos, 80% das fichas práticas realizadas em aula. Cada ficha prática apenas poderá ser entregue e avaliada pelo estudante que tenha participado na sessão correspondente em que a mesma foi desenvolvida. Nota: os trabalhadores-estudantes, ou os estudantes em estágio no primeiro semestre, poderão optar entre (i) realizar integralmente a componente B, com as mesmas regras aplicáveis aos restantes estudantes, ou (ii) substituir esta componente por uma questão adicional no exame. Esta opção é exclusiva e irrevogável, devendo ser comunicada obrigatoriamente através da plataforma Inforestudante até à terceira semana de aulas.
- C (3 valores) – Entrega, apresentação e discussão de um tema em aula teórica.
- Nota: os trabalhadores-estudantes, ou os estudantes em estágio, deverão agendar com o docente a apresentação e discussão do trabalho em horário previamente acordado, a realizar antes do exame de época normal.
- D (5 valores) – Entrega, apresentação e defesa de um trabalho prático.
- Nota: os trabalhadores-estudantes, ou os estudantes em estágio, deverão agendar com o docente a apresentação e discussão do trabalho em horário previamente acordado, a realizar antes do exame de época normal.
Observações
As componentes B, C e D terão apenas um momento de entrega, a definir nos respetivos enunciados.
As componentes B, C e D são consideradas para qualquer uma das épocas de avaliação, não sendo suscetíveis de repetição.
Estágio(s)
NAO
Bibliografia
Attobrah, M. (2024). ETL Pipeline. In Essential Data Analytics, Data Science, and AI: A Practical Guide for a Data-Driven World (pp. 27-46). Berkeley, CA: Apress.
Pandey, B. K., & Schoof, E. R. (2023). Building ETL pipelines with Python. Packt Publishing.
Ramos, I., & Santos, M. Y. (2017). Business Intelligence: Da Informação ao Conhecimento (3ª ed.). FCA.
Kimball, R., & Ross, M. (2002). The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling (2nd ed.). Wiley Computer Publishing.
Inmon, W. H. (2005). Building the Data Warehouse (4th ed.).
Magalhães, A. (2017). Business Intelligence no SQL Server. FC.
Laudon, K., Laudon, J., (2019), Management Information Systems (12ª ed.), Pearson. Cota 1A-13-64
Han, J., Kamber, M., (2006), Data Mining: Concepts and Techniques, Morgan Kaufman. Cota 1A-19-11, 1A-19-20
Kimball, R., & Caserta, J. (2004). The Data Warehouse ETL Toolkit: Practical Techniques for Extracting, Cleaning, Conforming and Delivering Data. Wiley Technology Publishing.
Allington, M. , (2018), Supercharge PowerBI, (1st ed), Kindle