Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Marketing

Departamento / Department

Departamento de Marketing, Operações e Gestão Geral

Ano letivo / Execution Year

2020/2021

Pré-requisitos / Pre-Requisites

·

Objetivos Gerais / Objectives

Pretende-se que os alunos, no final da unidade curricular, conheçam as principais técnicas de análise de dados não estruturados (text mining) e a sua aplicação à gestão com recurso ao estudo de casos reais e utilização de ferramentas aplicadas. Pretende-se ainda que os alunos desenvolvam e apliquem modelos de análise de informação em redes sociais para apoiar a tomada de decisão.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

No final do período curricular desta UC, o aluno deverá: OA1. Identificar e aplicar os conceitos e as tecnologias associadas à área de texto não estruturado e análise de redes sociais com vista a implementar soluções que possam auxiliar a tomada de decisão em contexto de gestão. OA2. Aplicar técnicas de text mining para melhor compreender e gerir problemas de negócio. OA3. Desenvolver a capacidade de estudo, de pesquisa pessoal e de comunicação em Text Mining.

Conteúdos Programáticos / Syllabus

CP1. Introdução ao Text Mining. CP2. Tokenization, Criação de Dicionários e Preparação do Corpus. CP3. Métodos de Agrupamento de Documentos e Termos. CP4. Aplicação de Casos de Agrupamento de Documentos e Termos à Gestão. CP5. Modelos de Classificação em Texto. CP6. Aplicação de Casos de Classificação de Texto Aplicados à Gestão. CP7. Análise de Sentimentos. CP8. Aplicação de Casos de Análise de Sentimentos à Gestão.

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes

Esta demonstração de coerência decorre da interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA), como a seguir se explicita: CP1 -> OA 1,3 CP2 -> OA 1,3 CP3 -> OA 1,3 CP4 -> OA 2,3 CP5 -> OA 1,3 CP6 -> OA 2,3 CP7 -> OA 1,3 CP8 -> OA 2,3

Avaliação / Assessment

1) Avaliação contínua: a) Teste individual (50%). (OA 1, 3). b) Trabalho de grupo (40%). (OA 1, 2, 3). c) Participação em aula (10%). Aprovação: a) mín. 7,5 valores em cada uma das provas; b) classificação final mín. 10 valores; e, c) assiduidade mínima de 2/3 das aulas. 2) Avaliação por exame (1ª época): teste escrito (100%), com classificação mínima 10 valores. 3) Avaliação por exame (2ª época): teste escrito (100%) com classificação mínima 10 valores. Escala: 0-20 valores.

Metodologias de Ensino / Teaching methodologies

Serão utilizadas as seguintes metodologias de ensino-aprendizagem (ME): ME1. Expositivas, para apresentação dos quadros teóricos de referência. ME2. Participativas, com análise de artigos científicos. ME3. Ativas, com realização de trabalho de grupo ME4. Experimentais, em laboratório, com desenvolvimento e exploração de "modelos" em computador ME5. Auto-estudo, relacionado com o trabalho autónomo (TA) do aluno, tal como consta no Planeamento das Aulas.

Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes

Ao longo do período letivo, o aluno deverá adquirir e/ou desenvolver competências de análise e interpretação, assim como de comunicação escrita e oral. As principais ligações entre as metodologias de ensino-aprendizagem e os respetivos objetivos são apresentados de seguida: ME1 -> OA 1, 2, 3 ME2 -> OA 2, 3 ME3 -> OA 2, 3 ME4 -> OA 2, 3 ME5 -> OA 1, 2, 3

Observações / Observations

Devido à atual situação provocada pela COVID-19, o processo de avaliação poderá sofrer algumas adaptações, que serão comunicadas oportunamente, caso tal venha a ser necessário.

Bibliografia Principal / Main Bibliography

Struhl, S. (2015). Practical Text Analytics: Interpreting Text and Unstructured Data for Business Intelligence (Marketing Science Series). Kogan Page. Artigos científicos indicados pelo docente. Folhas de apoio às aulas elaboradas pelo docente.

Bibliografia Secundária / Secondary Bibliography

Weiss, Indurkhya, Zhang, Damerau (2005). Text Mining: Predictive Methods for Analyzing Unstructured Information. Springer Srivastava, A.N. and Sahami, M. (2009). Text Mining: Classification, Clustering, and Applications. Chapman & Hall/CRC. Feldman, R. and James Sanger, J. (2006). The Text Mining Handbookx\: Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press.

Data da última atualização / Last Update Date

2024-02-16