Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Marketing

Departamento / Department

Ano letivo / Execution Year

2026/2027

Pré-requisitos / Pre-Requisites

Objetivos Gerais / Objectives

Apresentar aos estudantes as principais definições e aplicações dos sistemas analíticos no Marketing. Os estudantes deverão saber aplicar os principais modelos de marketing analítico e interpretar os seus resultados de forma a criar valor para as organizações.

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

OA1. Identificar e descrever os conceitos inerentes às técnicas de data mining e text mining mais utilizadas no Marketing para análise de grandes quantidades de informação. OA2. Aplicar e analisar modelos de data mining para o desenho de projetos de Marketing Analytics de segmentação, aquisição, desenvolvimento e retenção de clientes. OA3. Aplicar e analisar modelos de text mining e análise de sentimentos para obtenção de padrões em e-WOM.

Conteúdos Programáticos / Syllabus

CP1. Introdução ao Data Mining e Text Mining e suas aplicações ao Marketing CP2. Modelos de Clustering para Segmentação de Clientes CP3. Modelos Preditivos de Aquisição e Retenção de Clientes (churn) CP4. Web Analytics: A aplicação de text mining e análise de sentimentos à análise de padrões online de e-WOM.

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

Esta "demonstração de coerência" decorre da interligação dos nove conteúdos programáticos (I a IX) com os três objetivos de aprendizagem (OA1, OA2 e OA3) como a seguir se explicita: - OA 1 - (I, VIII e IX); - OA 2 - (II, III, IV e V); - OA 3 - (VI e VII).

Avaliação / Assessment

'Sem prejuízo do estrito cumprimento do regulamento do programa, a avaliação contínua exige a presença mínima em 60% das aulas e inclui a realização de: - Um trabalho, que poderá ser de grupo, com a ponderação de 50%; - Uma prova individual, com a ponderação de 50% e uma nota mínima de 10 valores. Alternativamente o exame final, à semelhança da 2ª época, representará 100% da nota final obtida, desconsiderando a componente de avaliação contínua.

Metodologias de Ensino / Teaching methodologies

Todas as aulas são teórico-práticas. Serão utilizadas as seguintes metodologias de ensino-aprendizagem (ME): ME1. Expositivas, para apresentação dos quadros teóricos de referência. ME2. Ativas, com realização de trabalho de grupo ME3. Experimentais, em laboratório, com desenvolvimento e exploração de "modelos" em computador ME4. Auto-estudo, relacionado com o trabalho autónomo (TA) do estudante, 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

As metodologias de ensino-aprendizagem visam o desenvolvimento das principais competências de aprendizagem dos estudantes que permitam cumprir com cada um dos objetivos de aprendizagem, pelo que, na grelha a seguir, apresentam-se as principais interligações entre as metodologias de ensino-aprendizagem e os respetivos objetivos. ME1 -> OA 1, 2, 3 ME2 -> OA 2, 3 ME3 -> OA 2, 3 ME4 -> OA 1, 2, 3

Observações / Observations

Bibliografia Principal / Main Bibliography

'Folhas de apoio às aulas elaboradas pelo docente Artigos científicos indicados pelo docente Palmatier, R.; Peterson, J.A. and Germann, F. (2022). Marketing Analytics: based on first principles. Mc Graw Hill Hwang, Y.H. (2019). Hands-On Data Science for Marketing: Improve your Marketing Strategies with Machine Learning using Python and R. Packt Publishing Ldt. UK

Bibliografia Secundária / Secondary Bibliography

'Hair, J.; Harrisson, D.; and Ajjan, H. (2024). Essentials of Marketing Analytics. McGraw Hill Grigsby, M. (2018). Marketing Analytics: A Practical Guide to Improving Consumer Insights Using Data Techniques. Kogan Page Publishers. Berry, M.J.A. and Linoff, G.S.. (2011). Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management. Indianapolis: Wiley

Data da última atualização / Last Update Date

2026-07-27