Ficha Unidade Curricular (FUC)

Informação Geral / General Information


Código :
04292
Acrónimo :
FBA
Ciclo :
2.º ciclo
Línguas de Ensino :
Português (pt)
Língua(s) amigável(eis) :
Inglês

Carga Horária / Course Load


Semestre :
1
Créditos ECTS :
6.0
Aula Teórica (T) :
0.0h/sem
Aula Teórico-Prática (TP) :
3.0h/sem
Aula Prática e Laboratorial (PL) :
21.0h/sem
Trabalho de Campo (TC) :
0.0h/sem
Seminario (S) :
0.0h/sem
Estágio (E) :
0.0h/sem
Orientação Tutorial (OT) :
1.0h/sem
Outras (O) :
0.0h/sem
Horas de Contacto :
25.0h/sem
Trabalho Autónomo :
125.0
Horas de Trabalho Total :
150.0h/sem

Área científica / Scientific area


Estatística e Análise de Dados

Departamento / Department


Departamento de Métodos Quantitativos para Gestão e Economia

Ano letivo / Execution Year


2025/2026

Pré-requisitos / Pre-Requisites


O aluno deve possuir conhecimentos básicos de estatística e computação. Será necessário o aluno possuir computador com software Power BI Desktop instalado (Windows).

Objetivos Gerais / Objectives


O principal objetivo desta unidade curricular é apresentar aos alunos as potencialidades da tomada de decisão em organizações com base em grandes conjuntos de dados e na sua análise no contexto de business analytics. Pretende-se ainda promover a compreensão dos dados com base na visualização e na apresentação de relatórios objetivos e estratégicos.

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


OA1. No final da UC, cada estudante deverá ter adquirido as competências necessárias a entender como usar big data e efetuar análise de dados para superar a concorrência das empresas tradicionais nos seus setores. OA2. Deve ainda ser capaz de definir e implementar relatórios analíticos e dashboards, considerando processos básicos de ETL, modelação analítica avançada e visualização eficaz de dados. OA3. Por fim, cada estudante deverá desenvolver aptidões sociais (soft skills), nomeadamente trabalho de equipa e colaboração, comunicação, pensamento crítico e ágil.

Conteúdos Programáticos / Syllabus


P1. Tomada de decisão baseada em dados. P2. Tipos de Analytics. P3. Tratamento, modelação e visualização de dados. P4. Apresentação / comunicação eficaz; capacidade de explicar modelos analíticos complexos e resultados. P5. Plataforma de Analytics Power BI.

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


OA1. Os conteúdos programáticos teóricos encontram-se associados ao OA1, que refere cada estudante deverá ter adquirido as competências necessárias a entender como usar big data e efetuar análise de dados para superar a concorrência das empresas tradicionais nos seus setores. OA2. Os conteúdos programáticos práticos encontram-se associados ao OA2, que refere cada estudante deverá ser capaz de definir e implementar relatórios analíticos e dashboards, considerando processos básicos de ETL, modelação analítica avançada e visualização eficaz de dados. OA3. Os conteúdos programáticos práticos encontram-se igualmente associados ao OA3, que refere cada estudante deverá desenvolver aptidões sociais (soft skills), nomeadamente trabalho de equipa e colaboração, comunicação, pensamento crítico e ágil.

Avaliação / Assessment


Avaliação ao longo do semestre: b) Trabalho individual I - ETL e Modelação Analítica (25%) - OA 1, 2 b) Trabalho individual II – DAX e Visualização de dados (45%) - OA 1, 2, 3 c) Discussão online do trabalho individual I e II (30%) - OA 1, 2, 3 A avaliação exige: a) presença em, pelo menos, 2/3 das aulas, e b) classificação final de 10 valores. Escala: 0-20 valores. A UC não tem exame final dado a sua natureza de projeto aplicado ao longo do semestre com situações reais.

Metodologias de Ensino / Teaching methodologies


São utilizadas as seguintes metodologias de ensino-aprendizagem (ME): ME1. Expositivas, para apresentação dos quadros teóricos de referência; ME2. Participativas, com análise e resolução de exercícios práticos; ME3. Ativas, com realização de trabalhos individuais e de grupo; ME4. Experimentais, em laboratório, com desenvolvimento e exploração de modelos em computador; ME5. Autoestudo, relacionado com o trabalho autónomo 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


Esta UC requer conceitos teóricos, fundamentais para a compreensão dos diferentes conteúdos programáticos, pelo que as aulas teóricas permitem abranger totalmente o OA1 e parcialmente, o OA2. As aulas teórico-práticas permitem a experimentação prática e a aplicação de conhecimentos, o que também implica trabalho autónomo por parte do estudante de forma a atingir alguns dos objetivos do OA2 e OA3.

Observações / Observations


A utilização de ferramentas de Inteligência Artificial (IA) na produção de conteúdos (como o ChatGPT) obriga à indicação dos serviços e das prompts utilizadas para a geração do conteúdo.

Bibliografia Principal / Main Bibliography


Aspin, A., Pro Power BI Desktop: Self-Service Analytics and Data Visualization for the Power User, 2020, 3rd ed. Edition, Apress., Deckler, G. & Powell, B., Microsoft Power BI Cookbook: Convert raw data into business insights with updated techniques, use cases, and best practices, 2024, 3 dn Ed., Packt Publishing. Microsoft, Microsoft Learn Power BI, n.a., Microsoft, https://learn.microsoft.com/en-us/training/powerplatform/power-bi Albright, S. & Winston, W., Business Analytics: Data Analysis & Decision Making, 2019, 7th Edition, South-Western College Pub. Berthold, M.R., Borgelt, C., Höppner, F., Klawonn, F. & Silipo, R., Guide to Intelligent Data Science: How to Intelligently Make Use of Real Data, 2020, 2nd Edition, Springer International Publishing. Knaflic, C. N., Storytelling com dados: um Guia Sobre Visualização de Dados Para Profissionais de Negócios, 2019, Alta Books.

Bibliografia Secundária / Secondary Bibliography


Janicijevic A., Power Query Cookbook, 2021, Packt Publishing. Groot, R. & Korte, M., The Definitive Guide to Power Query (M), 2024, Packt Publishing. Adamson C., Star Schema, 2010, McGraw-Hill Education. Russo M. & Ferrari A., The Definitive Guide to DAX, 2dn Ed., 2019, Microsoft Press. Russo M. & Ferrari A., DAX Patterns, 2dn Ed., SQLBI Corp. Knaflic C., Storytelling with Data, 2015, Wiley. McCandless, D., Knowledge is Beautiful, 2014, William Collins. Bahga, A. & Madisetti, V., Big Data Science & Analytics: A Hands-On Approach, 2016, VPT.

Data da última atualização / Last Update Date


2025-07-08