Ementa:

Dados são centrais na economia contemporânea digital, já que sua captura, limpeza, exploração e modelagem levam a uma compreensão mais profunda dos comportamentos, sentimentos e interações que têm os consumidores de produtos e serviços distribuídos nas aplicações online e móveis. A aplicação de novas rotinas tecnológicas em ciência de dados para análise das informações digitais passa pela compreensão de que big data é hoje o grande vetor de competitividade e transformação digital de companhias nos mais variados setores de conhecimento e atuação. Apesar de cada vez mais presente, a cultura de tomada de decisões a partir da análise de grandes bases de dados enfrenta desafios que passam pela formação profissional interdisciplinar focada em habilidades e competências em ferramentas para analytics que não sejam somente técnicas, mas também voltadas ao uso ético, transparente e eficiente da informação.

Objetivo Geral:

Discutir como tomar decisões a partir da análise de dados reconhecendo os principais conceitos e técnicas do universo do big data e do analytics.

Objetivos Específicos:

• Identificar competências e habilidades profissionais que compõem hoje o profissional de dados e seus cenários de atuação;

• Compreender a relevância do uso ético, transparente e eficiente da informação digital para empresas e consumidores;

• Explorar conceitos, métodos e técnicas para desenvolvimento, monitoramento e manutenção de sistemas de análise de big data. 

Conteúdo Programático:

1) Letramento de Dados

• Data Science e ciclo de vida dos dados

• Big data para o processo de tomada de decisão

• Formação de profissionais hábeis em dados

2) Governança de Dados

• Uso ético da informação e suas implicações

• Qualidade dos dados: taxonomias e ontologias

• Cenários nacionais e internacionais sobre regulações e normas

3) Narrativa guiada por Dados

• Dados, narrativa e visual: os elementos do data storytelling

• Estratégias para a estrutura narrativa em dados

• Dados e persuasão

4) Dashboards: desenvolvimento, monitoramento e manutenção

• Usos e funções de dashboards 

• A hegemonia do Python em data analytics

• Tableau, Power BI, Looker como ferramentas low-code

Metodologia / Estratégias de ensino-aprendizagem

• Aula expositiva

Avaliação

Questionário de múltipla escolha e/ou exercícios práticos

Bibliografia

1.  AGUILAR, Audilio Gonzalez et al. Visualização de dados, informação e conhecimento. Florianópolis: Editora UFSC, 2017.

2. BOLDOSOVA, Valeriia. Telling stories that sell: The role of storytelling and big data analytics in smart service sales. Industrial Marketing Management, v. 86, p. 122-134, 2020.

3. CUI, Ying et al. Data literacy assessments: a systematic literature review. Assessment in Education: Principles, Policy & Practice, v. 30, n. 1, p. 76-96, 2023.

4. DYKES, Brent. Effective data storytelling: how to drive change with data, narrative and visuals. John Wiley & Sons, 2019.

5. FLORIDI, Luciano. The ethics of information. Oxford University Press, 2013.

6. LUND, Brady D. The Art of (Data) Storytelling. The International Journal of Information, Diversity, & Inclusion, v. 6, n. 1/2, p. 31-41, 2022.

7. POTHIER, Wendy Girven; CONDON, Patricia B. Towards data literacy competencies: Business students, workforce needs, and the role of the librarian. Journal of Business & Finance Librarianship, v. 25, n. 3-4, p. 123-146, 2020.

8. TABLEAU. www.tableau.com, 2023. Core Capabilities of Data-Driven Organizations. Disponível em: <https://help.tableau.com/current/blueprint/en-us/bp_core_capabilities_of_data_driven.htm>

9. TABLEAU. www.tableau.com, 2023. Tableau Visual Guide Book. Disponível em: < https://www.tableau.com/visual-guidebook-flowingdata#form>

10. WEDEL, Michel; KANNAN, P. K. Marketing analytics for data-rich environments. Journal of marketing, v. 80, n. 6, p. 97-121, 2016.