Sample 6BDT20151

MBA em Big Data (Data Science)

MBA em Big Data (Data Science)
Tratamento das Incertezas e
Competição Analítica
Aulas 1 e 2
Prof. Nivaldo Tadeu Marcusso
tadmar@uol.com.br
Versão 3.0 – 03/2015

MBA em Big Data (Data Science) 3
• 50 anos, formado em Engenharia Eletrônica, MBA em Conhecimento, Tecnologia e Inovação pela FIA/USP e
Pós-MBA em Gestão avançada pela FIA / USP, Membro da Wharton Fellows.
• Certificação Executiva em Estratégia e Inovação pela MIT Sloan e Especialização em: Gestão Estratégica de TI
(SUIT) pela Universidade de Stanford, Estratégia e Serviços de TI (DIS) pela Universidade de Harvard, Gestão
Internacional pela Universidade Euromed de Marseille/FEA-USP e Gestão de Conhecimento pela
Universidade de Lyon e FEA/USP.
• Professor de Pós-Graduação Lato Sensu (cursos MBA) em Estratégia, Inovação, Gestão do Conhecimento,
Tecnologia da Informação e Educação a distância pela UNISAL, USP, FIA, FIAP, FATEC e e palestrante em
conferências nacionais e internacionais de TI, Inovação, Tecnologia Educacional e Educação à distância.
• Eleito em 2010, 2009, 2008, 2007, CIO do ano no segmento de educação no Brasil, pela HITEC, revista
Computerworld e 1º lugar entre os CIOs, das 100+ Empresas Inovadoras em TI na categoria de serviços
diversos, pela revista Information Week.
• Experiência de negociação e liderança no desenvolvimento de parcerias internacionais com empresas e
Universidades, para a transferência de tecnologias aplicadas a educação e banking, tendo visitado mais de
15 países nos últimos 13 anos, como os EUA, China, Inglaterra, França, Alemanha, Irlanda, Tunísia, Espanha,
Chile entre outros.
• Membro de Comunidades, Associações e Sociedades focadas em gestão da tecnologia, da estratégia, da
inovação e da educação a distância, como o ISPIM (Noruega), IBGC, Praxis (Brasil), ABED (Brasil), e-learning
Brasil, Educause (EUA), FIRST (EUA) e BDRA (Inglaterra).
• Coautor e coordenador da coleção “Tecnologia e Educação”, com os livros eletrônicos (eBooks): Tecnologia e
Aprendizagem e a Tecnologia transformando a Educação.
• Experiência de mais de 25 anos na gestão da TI, EAD, planejamento estratégico, Inovação, RH, Finanças em
empresas como Digilab, Fundação Bradesco, Bradesco, Anhembi Morumbi.
• Atualmente além de Professor da USP, FIA, FDC, FIPE, FIAP, UNISAL e FATEC, além de Consultor da FIA
(Tecnologia Educacional e EAD) , FDC (Processos de Negócios) , 4Strategis (Planejamento Estratégico,
Modelagem de Negócios e Inovação) e da MARCX (TI, e-Learning e Mobile Learning).

Objetivos do curso (20h):
– Apresentar os conceitos básicos do processo de tomada da decisão com inteligência
analítica, para redução das incertezas.
– Apresentar e aplicar conceitos de inteligência analítica para suporte a decisão
– Apresentar e aplicar conceitos de física social para identificar o comportamento dos
clientes na identificação da proposição de valor.
– Conhecer como Big Data pode contribuir na formulação da estratégia e melhoria da
competitividade das empresas.
– Aplicar o framework para suportar o processo de tomada de decisão no lançamento de
novos produtos e serviços.
– Conhecer e aplicar a ferramenta Mindmanager para elaboração de mapas conceituais na
aplicação da inteligência analítica e competitiva.
Tratamento das Incertezas e Competição
Analítica

Analítica
– Aula 1: Estratégia, competitividade e o Big Data
– Aula 2: Informação, incerteza e os processos e
metodologias para suporte a decisão
– Aula 3: Inteligência Analítica e tecnológica na
competitividade
– Aula 4: Plataforma de Comportamento e a Física Social
– Aula 5: Estudos de casos da tomada de decisão no contexto
do Big Data.

Agenda das Aulas:
– Aula 1: 28/02/15 - M
– Aula 2: 28/02/15 - T
– Aula 3: 23/03/15
– Aula 4: 25/03/15
– Aula 5: 30/03/15
Analítica

• Avaliação final:
– Projeto: Desenvolver uma pesquisa de mercado para
lançamento de um produto ou serviço através da análise do Big
Data, utilizando uma das metodologias de inteligência analítica
apresentada no curso. O projeto de ve ser elaborado na a
ferramenta de mapas mentais Mindmanager, de acordo com o
template entregue.
• Grupo: até 5 alunos
• Peso: 80%
– Lista de exercícios de arvores de decisão:
• Grupo: até 5 alunos
• Peso: 20%
Analítica

Template do Projeto final

Contato
• Email: tadmar@uol.com.br
• Fone: 19-991706619
• Linkedin: http://www.linkedin.com/in/marcniv
– Delta Model
– Praxis – Tecnologia Educacional
– Social Media: Banking, Education and Marketing
– Coursera (MOOC)
• Blog: www.nmarcusso.blogspot.com
• Twitter: twitter.com/nmarc
• Facebook: nmarcusso
• Slideshare: http://www.slideshare.net/marcniv

Bibliografia Básica

Bibliografia Complementar
1. Davenport T.H., and Patil D.J. Data scientist: the sexiest job of the 21st century. Harv Bus Rev, Oct 2012.
2. Hays C. L. What they know about you. N Y Times, Nov. 14, 2004.
3. Brynjolfsson E., Hitt L.M., and Kim H.H. Strength in numbers: How does data-driven decision making
affect firm performance? Working paper, 2011. SSRN working paper. Available at SSRN:
http://ssrn.com/abstract=1819486.
4. Tambe P. Big data know-how and business value. Working paper, NYU Stern School of Business, NY,
New York, 2012.
5. Fusfeld A. The digital 100: the world's most valuable startups. Bus Insider. Sep. 23, 2010.
6. Shah S., Horne A., and Capellá J. Good data won't guarantee good decisions. Harv Bus Rev, Apr 2012.
7. Wirth, R., and Hipp, J. CRISP-DM: Towards a standard process model for data mining. In Proceedings of
the 4th International Conference on the Practical Applications of Knowledge Discovery and Data Mining,
2000, pp. 29–39.
8. Forsythe, Diana E. The construction of work in artificial intelligence. Science, Technology & Human
Values, 18(4), 1993, pp. 460–479.
9. Hill, S., Provost, F., and Volinsky, C. Network-based marketing: Identifying likely adopters via consumer
networks. Statistical Science, 21(2), 2006, pp. 256–276.
10. Martens D. and Provost F. Pseudo-social network targeting from consumer transaction data. Working
paper, CEDER-11-05, Stern School of Business, 2011. Available at SSRN:
http://ssrn.com/abstract=1934670.

Bibliografia Complementar
11. Martino, J. Technological forecasting for decision making. New York:
Elsevier Science Publishing Company, 1983.
12. Amara, R.; Salanik, G. Forecasting: from conjectural art toward science.
Technological Forecasting and Social Change, New York, v.3 n.3 p.415-426,
1972.
13. Salles-Filho, Sérgio L.M. (Coord.); BONACELLI, Maria Beatriz M.;
MELLO, Débora Luz. Instrumentos de apoio à definição de políticas em
biotecnologia. Brasília: MCT; Rio de Janeiro: FINEP, 2001

Tratamento das Incertezas e Competição Analítica
– Aula 1: Estratégia, competitividade e o Big Data
– Aula 2: Informação, incerteza e os processos e
metodologias para suporte a decisão
– Aula 3: Inteligência Analítica e tecnológica na
competitividade
– Aula 4: Plataforma de Comportamento e a Física Social
– Aula 5: Estudos de casos da tomada de decisão no contexto
do Big Data.

Big Data: Bolha ou Revolução
1

Big Data

Meu problema de big data exige uma solução
de big data?
• Big data, um pouco de cada vez
– Em geral, as organizações optam por implementar uma
solução de big data de forma incremental.
– Nem todos os requisitos de análise e relatório exigem uma
solução de big data.
– Para projetos que realizam processamento paralelo em um
grande conjunto de dados ou relatórios ad hoc com base
em várias fontes de dados, uma solução de big data pode
não ser necessária.

Big Data e os Negócios
• Com o advento das tecnologias de big data, as organizações estão se
perguntando: "Big data é a solução certa para o problema do meu
negócio ou proporciona uma oportunidade de negócios?" Existem
oportunidades de negócios escondidas no big data?
– Que tipo de insight e de valor de negócios é possível caso eu use
tecnologias de big data?
– É possível aumentar meu armazém de dados atual?
– Como avaliar o custo da expansão do ambiente atual ou da adoção de
uma nova solução?
– Qual é o impacto na atual governança de TI?
– É possível implementar de forma incremental uma solução de big data?
– Quais aptidões específicas são necessárias para entender e analisar os
requisitos para criar e manter uma solução de big data?
– Existem dados corporativos que poderiam ser usados para proporcionar
insight de negócios?
– A complexidade dos dados oriundos de diversas fontes está
aumentando. Uma solução de big data pode ajudar?

TELECOM
CELULARES
MÍDIAS
SOCIAIS
SENSORES
TRANSAÇÕES
2.5 EXABYTES/DIA
Fontes de Dados
21

Histórico
• Data Mining
• Big Data
• Data Science

Big Data: Motivação

Volume
Velocidade
Veracidade
Variedade
Big Data: conceitos
• 5v’s do Big Data
• Grande
escala
• Gigabytes ->
Terabytes ->
Petabytes
• Dados
gerados
rapidamente
• Tempo real
• Sensores
• Diferentes
formas
• Estruturado
• Não
estruturado
• Texto
• Multimídia
• Incerteza
• Imprecisão
• 5 V´s? Valor
• 5 V´s? Valor

Sample 6BDT20151

Mais conteúdo relacionado

Mais procurados

Destaque

Semelhante a Sample 6BDT20151

Sample 6BDT20151