Bio PPC 2022

PROJETO PEDAGÓGICO
DO CURSO
MBA ONLINE EM BUSINESS

INTELLIGENCE & ANALYTICS
ORGANIZAÇÃO DIDÁTICO-PEDAGÓGICA 3
Projeto Pedagógico do Curso: aspectos gerais 3
Objetivos do Curso 8
Tese de Transformação do Curso 9
Perfil do Egresso 13
Mercado de Trabalho 13
Metodologias Inovadoras 14
Conexão entre os módulos e disciplinas 17
Competências e Ferramentas 18
Matriz Curricular 19
Ementas e Bibliografias 21
Design Experience FIAP 42
Processo de Avaliação 44
REFERÊNCIAS BIBLIOGRÁFICAS 54
PROJETO PEDAGÓGICO DO CURSO MBA EM BUSINESS INTELLIGENCE &
ANALYTICS
ORGANIZAÇÃO DIDÁTICO-PEDAGÓGICA
Projeto Pedagógico do Curso: aspectos gerais
Contexto educacional
O Centro Universitário FIAP é uma Instituição de Ensino Superior

com atuação principal nos eixos de tecnologia, gestão e inovação. Inserido
fisicamente na região com maior densidade tecno-econômica do país, a Região
Metropolitana de São Paulo tem mais de 22 milhões de habitantes 1, e possui
relevância e liderança nacional no desenvolvimento da economia nacional.
A Região concentra a maioria das sedes de empresas brasileiras dos

mais importantes complexos industriais, comerciais e financeiros, o que cria
também grande demanda por profissionais qualificados nas principais áreas de
competências e habilidades da Nova Economia.
Nesta Nova Economia, onde os dados são gerados por todos os lados,
seja nas redes sociais, nas transações efetuadas, nas localizações geográficas,
seja na Internet das Coisas, Web 3.0 e blockchain, é necessário associar
inteligência competitiva com novos recursos analíticos para a organização
continuar vibrante no seu ecossistema. Um olhar para os dados transforma-os
em um novo ativo valioso para as organizações e para a economia como um
todo. São usados dados para criar serviços e produtos para fins econômicos.
Neste campo da economia de dados os negócios já são controlados

por algumas organizações poderosas – as americanas, também conhecidas
como as BigTech, - Alphabet, Amazon, Meta, Apple e Microsoft – e mais as
chinesas - Alibaba e Tencent. Estão organizando, reorganizando e até mesmo
transformando uma série de indústrias.
1IBGE – INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Estimativa da

População 2021. Rio de Janeiro: IBGE, 2021.
3
ANALYTICS
As big techs americanas estão no topo das principais capitalizações e

geradoras de receita, segundo S&P 500 - um índice do desempenho das 500
maiores empresas americanas. As primeiras posições são para Apple,
Microsoft, Amazon, Alphabet, Tesla e Nvidia. O valor de mercado fica em torno
de US$ 8,72 trilhões (R$ 45 trilhões) ao considerar Apple, Microsoft, Amazon,
Alphabet e Meta. Isto representa um valor total maior do que oito vezes o valor
das empresas presentes na bolsa brasileira – aproximadamente 400 empresas
(LAZARINI, 2022). Algumas das empresas tech brasileiras são Totvs, Locaweb,
Méliuz, Magazine Luiza e Banco Inter (KASTNER, 2021).
O que ocorre nas big techs tem reflexo em todas as demais

organizações. Ser uma organização orientada por dados significa usar dados e
análises que resultam em melhores decisões (DAVENPORT et al., 2010). Usar
análises compensa, pois resulta em tomada de decisões melhores e mais
rápidas, aumento de produtividade, redução de custos, redução de riscos, entre
outras melhorias. Para se tornar orientado a dados, são necessários diferentes
conjuntos de habilidades dos colaboradores e requer uma mudança no núcleo
das tarefas cotidianas que devem ser aprendidas junto com o trabalho.
Tecnologias analíticas como Business Intelligence & Analytics

impactam tanto o processo de desenvolvimento de estratégias quanto as
estratégias reais desenvolvidas de várias maneiras, principalmente com a
chegada do big data e seus V 's – variedade, volume, velocidade, variabilidade,
veracidade e valor. A variedade permite maior visibilidade das relações
comerciais e do ambiente de negócios, anteriormente fora do escopo dos
sistemas tradicionais de gestão da informação. Isso sem falar na variedade de
formatos dos dados. O volume permite uma análise mais detalhada da posição
estratégica, maior otimização da cadeia de suprimentos e relacionamento com
o cliente. A velocidade permite feedback mais rápido e oportuno sobre
iniciativas estratégicas como interações mais rápidas com clientes,
fornecedores, funcionários e outras partes interessadas. Assim, o ambiente
analítico deve fornecer alocação e uso eficiente de recursos, estrutura eficiente
de custos operacionais, mudança estratégica mais rápida e entrega de
4
ANALYTICS
resultados, suporte à tomada de decisões em nível operacional, entre outros.
A revolução das tecnologias analíticas também apresenta sérios

desafios organizacionais quanto à forma como as organizações gerenciam
seus talentos de dados geralmente associados à ciência de dados. Além de
reconhecer e nutrir os conjuntos de habilidades apropriados, requer uma
mudança na mentalidade dos gerentes em direção à tomada de decisão
baseada em dados para substituir ou aumentar a intuição e as práticas
anteriores.
Um profissional com habilidade em análise de dados que usa técnicas

para capturar e analisar grande quantidade de dados para tomada de decisão,
é muito procurado pelo mercado. Existe uma enorme lacuna entre a demanda
e a oferta desse profissional, e a demanda continua a aumentar (BARBOSA,
2022).
A pesquisa State of Data Brazil, realizada pela Bain & Company (2021),
em parceria com a Data Hackers, traçou o perfil demográfico dos profissionais
de dados do Brasil: em sua maioria, homens (81,4% dos respondentes) com
idade entre 21 e 40 anos (86,3%); concentrados nas regiões Sul e Sudeste
(79,8%); escolaridade mínima a graduação (85,2%) e têm formação nas áreas
de exatas (78,0%), com ênfase em cursos relacionados a computação (43,8%)
e a engenharias (23,7%).
À medida que a tecnologia se desenvolve cada vez mais rápido, as

empresas precisam se adaptar constantemente e as habilidades dos
profissionais estão mudando rapidamente.
Desde 2017, Moore (2017) afirmava que a maioria das organizações

não tem profissionais de dados suficientes disponíveis de forma consistente em
todo o negócio; mais de 40% das tarefas de ciência de dados seriam
automatizadas até 2020 e; o citzen data scientist se destacará nas
organizações.
Um cidadão cientista de dados é descrito como uma pessoa que cria

ou gera modelos que usam análises avançadas de diagnóstico ou capacidades
5
ANALYTICS
preditivas e prescritivas, mas cuja função de trabalho principal está fora do

campo da estatística e análises. A aprendizagem ao longo da vida (lifelong
learning) torna-se mais importante do que nunca para este perfil.
O curso propõe-se a contribuir com a qualificação dos profissionais da

área de análise de dados, os atuais Citzen Data Scientist, ampliando sua
parcela de participação como agente transformador e reforçando seu
comprometimento, principalmente com a cidade de São Paulo e região
metropolitana, mas expandindo sua atuação dentro e fora do Brasil.
Cenário Futuro
As inovações trazidas pela quarta revolução industrial, Sociedade 5.0 e

tecnologia digital continuarão direcionando a necessidade de profissionais de
TI qualificados que possam usar tecnologias de ponta para resolver problemas
de negócios emergentes.
A quarta onda de tecnologia digital está concentrada na Inteligência

Artificial (IA), na robótica, nas experiências imersivas com realidade virtual (RV)
e aumentada (RA), na biotecnologia e nas neurotecnologias. Todas essas
tecnologias contribuirão significativamente para o crescimento explosivo de
dados. Esta explosão em volume e complexidade dos dados, aumentará o
número das variáveis que influenciam os resultados. Explorar todos os
possíveis padrões e determinar os mais relevantes torna-se quase impossível
de ser realizado manualmente. O profissional analítico tem o poder de
transformar esses dados em informações valiosas para tomada de decisão ou
para obter insights para o negócio, seja ele um citzen data scientist ou analista
de dados.
Uma pesquisa interessante foi realizada pela KPMG entre os CEOs das
principais empresas do mundo. Com base na pesquisa, investimentos
significativos em dados e análises visam três objetivos principais: melhoria do
crescimento dos resultados, transformação dos negócios e envolvimento do
cliente. Com a crescente conscientização sobre a importância da análise entre
6
ANALYTICS
a alta gerência da organização, há uma tremenda oportunidade para as

carreiras em análise crescerem.
O profissional analítico requer uma forte capacidade de resolução de

problemas. Isto inclui a compreensão do problema, aplicar técnicas
quantitativas e qualitativas e elaborar resultados e recomendações para o
problema investigado. Deve-se notar que as habilidades quantitativas e
qualitativas estão relacionadas com matemática, estatística, aprendizado de
máquina, otimização e simulação. Além da visão de resolver o problema, é
importante ter um senso de entrega, observar aspectos de governança de
dados e ser ágil e criativo para contar histórias sobre os dados e os resultados
para os tomadores de decisão.
Várias pesquisas apontam como grande desafio das organizações, 4 em

cada 10, desenvolverão habilidades analíticas nos seus profissionais e estimam
que pelo menos 1,5 milhão de gerentes e analistas serão necessários com
experiência analítica. Segundo o Gartner, um citizen data scientist é a pessoa
que agrega valor ao processo de análise e é capaz de simplificá-lo usando
modelos analíticos para diagnósticos avançados ou com recursos preditivos e
prescritivos.
Alguns autores vislumbram três fases futuras:
A primeira fase, até 2021, se concentrou na intervenção humana nas

análises e consequentes tomada de decisão e ação. A maioria das indústrias
ainda está procurando por realizar análises na maior parte do processo, a fim
de melhorar suas operações.
Na segunda fase da linha do tempo, iniciada em 2022, a maioria das

indústrias se concentrará no uso de Augmented Analytics em suas operações.
Os processos como preparação de dados, integração de dados e a modelagem
de dados será automatizada. No entanto, o trabalho de análise ainda é visto
como um dos trabalhos emergentes e o crescimento do profissional de análise
ainda será forte.
Finalmente, a terceira fase da linha do tempo começará em 2028, e se
7
ANALYTICS
concentrará no uso massivo de plataformas Augmented Analytics. A maioria

das indústrias confiará nestas plataformas de análise para auxiliar na tomada
de decisões. O impacto desta nova abordagem será sentido por várias
indústrias como saúde, educação, telecomunicações, bancos e finanças, bens
de consumo, indústrias, transportes, fabricação e segurança cibernética.
Embora todo o processo de análise possa ser feito automaticamente no
momento oportuno, ainda será necessário a ação humana para verificar o
resultado e fazer alguns ajustes oportunamente. Para vislumbrar este cenário,
basta imaginar as cidades inteligentes, casas inteligentes, hospitais inteligentes
e tudo o mais.
Espera-se que os tipos de conhecimentos necessários às empresas no

novo milênio mudem à medida que essas novas tecnologias são introduzidas
no mercado. Novas habilidades são importantes para sugerir soluções
apropriadas para alguns problemas específicos. Pessoas com essas
habilidades não terão problemas para encontrar trabalho na era da Web 3.0 e
da computação quântica.
Objetivos do Curso
Objetivo geral:
Capacitar o egresso para criar a estrutura de análise de dados na

organização para torná-la data driven, melhorando seu desempenho, medindo
e acompanhando os resultados; para desenvolver modelos analíticos, incluindo
previsão, tendências e cenários futuro; para explorar dados enriquecidos e
obter insights valiosos; para vincular os processos de negócio com os dados
disponíveis para aumentar a efetividade do uso dos dados na tomada de
decisão e ação na organização.
Objetivos específicos:
• Incorporar técnicas, metodologias e processos como suporte para a

área de inteligência de negócios.
8
ANALYTICS
• Preparar os dados para permitir a análise e a sustentação do

processo de tomada de decisão.
• Utilizar e interpretar dados históricos para a identificação de padrões,
tendências e cenários – análise preditiva e prescritiva.
• Utilizar diversas técnicas analíticas, desde a sumarização dos dados
até técnicas complexas de aprendizagem de máquinas.
• Apresentar os dados de forma clara e coesa de acordo com o público
e necessidade de negócio.
• Recomendar formas de melhorar a confiabilidade, qualidade e
segurança de dados aderentes às práticas de Governança de Dados
propostas pelo DAMA (Data Management Association);
• Desenvolver pensamento criativo e agilidade na participação de
projetos.
Tese de Transformação do Curso
O MBA em Business Intelligence e Analytics é composto por cinco fases:

Cultura Data Driven, First steps to analyze, Delighted by data analysis,
Sophisticated analysis e Delivering value.
A fase Cultura Data Driven tem o objetivo de desenvolver os soft skills
dos profissionais analíticos associados as estratégias da empresa, as decisões
conduzidas por dados, foco no cliente e análises visuais exploratórias dos
dados. Para isto, existem as disciplinas Business Strategy, Customer Centric
Strategy, Data-Driven Decision Making e Self Service Analytics.
A disciplina Business Strategy aborda ferramentas de planejamento
estratégico, OKR - Objetivos e Resultados-chave e planejamento por cenários.
A disciplina Customer Centric Strategy traz as boas práticas
associadas ao Design Thinking, com validação de ideias e feedback de
usuários, além da criação de personas e suas jornadas – CX Analytics.
Exercícios e dinâmicas são realizados para reforçar os objetivos da disciplina.
9
ANALYTICS
A disciplina Data Driven Decision Making aborda métricas e sistemas

de avaliação, interpretação de resultados e aplicações de modelos, e
ferramentas para tomada de decisões.
A disciplina Self Service Analytics introduz os conceitos associados à
linguagem visual, seus elementos e recursos introdutórios para a construção
visual de diferentes tipos. Exemplos práticos são desenvolvidos com a
ferramenta MS Power BI e/ou Tableau.
A fase First steps to analyze tem como objetivo detalhar as camadas
lógicas e físicas da arquitetura de dados para tomada de decisão, desde a
camada de fonte de dados até a camada de entrega dos resultados analíticos,
passando por ferramentas necessárias em cada camada e as análises
descritivas e preditivas. Para isto, são disponibilizadas as disciplinas Enterprise
Analytics Architecture, Advanced Data Modeling, Analytics Tools e Descriptive
& Predictive Analytics.
A disciplina Enterprise Analytics Architecture apresenta a arquitetura
de dados para tomada de decisão, contemplando tanto os ambientes
tradicionais com DW e camada de visualização até os ambientes big data, no
qual o volume, a velocidade e a variedade devem ser contemplados. É
construído um projeto arquitetural para uma organização real.
A disciplina Advanced Data Modeling apresenta os tradicionais
modelos relacional e dimensional e incorpora as novas formas de modelar os
dados não estruturados, com documentos e grafos mais alinhados com os
bancos NoSQL. Exemplos práticos são desenvolvidos com visões distintas
associadas a situações reais.
A disciplina Analytics Tools introduz dois ambientes líderes de mercado
para análise de dados: Studio R e Python. Estas duas ferramentas serão
utilizadas por outras disciplinas no decorrer do curso, tendo assim o objetivo de
uniformizar o conhecimento dos ambientes, bibliotecas e uso.
A disciplina Descriptive & Predictive Analytics visa apresentar e
praticar a análise descritiva – o que aconteceu – e a análise preditiva – o que
acontecerá – com o uso da estatística e suas técnicas como: para detecção de
outliers e anomalias, para regressão linear simples e múltipla e multivariada,
10
ANALYTICS
para análises de séries temporais e Forecasting. A ferramenta utilizada nos

exercícios e práticas é Studio R.
A fase Delighted by data analysis apresenta os conceitos associados
à cultura data driven com foco especial em produto. Aspectos de qualidade e
segurança de dados são destacados, visualizações sofisticadas são
construídas e as análises prescritivas são exploradas. As disciplinas presentes
são Analytical Product Development, Data Governance & Data Stewardship,
Data Visualization & Data Art e Data Mining & Prescriptive Analytics.
A disciplina Analytical Product Development demonstra e aplica o uso
das análises de dados na construção e/ou alteração de produtos ou serviços
na organização. Todo ciclo de vida do produto ou serviço é monitorado por
análises.
A disciplina Data Governance & Data Stewardship promove aspectos
importantes da governança como qualidade, rastreabilidade de dados e Master
Data Management (MDM); Lei Geral de Proteção de Dados (LGPD) e
Segurança.
A disciplina Data Visualization & Data Art apresenta a teoria Gestalt
com sua estrutura, lógica e padrões e aplica-a na percepção e organização
visual dos dashboards. Novos elementos como dados geolocalizados e mapas
de calor são desenvolvidos. Exemplos práticos são desenvolvidos com a
ferramenta MS Power BI e/ou Tableau.
A disciplina Data Mining & Prescriptive Analytics traz a mineração de
dados e análise prescritiva – o que eu posso fazer. Dentre as principais técnicas
abordadas estão o processo de descoberta de dados (KDD), os algoritmos para
classificação - supervisionada e não supervisionada, classificação, estimação,
previsão, agrupamento e associação. As principais ferramentas são Studio R e
Python.
A fase Sophisticated analysis traz como os diferentes tipos de análise
– descritiva, diagnóstica, preditiva e prescritiva – podem levar a um insight e
como pode-se contar uma história a partir deles. Outros dois fundamentos são
apresentados para ingestão de dados e construção de projetos ágeis. As
11
ANALYTICS
disciplinas são Data Storytelling, Graphs Analytics, Data Ingestion e Agile

Analytical Project.
A disciplina Data Storytelling unirá todos os conhecimentos vindos de
storytelling com o significado obtido dos dados – os insights. Os alunos são
desafiados a construírem histórias e não somente dashboards.
A disciplina Graphs Analytics tem como objetivo mostrar o poder
analítico presente na teoria dos grafos, principalmente para detecção de
centralidade e sistemas de recomendações – análises prescritivas. A
ferramenta utilizada nos exercícios é Python e/ou Studio R ou Neo4j.
A disciplina Data Ingestion define e estabelece todas as atividades
necessárias para controle do fluxo de dados e/ou ETL (Extração,
Transformação e Carga) em tempo real ou batch. Apresenta e desenvolve
exercícios práticos com alguma das tecnologias ponta de mercado como Alterix
ou ODI (Oracle Data Integrator).
A disciplina Agile Analytical Project destaca os métodos ágeis e suas
etapas. Enfatiza conceitos como tribo, squads e gestão de equipes e
estabelece dinâmicas para fortalecê-los.
A fase Delivering value traz o profissional analítico para o mundo de
augmented analytics. Um mundo no qual as ferramentas ajudam os citzen data
scientist a construírem soluções analíticas mais rapidamente. As disciplinas
são: Augmented Analytics, Analytics Models, Cloud based analytics e Creative
Thinking.
A disciplina Augmented Analytics apresenta como cada vez mais as
ferramentas analíticas realizarão automaticamente muitas das atividades
trabalhosas na preparação e análise dos dados. Destaca principalmente o uso
de simulação e prototipação.
A disciplina Analytics Models destaca os passos necessários para a
construção de um modelo analítico; e apresenta modelos já existentes como
previsão churn de clientes e detecção e prevenção de fraudes.
A disciplina Cloud based analytics traz as soluções de análise
presentes nos provedores de soluções na nuvem abordando data analytics as
a service, insights as a service e as arquiteturas e tecnologias envolvidas.
12
ANALYTICS
A disciplina Creative Thinking aborda como a criatividade pode ser

desenvolvida com práticas lúdicas desenvolvidas em grupo para incentivar a
colaboração e a experimentação. Os alunos construirão projetos criativos.
A fase Startup One possui a disciplina Empreendedorismo e Inovação.
As fases ocorrem em sequência e as disciplinas são distribuídas numa
jornada de aprendizado provocando o desenvolvimento das soft-skills em
paralelo com as hard-skills, numa crescente de conhecimentos técnicos
necessários para serem aplicados em soluções analíticas cada vez mais
complexas.
Perfil do Egresso
O egresso será capaz de realizar Análise de Dados em suas diversas

fontes corporativas, criar modelos analíticos, explorar e visualizar dados, aplicar
técnicas de estatística, Inteligência Artificial e Machine Learning, participar na
elaboração da arquitetura de dados para tomada de decisão, elaborar projetos
analíticos e destacar aspectos importantes em sua operacionalização.
Poderá exercer as seguintes funções no mundo corporativo:
• Cientista de dados cidadão (Citizen Data Science).
• Analista de Negócios.
• Analista de Business Intelligence.
• Líder e Coordenador de Equipe de Analytics.
• Gerente de Analytics.
Mercado de Trabalho
Segundo pesquisas da Verified Market Research2, o mercado de

Business Intelligence & Analytics foi avaliado em US$ 26,08 bilhões em 2019 e
está projetado para atingir US$54,76 bilhões até 2027.
2 https://www.verifiedmarketresearch.com/product/business-intelligence-and-analytics-market/
13
ANALYTICS
O relatório Jobs of Tomorrow: Mapping Opportunity in the New

Economy3 construído por New Metrics CoLab e Fórum Econômico Mundial
destaca que a adoção de novas tecnologias junto a tendências globais mostra
uma demanda mista de habilidades digitais e humanas para o futuro do
trabalho, com carreiras surgindo em áreas diversas e organizadas em sete
grupos principais. Para o grupo de Dados e Inteligência Artificial enumera
especialista em Inteligência Artificial, cientista de dados, engenheiro de dados,
desenvolvedor de big data; analista de dados, especialista em Analytics,
consultor de dados, analista de insights, desenvolvedor de Business
Intelligence e consultor de Analytics.
Metodologias Inovadoras
Todos os cursos do MBA On são entregues por meio de uma jornada

composta por 5 fases.
A concepção da jornada é inspirada em PBL (Project Based Learning)
que é uma metodologia ativa onde problemas reais são a base do processo de
aprendizagem, por isso, a composição das fases nasce da junção de disciplinas
da grade curricular do curso que demonstram sinergia entre si, proporcionando
ao nosso aluno a aplicação direta dos conteúdos apresentados. Cada fase
reúne arcabouço teórico e um conjunto de ferramentas para resolução de
problemas que são/serão vivenciados pelos nossos alunos em sua vida
profissional real, equilibrando soft e hard skills necessários para formar líderes
protagonistas do futuro.
Os conteúdos entregues via plataforma são criados exclusivamente para
os alunos do MBA On e para que atendam todos os requisitos necessários
(atualização, informação relevante de mercado, base teórica consistente e uso
de linguagem e forma amigáveis), um time de especialistas participa desde a
concepção da ideia até a revisão final.
3 https://www3.weforum.org/docs/WEF_Jobs_of_Tomorrow_2020.pdf
14
ANALYTICS
• Coordenador de curso – identificação da necessidade do conteúdo

e definição da ementa e busca de profissionais no mercado.
• Conteudista – responsável pela escrita dos materiais equilibrando
base teórica sólida e cases de mercado.
• Professores especialistas – gravação de vídeos em formatos que
variam de acordo com o perfil de consumo da persona do curso: vídeo aula,
podcast, talks (TED), painéis de discussão, etc.
• Profissionais de mercado – gravação de vídeos com a visão das
empresas em formatos de cases.
Todo projeto de criação de conteúdo é acompanhado e validado pelo
coordenador de curso que conta com o apoio do time de professores
(mentores) de cada curso. Por isso, é tão importante que além de formação
acadêmica, nosso time acadêmico tenha experiência de mercado também.
A partir do desenho da persona do curso e da geração de indicadores
que monitoram os acessos aos mais variados formatos de conteúdo,
conseguimos desenhar uma experiência de consumo personalizada para cada
um de nossos MBAs ON (no momento da produção do conteúdo). Atualmente
contamos com 4 formatos que podem ser combinados entre si: HTML, vídeo,
áudio e PDF.
Os quatro formatos se complementam e trazem ênfases
diversificadas. Para os cursos com maior enfoque em business temos aulas
com aplicações práticas para formatação de modelos/estratégias de negócio e
também cases para fornecer benchmarking aos nossos alunos. A ideia é que
eles aprendam com profissionais que já erraram e acertaram na prática, e hoje
são referências no mercado.
Já em nossos cursos técnicos, a ênfase está no hands on. Mostramos
como fazer, fazendo.
Os podcasts geralmente são utilizados para trazer informações
relevantes do mercado discutindo boas práticas e experiência de carreira.
Para os alunos que ainda preferem estudar de maneira mais tradicional,
temos também o formato PDF que organiza o conteúdo através dos textos e
imagens, formando uma apostila que pode ser baixada e acessada off-line.
15
ANALYTICS
Existem ainda cursos em que percebemos uma maior apreciação dos

alunos, por exemplo, por vídeos em detrimento à leitura de textos, nesses
casos, o número de páginas diminui, e o total de horas de vídeo aumentam.
Hoje, além de todo o conteúdo digital, entregamos aproximadamente 80
horas de aulas ao vivo nas 5 fases e no Startup One.
As aulas apresentam formatos diferentes que vão desde aulas de
experimentação focadas em hands on, dinâmicas e aplicação de conteúdos,
bate-papos com profissionais de mercado até mentorias com especialistas das
empresas parceiras. Todas as aulas são gravadas e disponibilizadas na
plataforma para consumo, caso o aluno não tenha conseguido participar ao
vivo.
O Solution Sprint é adotado nas fases 1 a 4 dos cursos como forma de
avaliação e experimentação de conteúdo. Nesse formato, convidamos uma
empresa parceira para trazer uma dor que será a base do desafio entregue ao
aluno, para que ele explorando o conteúdo da fase, crie soluções. Durante o
processo de criação de soluções, os alunos recebem mentoria das empresas
nas aulas ao vivo agendadas e a validação dessa solução com visão de
mercado é feita pelas empresas por meio de pitches ou teste de entregáveis no
caso dos cursos mais técnicos (validação técnica de aplicações, modelos
analíticos, microsserviços, cloud, etc).
Por meio dessa metodologia, a retenção e aplicação de conceitos por
parte de aluno é avaliada pelo nosso time acadêmico e a validação das
soluções pelo mercado é fornecida pelos nossos parceiros em forma de
feedback ao vivo proporcionando ao aluno a experiência e segurança
necessária para que ele realmente replique as soluções no seu cotidiano
profissional.
Na fase 5 o aluno já possui conhecimento e maturidade suficiente para
atuar em desafios mais complexos e é aí que entram os challenges, que
reúnem os conteúdos do curso todo.
Por serem mais complexos e exigirem uma dedicação maior do aluno,
além de ser o fechamento da experiência do curso, as empresas parceiras e a
FIAP oferecem premiação para os melhores projetos.
16
ANALYTICS
A escolha dos melhores projetos é realizada pelos parceiros e a

avaliação acadêmica é realizada pelo nosso time. Assim, garantirmos que
nosso aluno foi munido de base teórica consistente e desenvolveu
competências em resolução de problemas. Com isso, pretendemos que ele se
torne um profissional capaz de analisar novos cenários e entregar soluções,
sendo protagonista da sua carreira.
É importante ressaltar que para o público de MBA, a avaliação precisa
ser parte do processo de aprendizado para entregar conhecimento ao aluno
valorizando o tempo investido por ele na jornada do curso.
Dentro do portfólio do MBA ON temos cursos com públicos bem
diferentes, que demandam não só formatos diferentes de conteúdo, mas
também dinâmicas avaliativas e experiências customizadas.
Como variação dos challenges de final de curso atualmente temos os
hackathons, CTFs (Capture de Flag) e os Datathons.
Durante todo o curso, nossos alunos contam com mentorias que podem
ser agendadas sob demanda com nossos professores especialistas, além do
contato direto via Slack com o time de professores e coordenador do curso,
disponíveis sempre que precisarem.
Diante dos diversos formatos de conteúdo e interações que oferecemos
nos MBAs ON, nosso aluno pode escolher a forma que mais se adequada ao
seu perfil para se conectar com professores, colegas e profissionais de
mercado, criando sua própria rotina de estudos, no seu ritmo e dentro das suas
necessidades.
Conexão entre os fases e disciplinas
As fases ocorrem em sequência e as disciplinas são distribuídas numa

jornada de aprendizado buscando-se atingir os objetivos das fases no decorrer
de todo o curso.
Para promover a integração da turma e já despertar o pensamento
criativo, conceitos importantes a serem reforçados e complementados nas
disciplinas Customer Centric Strategy e Business Strategy. Para a
17
ANALYTICS
representação final da análise quando de forma visual encontra facilidade nas

ferramentas denominadas self service, e para isto, vem a disciplina Self Service
Analytics. Na sequência as disciplinas com os fundamentos para as demais
disciplinas: Enterprise Analytics Architecture e Analytics Tools. Seguindo as
necessidades de representação de uma visão 360º dos clientes e/ou produtos,
vem a disciplina Advanced Data Modeling, Data Ingestion e Analytical Product
Development.
Muitas técnicas podem ser aplicadas sobre os dados nas conhecidas
análise descritiva, diagnóstica, preditiva e prescritiva, assim na sequência e
uma sendo pré-requisito da outra, vem as disciplinas: Descriptive & Prescriptive
Analytics, Data Mining & Prescriptive Analytics, Graphs Analytics, Augmented
Analytics e Cloud Analytics.
Iniciando o conhecimento analítico, nada como explorar modelos já
construídos como de fraude e churn de clientes em ferramentas analíticas -
disciplina Analytics Models. Dados contam histórias, afinal, vários modelos e
técnicas foram utilizados no seu entendimento. Sendo assim, nada como
aprender isto com Data Storytelling e Data Visualization & Data Art. Na reta
final, os profissionais analíticos preocupam-se com governança de dados, com
a condução de projetos ágeis e com a entrega de seus projetos - Data
Governance & Data Stewardship; e Agile Analytical.
Competências e Ferramentas
Para desenvolver seu pensamento analítico é preciso aprender e/ou

aprimorar técnicas associadas à detecção de anomalias, análise de séries
temporais, classificação, previsão, associação e regressão presentes na
estatística, mineração de dados, aprendizado de máquinas e Inteligência
Artificial. Mas de nada adianta ter um insight e não souber apresentá-lo. Então,
aspectos importantes na arte da visualização de dados também são
apresentados, como Data Storytelling e Self Service Analytics. Para sustentar
tudo isto, precisa compreender os fundamentos da arquitetura analítica: visão,
integração e entrega. As habilidades técnicas – hard skills – estão associadas,
18
ANALYTICS
além do conhecimento das técnicas mencionadas acima, com o conhecimento

de ferramentas como Studio R, Python, MS Power BI, Rapid Miner, Tableau e
soluções na cloud, bem como associá-las às camadas da arquitetura de dados.
Dentre as habilidades ou competências que envolvem interação entre as
pessoas participantes dos projetos complexos e dinâmicos do nosso mundo
digital (soft skills), destacam-se as relacionadas na American Management
Association, com os 4 Cs (Criatividade, Colaboração, Comunicação e o
pensamento Crítico) e podemos somar a adaptabilidade tão necessária para
adequar mudanças necessárias.
Matriz Curricular
MATRIZ CURRICULAR
Introdução ao curso 4h
Creative Thinking 16h
Agile Analytical Project 16h
Data Governance & Data Stewardship 16h
Advanced Data Modeling 20h
Customer Centric Strategy 16h
Analytical Product Development 16h
Analytics Models 16h
Business Strategy 16h
Enterprise Analytics Architecture 20h
Data Ingestion 20h
Analytics Tools 20h
Descriptive & Predictive Analytics 20h
Graphs Analytics 16h
19
ANALYTICS
Data Mining & Prescriptive Analytics 20h
Augmented Analytics 16h
Cloud Analytics 16h
Data Storytelling 16h
Self Service Analytics 16h
Data Visualization & Data Art 20h
Empreendedorismo e Inovação 20h
Processamento de Aprendizagem 4h
CARGA HORÁRIA TOTAL DO CURSO 360h
20
ANALYTICS
Ementas e Bibliografias
Disciplina Introdução ao curso
Ementa
Apresentar o curso (Welcome Class) e Dinâmica de Integração.
Bibliografia Básica
N.A.
Bibliografia Complementar
N.A.
Disciplina Creative Thinking
Ementa
Promover habilidades pessoais para o engenheiro de dados rapidamente se inserir

no cenário de transformação digital provocada pelos dados.
Desenvolver aptidão para lidar com problemas complexos e ampliar sua visão
periférica.
Aplicar técnicas para sistematizar criatividade, colaboração e experimentação.
Realizar exemplo aplicado num projeto corporativo.
21
ANALYTICS
MONTEIRO JR, JOÃO G. Criatividade e inovação. São Paulo, Brasil: Pearson,

2011.
REIS JUNIOR, DALCIO ROBERTO DOS. A Criatividade nas organizações. São

Paulo, Brasil: Intersaberes, 2021.
Disciplina Agile Analytical Project
Ementa
Conceituar com os alunos uma visão macro do que é uma gestão de projetos no
modelo PMI com foco no PmBok, porém buscando inovação e trazendo o conceito
dos métodos ágeis, dando condições para aplicarem essas boas práticas ao seu
dia a dia de trabalho, utilizando-se das boas práticas de ambos os modelos.
Métodos ágeis e suas etapas. Definição e aplicação dos conceitos: tribo, squads e
gestão de equipes.
SCHWABER, Ken. Agile Project Management with Scrum. Estados Unidos:

Microsoft Press, 2004.
SURJAN, Jakov Trofo; STELUTTI, Danilo; FONSECA; OLIVEIRA, José Fabio

Saraiva; FONSECA, Douglas Henrique da. Sistema de gestão de projetos
baseado na metodologia àgil scrum. Brasil: 2011
CRUZ, Fábio. Scrum e Agile em Projetos - 2ª edição. Brasil: Brasport, 2018.
22
ANALYTICS
COHN, Mike. Agile Estimating and Planning. Londres: Pearson Education, 2006.
EVANS, E. Domain-Driven Design: Tackling Complexity in the Heart of Software.

Estados Unidos: Addison-Wesley Professional, 2003.
FOWLER, M. Refactoring: Improving the Design of Existing Code. Estados

Unidos: Addison-Wesley Professional, 1999.
SCHWABER, Ken. The Enterprise and Scrum. Estados Unidos: Microsoft Press,
2007.
WILLIAMS, L; KESSLER, R. Pair Programming Illuminated Londres: Pearson,

1990.
Disciplina Governança de Dados & Data Stewardship
Ementa
Frameworks de Governança de Dados; A disponibilização, integração e

rastreabilidade dos dados corporativos; Qualidade e Master Data Management;
Metadados corporativo.
DAMA DMBOK®. DAMA International Guide to Data Management Body of
23
ANALYTICS
Knowledge. Disponível em: http://dama.org. 2021. Acesso em: 13 jul. 2022.
RÊGO, B. G. Simplificando a governança de dados: governe os dados de

forma objetiva e inovadora. Rio de Janeiro: Brasport, 2020.
FREITAS, D. P. P. Proteção e governança de dados. Curitiba: Contentus, 2020.
WEILL, P; W. ROSS, J. - Governança de TI Tecnologia da informação. São

Paulo: M. Books, 2006.
GUERRA, Sandra. A caixa-preta da governança. Rio de Janeiro: Best Business,

2017.
MATOS, D. O Que é Linhagem de Dados (Data Lineage)? 2018. Disponível em:

http://www.cienciaedados.com/o-que-e-linhagem-de-dados-data-lineage. Acesso
em: 27 jul. 2022.
Disciplina Advanced Data Modeling
Ementa
Apresentar a modelagem de dados estruturados sob o modelo relacional e o

modelo dimensional, suas características e aplicações. Os modelos de chave e
valor/colunar, modelo documento e modelo de grafos são estudados por suas
características e aplicações. Os tipos de modelagens são comparados e
analisados, permitindo ao aluno a compreensão da aplicação de cada tipo em uma
arquitetura de dados.
24
ANALYTICS
ELMASRI, R.; NAVATHE, S. B. Sistemas de Banco de dados, 7.ed. São Paulo:

Pearson Universidades, 2018.
GRAVES, M. Projeto de Banco de Dados com XML. Londres: Pearson, 2003.
KATSOV, Ilya. NoSQL Data Modelling Techniques. 2012. Disponível em:

http://highlyscalable.wordpress.com/2012/03/01/nosql-data-modeling-techniques/
Acesso em: 27 jul. 2022.
MEDEIROS, L.F. Bancos de dados: princípios e práticas, Curitiba, PR:

Intersaberes, 2016.
MILANI, Fábio Rogério. Apostila Banco de Dados 1. 2017. Disponível em:

https://pt.scribd.com/doc/37452635/48/Quinta-Forma-Normal-%E2%80%93-5FN
TAURION, Cezar. Big Data. São Paulo: Brasport, 2015.
Disciplina Customer Centric Strategy
Ementa
Design Thinking - desenvolver a aptidão para lidar com problemas complexos e

ampliar sua visão periférica. Melhorar a experiência do cliente. Validar ideias
através do feedback dos usuários. Refinar ideias a partir da compreensão do
negócio; Realizar exemplo aplicado num projeto corporativo.
Validar ideias e feedback de usuários. Construir Personas: elementos,
segmentação e listening.
25
ANALYTICS
EVANS, Eric. Domain-driven design. New York: Addison Wesley, 2003.
KNAPP, Jake. Sprint How to solve Big Problems and Test New Ideas in Just 5
days. New York: Simon + Schuster Inc, 2016.
MELLO, Cleyson. NETO, José. Petrillo, Regina. Para Compreender o Design

Thinking. Rio de Janeiro: Editora Processo, 2021.
COUTINHO, A.; POYATOS, H.; e MENDES, M. Inove com Design Thinking. São
Paulo: FIAP, 2016.
KOTLER, Philip; KARTAJAYA, Hermawan; SETIAWAN, Iwan. Marketing 3.0: as

forças que estão definindo o novo marketing centrado no ser humano. 3º.
reimpressão. Rio de Janeiro: Elsevier, 2010.
REVELLA, Adele. Buyer personas: how to gain insight into your consumer
expectations, align your marketing strategies and win more business. 1. ed.
Seattle: Wiley, 2015.
Disciplina Analytical Product Development
Ementa
Reconhecimento e criação de oportunidades a partir da análise de dados para

obter insights no desenvolvimento de novos produtos.
Definição das etapas no desenvolvimento de novos produtos: cocriação, projeto e
26
ANALYTICS
engenharia; prototipação, simulação e teste.
AKCOK, T. Data Driven Product Management. 2017. Disponível em:

https://towardsdatascience.com/data-driven-product-management-by-taner-akcok-
ffd421cfa8d3 Acesso em: 27 jul. 2022.
CHAN H.K.; WANG; X.; LACKA, E.; ZHANG, M. A mixed-method approach to

extracting the value of social media data. 2015. Production and Operations
Management. Disponível em:
https://www.researchgate.net/publication/275718299_A_Mixed-
Method_Approach_to_Extracting_the_Value_of_Social_Media_Data. Acesso em:
27 jul. 2022.
JOSHI, A., KANSUPADA H. Predictive Analytics: Accelerating & Enriching

Product Development. 2018. Disponível em:
https://www.cognizant.com/whitepapers/predictive-analytics-accelerating-and-
enriching-product-development-codex3007.pdf Acesso em: 27 jul. 2022.
THE DEMING INSTITUTE, Deming Quotes. 2020. Disponível em:

https://deming.org/quotes/?_sft_quote_authors=deming-w-
edwards&_sft_books=the-essential-deming Acesso em: 27 jul. 2022.
UKIS, V. Article Series: Data-Driven Decision Making. 2020. Disponível em:

https://www.infoq.com/articles/data-driven-decision-making-article-series/ Acesso
em: 27 jul. 2022.
VELARDE, O. 19 Innovative Ways to Use Information Visualization Across a

Variety of Fields. 2019. Disponível em: https://visme.co/blog/information-
visualization/ Acesso em: 27 jul. 2022.
SILVA, Sergio Luis da; DANIEL, Jugend. Inovação e Desenvolvimento de

Produtos. Rio de Janeiro: LTC, 2013.
27
ANALYTICS
WARD, Allen C. Sistema Lean de Desenvolvimento de Produtos e Processos. São

Paulo: Editora Leopardo, 2010.
Disciplina Analytics Models
Ementa
Desenvolver os conceitos de preparação e trabalhos com dados e informações

para a geração de competitividade organizacional. Estabelecer as etapas dos
projetos analíticos passando pela escolha dos conjuntos de dados, sumarização,
exploração – algoritmos e técnicas, investigação e entrega. Aprender como
escolher a abordagem correta dentre a ampla variedade de opções na presentes
nos Frameworks Analíticos e Notebooks.
KING, Timothy. Data Management Solutions Review. 2018. Disponível em:

https://solutionsreview.com/data-management/the-4-best-big-data-pro
cessing-software-tools-to-consider/. Acesso em: 27 jul. 2022.
MOORE, S.D.; MCCABE, G.P.; DUCKWORTH, W.M.; SCLOVE, S.S. Estatística

Empresarial: como usar dados para tomar decisões. Tradução: Luis Antonio
Forjado. Rio de Janeiro: LTC, 2006.
LARSON, R.; FARBER, B. Estatística Aplicada - 4ª edição. São Paulo: Pearson

Universidades, 2009.
28
ANALYTICS
BROWN, J. O. How is an analytical model like a wild salmon? 2019. Disponível

em: https://blogs.sas.com/content/hiddeninsights/2019/02/11/how-is-an-analytical-
model-like-a-wild-salmon/ Acesso em: 27 jul. 2022.
MUSKAN G. How to Choose Evaluation Metrics for Classification Models.

2020. Disponível em: https://www.analyticsvidhya.com/blog/2020/10/how-to-
choose-evaluation-metrics-for-classification-model/ Acesso em: 27 jul. 2022.
RAPIDMINER. About RapidMiner Go. 2022. Disponível em:

<https://docs.rapidminer.com/latest/go/overview/>. Acesso em: 27 jul. 2022.
SAS. Enterprise Miner. Disponível em: <http://www.sas.com>. Acesso em: 27 jul.

2022.
Disciplina Enterprise Analytics Architecture
Ementa
Arquitetura de Dados Estruturados (Relacional) e Não Estruturados (NoSQL).

Roadmap de Implantação do Data Warehouse e Evolução para Big Data.
Arquitetura do Data Lake. Fundamentos arquiteturais: camadas, tecnologias e
ferramentas.
The Open Group. TOGAF Version 9.2: The Open Group Architecture Framework
(TOGAF). 2021. Disponível em: https://www.opengroup.org/togaf. Acesso em: 27
jul. 2022
29
ANALYTICS
TOGAF Versão 9.1. Um guia de bolso. Van Haren Publishing, 2013.
FOWLER, Martin. NoSQL. Um Guia Conciso para o Mundo Emergente da

Persitência Poliglota. São Paulo: Novatec, 2015.
COUGO, Paulo. Modelagem conceitual e projeto de bancos de dados. Rio de

Janeiro: Campus, 2009.
CHAN, Betty. Análise de dados: modelagem multivariada para tomada de

decisões. Rio de Janeiro: Campus, 2009.
KIMBALL, Ralph. Dimensional Modeling Techniques. Kimball Group, 2003.

Disponível em: https://www.kimballgroup.com/data-warehouse-business-
intelligence-resources/kimball-techniques/dimensional-modeling-techniques/.
LNĚNIČKA, M., MÁCHOVÁ, R., KOMÁRKOVÁ, J., ČERMÁKOVÁ, I. Components

of Big Data Analytics for Strategic Management of Enterprise Architecture.
2017. Disponível em: https://dk.upce.cz/handle/10195/69527 Acesso em: 27 jul.
2022.
PATHAK, S., KRISHNASWAMY, V., SHARMA, M. Big data analytics capabilities:

a novel integrated fitness framework based on a tool-based content analysis,
2021, Enterprise Information Systems, DOI: 10.1080/17517575.2021.1939427.
SADALAGE, Pramod J.; FOWLER, Martin. NOSQL Essencial, São Paulo:

Novatec, 2013.
SHENOY. Aravind. Hadoop Explained. Califórnia, EUA: CreateSpace, 2014.
SRINIVAS, S., GILL, A. Q., ROACH, T. Analytics-Enabled Adaptive Business

Architecture Modeling. 2020. Disponível em:
30
ANALYTICS
https://opus.cloud.lib.uts.edu.au/bitstream/10453/146179/2/4046-13792-4-PB.pdf
Disciplina Data Ingestion
Ementa
Discutir os diferentes modelos de integração de dados em lote e em tempo real.

Dados estruturados e não estruturados. SGBDs, NoSQLs, Big Data, Fast Data,
ETL, Ingestão de Dados e APIs. Aprender técnicas e ferramentas associadas.
FOWLER, Martin; SADALAGE, Pramod J. NoSQL Um Guia Conciso para o

Mundo Emergente da Persitência Poliglota. 1 ed. Brasil: Novatec, 2015.
KIMBALL, Ralph. The Data Warehouse ETL Toolkit. Practical Techniques for
Extracting, Cleaning, Conforming, and Delivering Data. 1 ed. EUA: Wiley, 2004.
KIMBALL, Ralph; ROSS, Margy. The Data Warehouse Toolkit/The Complete

Guide to Dimensiond Modeling. 2. ed. EUA: Wiley, 2002.
MARQUESONE, Rosangela. Big Data/Técnicas e tecnologias para extração de

valor dos dados. 1. ed. Brasil: Casa do Código, 2017.
PROVOST, Foster; FAWCETT, Tom. Data Science para Negócios. 1. ed. Brasil:
Alta Books, 2016.
31
ANALYTICS
Disciplina Business Strategy
Ementa
Planejar cenários e recursos para entrega dos projetos analíticos.

Técnicas para garantir a sustentabilidade operacional.
Definir a estrutura organizacional, perfis e habilidades envolvidos desde a área de
negócio até o acompanhamento dos resultados em produção.
SETHUPATHY, G. The age of analytics: Competing in a datadriven world.

2016. Disponível em: http://www.mckinsey.com/business-functions/mckinsey-
analytics/our-insights/the-age-of-analytics-competing-in-a-data-driven-world.
COVEY, Stephen R. The 7 habits of highly effective people. New York City:
Simon & Schuster Paperbacks, 2013.
CHAN KIM, W.; MAUBORGNE, Renée. A estratégia do oceano azul.

Cambridge: El Servier, 2005.
Disciplina Analytics Tools
Ementa
Introdução ao Processo CRISP-DM. Preparação e Compreensão dos Dados.

Estrutura da Linguagem R. Estruturas de Controle em R. Criação de Funções.
32
ANALYTICS
Funções Estatísticas. Funções Gráficas. Python e suas bibliotecas.
FAWCETT, T; PROVOST, F. Data Science para Negócios. Rio de Janeiro: Alta

Books, 2016.
FOREMAN, J. W. Usando Data Science para Transformar Informação em

Insight. Rio de Janeiro: Alta Books, 2016.
TEETOR, Paul. R Cookbook: Proven Recipes for Data Analysis, Statistics and
Graphics. Estados Unidos: O'Reilly Media; 2011.
Disciplina Descriptive & Predictive Analytics
Ementa
Apresentar as técnicas estatísticas univariadas e suas utilizações práticas.

Desenvolver o aprendizado de técnicas descritivas, séries temporais e regressões
lineares simples e múltiplas.
Detectar Outliers & Anomalias.
Aplicar as técnicas usando R Studio.
BUSSAB, W.O.; MORETTIN, P. A. Estatística Básica. 5. ed. São Paulo: Saraiva,
33
ANALYTICS
2006
LARSON, R.; FARBER, B. Estatística Aplicada. Tradução: Cyro Patarra, 2. ed.,

São Paulo: Atual, 2007.
HAIR, J.F.; ANDERSON, R.E.; TATHAN, R.L.; BLACK, W.C. Análise multivariada
de dados. Porto Alegre, RS: Bookman, 2009.
MINGOTI, S.A. Análise de dados através de métodos de estatística

multivariada. Belo Horizonte: Editora UFMG, 2005.
Disciplina Graphs Analytics
Ementa
Teoria dos grafos

Centralidade: grau, proximidade e intermediação
Sistemas para recomendação
CHERAMANGALATH, U., NASRE R., SRIKANT Y.N. Graph Analytics

Frameworks. 2020. Disponível em: https://link.springer.com/chapter/10.1007/978-
3-030-41886-1_4#citeas Acesso em: 27 jul. 2022
SPRINGER, Cham. ZHANG Y., KIRIANSKY V., MENDIS C., AMARASINGHE S.,
ZAHARIA M. Making caches work for graph analytics Big Data, 2017
Disponível em https://arxiv.org/pdf/1608.01362.pdf. Acesso em: 27 jul. 2022.
34
ANALYTICS
WAKABAYASHI, Y. 2007. Euler e as Origens da Teoria dos Grafos. Disponível

em: https://www.ime.usp.br/~yw/2016/grafinhos/aulas/Euler-yw-usp-2007.pdf.
SIMÕES-PEREIRA, J.M.S. GRAFOS E REDES - Teoria e Algoritmos Básicos.

Rio de Janeiro: Editora Interciência, 2014.
NETTO, Paulo Oswaldo Boaventura; JURKIEWICZ, Samuel. Grafos: Introdução

e prática. São Paulo: Editora Blucher, 2009.
Disciplina Data Mining & Prescriptive Analytics
Ementa
Conceitos básicos e metodologias para extrair conhecimentos de grandes bases

de dados (KDD). Técnicas estatísticas de análise de dados como: Classificação,
Estimação, Previsão, Agrupamento, Associação e Regressão.
Proporcionar o conhecimento necessário para reconhecer as técnicas
Supervisionas e Não Supervisionadas. Análise de Cluster ou Conglomerado
(Segmentação). Regras de Decisão. Modelagem preditiva de Churn/Attrition. Credit
Scoring. Detecção de Fraude. Explorar os conceitos de análise de dados através
de estudos de casos
FAWCETT, Tom; PROVOST, Foster. Data Science para negócios. Local: Alta
Books, 2016.
FOREMAN, J. W. Usando Data Science para Transformar Informação em
35
ANALYTICS
Insight. Rio de Janeiro: Alta Books, 2016
DEAN, Jared. Big Data, Data Mining, and Machine Learning: Value Creation for
Business Leaders and Practitioners. Nova Jersey, EUA: John Wiley & Sons, 2016.
Disciplina Augmented Analytics
Ementa
Aprender conceitos associados como, Augmented Analytics e como aplicá-los na

preparação de dados, descoberta de dados e experiências automatizadas de
ciência de dados.
Relacionar Inteligência artificial (IA), aprendizado de máquina, mineração de texto,
processamento e processamento de linguagem natural automatizado de dados
para identificar padrões acionáveis e remover o viés dos dados.
Promover simulação e prototipação.
DEAN, J. Big Data, Data Mining, and Machine Learning: Value Creation for
Business Leaders and Practitioners. Hoboken: John Wiley & Sons, 2016.
LUGER, G. Inteligência Artificial. 6. ed. São Paulo: Pearson Education, 2013.
36
ANALYTICS
Disciplina Cloud Analytics
Ementa
Conhecer e implementar modelos analíticos disponíveis como serviço nos

principais provedores de soluções na nuvem.
JUNIOR, Armando Kolbe. Computação em Nuvem. Curitiba: Contentus, 2020.
VERAS, Manoel. Computação em Nuvem Nova Arquitetura de TI. São Paulo:

Brasport, 2015.
BELLO, S. A., et al. Cloud computing in construction industry: Use cases,

benefits and challenges. 2021. Automation in Construction. Vol. 122,
https://doi.org/10.1016/j.autcon.2020.103441.
DRAKE, N., TURNER, B. Best cloud analytics platforms 2022. 2022. Disponível
em: https://www.itproportal.com/guides/best-cloud-analytics-platforms/ Acesso em:
27 jul. 2022.
KING, T. The 25 Best Cloud BI Tools and Analytics Platforms for 2022. 2021.
Disponível em: https://solutionsreview.com/business-intelligence/the-best-cloud-bi-
tools-and-analytics-platforms/ Acesso em: 27 jul. 2022.
TALIA, D. Clouds for Scalable Big Data Analytics. 2013. Computer, vol. 46. 5,
pp. 98-101. https://doi.org/10.1109/MC.2013.162.
37
ANALYTICS
TALIA, D. A view of programming scalable data analysis: from clouds to

exascale. 2019. J Cloud Comp 8, 4. Disponível em:
https://doi.org/10.1186/s13677-019-0127-x Acesso em: 27 jul. 2022.
Disciplina Data Storytelling
Ementa
Aprender técnicas de storytelling para orientar uma narrativa e insights de dados

para um determinado público - contar a história dos dados.
Tratar os dados para inseri-los em um contexto no qual façam sentido.
Orientar sobre como melhorar a percepção sobre o conteúdo.
KNAFLIC, Cole Nussbaumer. Storytelling with data a data visualization guide

for business professionals. EUA: Wiley , 2015.
TAURION, CEZAR. Big Data. São Paulo: São Paulo: Brasport, 2013.
THUDT, A. et al. Exploration and Explanation. In Data-Driven Storytelling. AK

Peters/CRC Press, pp. 77-102, 2018.
38
ANALYTICS
Disciplina Self Service Analytics
Ementa
Aprender os elementos e recursos introdutórios para linguagem visual.

Conhecer diferentes tipos de visualizações.
Construir visualizações iniciais de dados em MS Power BI ou MS Excel
BARBIERI, Carlos. BI2- Business Intelligence Modelagem & Qualidade. Rio de

Janeiro, Elsevier, 2011.
FILHO, Trajano Leme. BI Business Intelligence no Excel. Rio de Janeiro: Nova

Terra, 2010.
Disciplina Data Visualization & Data Art
Ementa
Aprender métodos e conceitos para visualização de dados.

Construir dashboards.
Conhecer a Teoria Gestalt: estrutura, lógica e padrões.
Estabelecer um processo analítico visual.
Utilizar os recursos em uma das ferramentas do mercado: Tableau, MicroStrategy
e/ou SAS.
STEPHEN, C. Data Visualization for Human Perception. 2009. Disponível em:
39
ANALYTICS
https://www.interaction-design.org/literature/book/the-encyclopedia-of-human-
computer-interaction-2nd-ed/data-visualization-for-human-perception Acesso em:
27 jul. 2022.
MENEZES, Nilo Ney Coutinho. Introdução à programação com Python

Algoritmos e lógica de programação para iniciantes. São Paulo: Novatec,
2021.
BARBIERI, Carlos. BI2- Business Intelligence Modelagem & Qualidade. Rio de

Janeiro, Elsevier, 2011.
FILHO, Trajano Leme. BI Business Intelligence no Excel. Rio de Janeiro: Nova

Terra, 2010.
MURRAY, Dan. Tableau Your Data! Fast and Easy Visual Analysis with
Tableau Software. Wiley: 2013
STEELE, Julie; ILIINSKY, Noah. Beautiful Visualization: Looking at Data

through the Eyes of Experts. Estados Unidos: O'Reilly Media, 2010.
Disciplina Empreendedorismo e Inovação
Ementa
Introdução ao empreendedorismo inovador e aos modelos de criação de novas

empresas emergentes. Apresentação de métodos e ferramentas para ideação.
Técnicas e ferramentas de validação de negócios e análise de mercado. Noções
40
ANALYTICS
sobre intraempreendedorismo e modelos internos de inovação. Modelos

empreendedores para criação, testes e evolução de propostas de valor. Modelos e
ferramentas de prototipação de negócios. Noções sobre ecossistemas
empreendedores e de inovação. Técnicas de storytelling e formatação de
apresentações (pitch).
CARVAJAL JÚNIOR, C. J, SANCHEZ, W. M, e outros. Empreendedorismo,

Tecnologia e Inovação. São Paulo, Editora Livrus, 2015.
RIES, E. A startup enxuta: como os empreendedores atuais utilizam a inovação

contínua para criar empresas extremamente bem-sucedidas. São Paulo, Editora
Lua de Papel, 2012.
BESSANT, J. R.; TIDD, J. Inovação e empreendedorismo. Porto Alegre:

Bookman, 2009.
COZZI, A; JUDICE, V; DOLABELA, F. Empreendedorismo de base tecnológica

spin-off: criação de novos negócios a partir de empresas constituídas,
universidades e centros de pesquisa. São Paulo: Elsevier Academic, 2012.
DRUCKER, P. F. Inovação e espírito empreendedor (entrepreneurship): prática

e princípios. São Paulo: Cengage Learning, 2014.
GOVINDARAJAN, V; TRIMBLE, C. Beyond the idea how to execute innovation

in any organization. ST: Martin's Press, 2013.
41
ANALYTICS
OSTERWALDER, A., PIGNEUR, Y. Businnes Model generation: The handbook

for visionaries, game changers, and challengers. New Jersey, Wiley 2010.
Design Experience FIAP
Dividido em quatro pilares: Conteúdo, Formato, Relacionamento e

Conexão Emocional e Estrutura.
No pilar conteúdo, enquanto novidade, serão oferecidos aos alunos

conteúdos atualizados sobre as principais tecnologias presentes nas soluções,
envolvendo análise de dados com destaque para Augmented Analytics, Graphs
Analytics e Data Storytelling. Fundamental ter presente o mundo real e
apresentar os temas futuros. Enquanto tese, as disciplinas já foram planejadas
de acordo com a carga horária e sua ementa e dispostas numa sequência a
garantir a evolução dos conceitos e interdependência entre eles. Enquanto
entrega mínima, é garantida com aprovação previa pelo coordenador do
conteúdo construído, seja no formato texto, vídeos ou podcasts, pelos
conteudistas antes do início de cada disciplina. Enquanto instrumentação, as
aulas práticas com ambientes construídos previamente sejam no laboratório
remoto da FIAP, seja com uso de dockers, máquinas virtuais ou sandbox na
nuvem, garantem a rápida assimilação dos conceitos, permitindo seu uso em
situações reais. Enquanto autoralidade, é garantida a presença de professores
atuantes no mercado de trabalho como mentores com as tecnologias presentes
nas disciplinas ministradas aproximando ainda mais o conceito da prática.
No pilar formato, enquanto PBL/Experiências – todas disciplinas criam

projetos e situações de aplicação ou dinâmicas de aprendizagem. Todas as
tecnologias são praticadas com exemplos reais. Enquanto Design da
Informação, todo conteúdo é disponibilizado em templates padrão da FIAP e
organizam o conteúdo por disciplina e aula. Enquanto Fluxo da Tese, os
professores conteudistas são alinhados quanto os conteúdos predecessores e
sucessores para garantir o sucesso da jornada de aprendizagem, garantindo
42
ANALYTICS
as entregas intermediárias para a próxima fase e suas disciplinas continuarem

com a evolução do conhecimento. E enquanto Peak Experience, os desafios
de cada fase em formato de experiências provocam situações com alta
intensidade e tempo, reduzido para criação de soluções.
No pilar Relacionamento e Conexão Emocional, enquanto Abertura, as

disciplinas: Introdução ao curso, as lives e Creative Thinking promovem
abertamente momentos de conversa transparente e franca com os alunos. E a
qualquer momento, o canal digital ‘Fale com o Coordenador’ e o serviço de
mensagem do MS Teams podem ser acionados para esclarecer dúvidas ou
promover reuniões e encontros com o coordenador e/ou mentor da fase.
Enquanto Feedback Tempestivo, é promovido feedback ao final das lives para
todas as disciplinas, de modo que o professor e o coordenador possam
acompanhar os pontos fortes e fracos de cada conceito e/ou prática realizados
em cada disciplina. Enquanto Empoderamento, são oferecidos nano cursos
opcionais para complementar conceitos e práticas durante o curso, dando ao
aluno o empoderamento de sua jornada de aprendizagem. Enquanto
Comemoração, desafios são propostos e recompensas atribuídas aos grupos,
bem como promoção de apresentação detalhada de trabalhos considerados
“fora da curva”.
No pilar Estrutura, enquanto Mapa Conectivo é construído na aula

Introdução ao curso onde é apresentada a jornada do curso detalhando as
fases e suas disciplinas, e a sequência das fases no decorrer do ano; nas
reuniões com a coordenação e os professores e mentores, em que a jornada é
reforçada e a interdependência das disciplinas abordada; e na construção de
material sobre o curso feito com as equipes internas da FIAP. Enquanto
Encadeamento, é elaborado um calendário criterioso com os pré-requisitos de
cada disciplina, respeitadas e inseridas as experiências no momento adequado.
Enquanto check points, trabalhos para cada fase são entregues e avaliados ao
final de cada uma. Professores garantem comentários sobre a avaliação para
garantir a evolução e qualidade das entregas.
43
ANALYTICS
Processo de Avaliação
O sistema de avaliação é dividido entre atividades a distância (AD) e

atividades presenciais obrigatórias (APO), totalizando 100 pontos. Para
aprovação, o aluno deve alcançar nota superior ou igual a 70 pontos.
As atividades a distância (AD) representam 60 pontos (60%) da nota
final, e são compostas por avaliações dissertativas e práticas, realizadas
individualmente e/ou em grupo, por meio da plataforma FIAP ON. Para o
desenvolvimento de atividades práticas a distância, serão disponibilizadas duas
formas de acesso:
• O aluno utilizar o próprio computador, pois o conteúdo
disponibilizado contém o passo a passo de instalação dos softwares
necessários, e que são gratuitos;
• O aluno utilizar, presencialmente, no horário de sua preferência, as
estruturas de laboratórios da FIAP, que contam com os softwares
necessários para as práticas.
As atividades presenciais obrigatórias (APO) representam 40 pontos

(40%) da nota final e são compostas por avaliação objetivas, projetos e
dinâmicas, pautados na relação prática e teórica, envolvendo todas as
unidades curriculares abordadas até a data do encontro que ocorre ao final do
curso. Sendo assim, tais atividades integram e avaliam todos os conhecimentos
e habilidades das disciplinas apresentadas e, por esta razão, os 40 pontos aqui
mencionados são usados para compor essas disciplinas (quarenta para cada
uma delas).
A respeito das notas finais: caso o aluno obtenha a nota inferior a 70
pontos, estará automaticamente reprovado na disciplina e deverá realizar uma
avaliação substitutiva, de forma a substituir a nota deficitária.
Projeto Integrador – Startup One MBA FIAP ON
O Startup One é integrado aos cursos através da disciplina de

empreendedorismo e inovação, ministrada em todos os cursos de MBA da
44
ANALYTICS
FIAP. Para a modalidade do MBA online (FIAP ON), os conteúdos serão

disponibilizados em 3 fases/períodos distintos do curso, além de encontros
online ao vivo para mentorias individuais e em grupo com intuito de apoiar os
alunos na jornada. O framework da disciplina, composto por seu conteúdo,
materiais e dinâmicas, foram desenvolvidos com a utilização dos conceitos de
Design Thinking e Lean Startup, aplicando conhecimentos específicos de
acordo com a necessidade e respeitando os limites da aplicação de cada
método, dado a carga horária.
A disciplina caracteriza-se pela orientação aos alunos de MBA para
elaborarem, ao longo do curso, um projeto (plano de negócio prático) para a
criação de uma Startup, configurando o trabalho final do curso. Este trabalho
final (ou projeto) substitui o TCC (Trabalho de Conclusão de Curso) e é
entregue ao final do curso, podendo ser executado em grupos de até 4 alunos.
O projeto pode ser inscrito no Startup One – ST1, competição que ocorre
ao final de cada ciclo do MBA FIAP.
Objetivos da disciplina:
• Conceituar os elementos básicos do empreendedorismo;

• Discutir as características principais dos empreendedores, bem
como sua aplicação na criação de startups;
• Capacitar o aluno a entender a jornada de um empreendedor, desde
a identificação e validação do problema, desenvolvimento da
solução, criação e validação do protótipo, análise financeira do
empreendimento e apresentação resumida da solução (pitch).
Estrutura
Os conteúdos dos cursos MBA online são separados em fases, onde
cada uma tem um propósito e direcionamento. Os conteúdos relacionados ao
tema Startup também são apresentados em fases, e que por sua vez, se tornam
disponíveis para os alunos em 3 momentos dentro do curso. São no total 3
fases, 6 capítulos, 6 mentorias em grupo/aula ao vivo, 6 atividades
45
ANALYTICS
intermediárias que não possuem nota e sim apenas feedback, e uma atividade
final (entrega final do Startup One – TCC) organizados da seguinte forma:
STO 1 – Fase 1 do Startup One MBA ON
Conteúdos da fase 1
Capitulo 0 – Welcome to Startup One

Capitulo de instruções iniciais e boas-vindas ao Startup One, modelo
integrado de desenvolvimento do trabalho final dos MBAs da FIAP, é baseado na
metodologia de Project Base Learning e busca a convergência entre as disciplinas,
capacidades e atitudes dos alunos para estimular suas jornadas de aprendizado de
maneira inovadora.
Capítulo 1 – Introdução ao empreendedorismo inovador

Este capítulo trata a evolução das tecnologias exponenciais e o fato de que o
empreendedorismo vem passando por uma transformação social nos últimos anos e
as startups de base tecnológica se tornaram uma opção atraente como alternativa
de investimento e carreira, para empreendedores e até mesmo para grandes
empresas. Por meio de processos bem definidos e estruturados, e somado à
flexibilidade e a um crescimento rápido e contínuo, as startups contribuem
significativamente com o desenvolvimento econômico.
Capítulo 2 – Como nascem as boas ideias

Neste capítulo, serão relatadas histórias de startups bem-sucedidas, o padrão
que encontramos em boas ideias, tipos de análise, cuidados que se deve tomar ao
empreender e entrar em um novo mercado, o que é disfunção e como é a jornada
do empreendedor.
Atividades da fase 1
Atividade 1 – Identificando Oportunidade
46
ANALYTICS
Desafio e objetivo: Dar início ao projeto de startup. Nesta atividade

desafiamos os alunos a buscarem identificação com áreas e segmentos de
mercado para a partir disso identificar problemas e oportunidades deste
segmento. Instruímos os alunos a buscarem pelo menos 3 grandes problemas
para ser base de uma análise futura mais profunda, focada em pesquisa mais
detalhada para compreender o problema na sua essência.
Mentorias em Grupo/Aula ao vivo (online)
Mentoria 1 - Aula inaugural do Startup One
Neste encontro online nos reunimos pela primeira vez com os alunos para
contextualizar sobre o programa Startup One e ajudar nas direções iniciais dos
projetos. Explicamos a jornada do Startup One, as fases e entradas de
conteúdos sobre o tema durante o curso, as dinâmicas das mentorias em
grupo/aulas ao vivo, o apoio dos professores como pontos focais do curso e
agenda de mentorias individuais. Além disso, estruturamos palestras de 15 min
dos professores sobre temas relacionados a problemáticas de diversos
segmentos de mercado para inspirar os alunos e dar dicas de como buscar
problemas de grande escala e alto impacto. Como segunda fase deste
encontro, estimulamos da formação de grupos multidisciplinares entre
diferentes cursos para iniciar a jornada de inovação do Startup One.
Mentoria 2 – Validar problema
Nesta mentoria o professor busca despertar nos alunos a importância da

validação do problema, os desafios existentes nesta fase do negócio e dicas
para não ter análises com vieses que possam gerar riscos para o projeto.
STO 2 – Fase 2 Startup One MBA ON
47
ANALYTICS
Capitulo 3 – Business Canvas
O início de um bom negócio começa com um rascunho do modelo de

negócio. Dado uma ideia levantada, agora é preciso compreender sua
estruturação como negócio. Neste capítulo, o objetivo é compreender a lógica
do Business Model Canvas e aplicá-lo no projeto do Startup One, permitindo
registrar e comunicar decisões do projeto, bem como extrair insights e
hipóteses para validação.
Capítulo 4 – Como testar e evoluir sua ideia de negócio
Neste capítulo, falamos sobre como validar e desenvolver as ideias nos

negócios em empresas e startups sustentáveis, o que é um MVP e quais são as
abordagens e desafios na etapa inicial do empreendedor, sua escala e tração.
Entre estes desafios está o da prototipação.
Atividades
Atividade 2 – Canvas
Desafio e objetivo: A partir da identificação do problema, iniciar o

mapeamento de um modelo de negócio inicial, incluindo formação de equipe e
suas habilidades, definição refinada do problema e do cliente, análise de
tamanho do mercado, análise de concorrente, mapeamento da proposta de
valor através do Canvas Proposta de Valor e modelo de negócio através do
Business Model Canvas.
Atividade 3 – Prototipação
Desafio e objetivo: Efetivamente tirar a ideia da solução do papel, criar um

protótipo conceitual da solução através de ferramentas de prototipação
48
ANALYTICS
apresentadas nos conteúdos na plataforma FIAP ON e nas aulas ao vivo, afim

de validar hipóteses da solução e saber se realmente ela gera valor para os
clientes.
Mentorias em Grupo/Aula ao vivo
Mentoria 3 – Canvas
Nesta mentoria, os professores trazem análises diferentes de modelos de

negócio para ajudar os alunos a compreender os prós e contras de cada
modelo, os riscos envolvidos de cada um deles com o objetivo de ajudar os
alunos a modelarem e validações a estrutura de escala, análise de
dependências de fornecedores, estruturas de custo e receita.
Mentoria 4 - Validar MVP
Nesta mentoria os professores discutem sobre estratégias de validação de

hipóteses sobre a solução da startup através do desenvolvimento do mínimo
produto viável (MVP), além de abordar detalhes sobre como garantir uma
validação não tendenciosa e que por consequência garanta a evolução do
projeto.
STO 3 – Fase 3 Startup One MBA ON
Capitulo 5 - Análise financeira
Este capítulo traz uma análise de projeção de resultados financeiros que

precisam ser monitorados para avaliar os investimentos realizados em grandes
empresas ou mesmo em startups. Além disso, apresenta a ferramenta para
49
ANALYTICS
projetar as entradas e saídas e identificar se o modelo de negócio da nossa

startup.
Capítulo 6 - STORYTELLING & PITCHES
Esse capítulo mostra como o poder de contar histórias pode auxiliar a

jornada do empreendedor e o que é e como construir um bom pitch para sua
startup.
Atividades
Atividade 4 – Análise Financeira
Desafio e objetivo: Através de uma planilha template, realizar uma projeção

financeira para compreender e validar hipóteses de negócio por meio do
racional de entradas, saídas e análise de DRE projetados para 5 anos.
Atividade 5 – Pitch
Desafio e objetivo: Desenvolver um pitch do negócio, explicando como o

problema foi identificado, o tamanho deste mercado, modelo de negócio e
estrutura financeira, as validações de hipóteses do problema, modelo de
negócio e solução, assim como composição de equipe e definição de roadmap
da startup. O tempo deste pitch é de 5min e deve ser gravado e entregue em
vídeo.
Atividade 6 – Entrega final (TCC)
Desafio e objetivo: Consolidar todas as entregas de atividades anteriores

em um único arquivo template, demonstrando todos os aspectos da jornada de
desenvolvimento da startup, partindo da a identificação do problema, evolução
do modelo de negócio, solução, validação de hipóteses, análise financeira e
pitch.
50
ANALYTICS
Mentorias em Grupo/Aula ao vivo
Mentoria 5 - Financeiro
Os professores apoiam os alunos a identificar custos fixos, variáveis, linhas

de produtos e serviços, precificação e projeção financeira. A partir da análise
financeira, é possível identificar se o modelo de negócio e até mesmo o negócio
em si pode ser promissor e escalável.
Mentoria 6 – Pitch e dicas para entrega final
Os professores ajudam os alunos a compreender como aplicar o conceito

de storytelling na definição e apresentação de um pitch, a estruturar
argumentos de venda e se prepararem para objeções que possam surgir
durante apresentação para uma banca. Informações sobre as expectativas da
entrega final do Startup One são passadas, para que os alunos consigam
evoluir os projetos ao ponto que as avaliações acadêmicas estejam de acordo
com a proposta do programa.
Desafios para entrega final do projeto (TCC)
A partir da entrega final do projeto, o desempenho do grupo de alunos

na disciplina Empreendedorismo e Inovação é avaliado segundo critérios
comuns estabelecidos:
51
ANALYTICS
A ideia
É relevante? O problema a ser resolvido é relevante para o público alvo?
A proposta apresentada é uma solução adequada ao problema?

É uma solução?
(Considerar o protótipo apresentado)
É viável? É viável de ser aplicada? (Considerar o ambiente do mercado)
A ideia e a solução foram validadas? (Considerar as evidências

Foi validado?
apresentadas)
Aplicou o conteúdo O conteúdo do MBA foi aplicado durante o desenvolvimento da

do MBA? ideia?
Inovação e uso da tecnologia
É inovador? O produto ou serviço desenvolvido é inovador?
Qualidade do
O projeto foi bem detalhado e com profundidade?
projeto?
Apresentação e entrega
Entregáveis
O grupo detalhou todos os itens obrigatórios do pitch deck?
adequados?
Qualidade do pitch? Com Clareza/Design/Objetividade/Convencimento?
Avaliação Geral
Qual sua avaliação geral para a solução apresentada?
A média destes critérios, representam a avaliação acadêmica para a

obtenção da nota final da disciplina, constituindo-se de obrigação legal ao final
do ano letivo de MBA.
Competição Startup One
Neste mesmo formulário de avaliação do projeto final há também a

possibilidade de o Professor indicar ou não o projeto da Startup para a
competição do Startup One. Importante ressaltar que a participação na
52
ANALYTICS
competição não tem impacto na avaliação acadêmica realizada pelos

professores. O grupo de alunos também tem a opção de não participar da
competição sem nenhum prejuízo na nota da disciplina Empreendedorismo e
Inovação ou do Trabalho de Conclusão de Curso (TCC).
A avaliação dos projetos indicados ao “TOP30” (30 melhores projetos do
ciclo) é realizada por um grupo de professores designados pela Diretoria do
MBA da FIAP. Este grupo escolhe, com a utilização de critérios específicos, a
seleção de trinta projetos que passarão para uma segunda fase.
Na segunda fase de avaliação, as trinta startups escolhidas
internamente pela equipe de Professores FIAP são submetidas a uma banca
externa de avaliação, composta por empreendedores, investidores, gestores
de empresas, parceiros e demais convidados, com o intuito de isentar a
avaliação e de também submeter os alunos a uma situação mais próxima da
realidade do mercado (não há influência da FIAP neste processo). Os projetos
selecionados compõem o TOP10 (10 melhores projetos do ciclo) que são
submetidos a uma segunda fase de avaliação, recebendo mentorias e
treinamentos específicos para aprimorarem seus projetos e ficarem aptos para
a apresentação do projeto (Pitch) para uma banca externa final que escolhe a
startup ganhadora da competição.
53
ANALYTICS
REFERÊNCIAS BIBLIOGRÁFICAS
ABAL ABAS, Z.; ABDUL RAHMAN, A. F. N.; PRAMUDYA, G.; WEE, S. Y.;
KASMIN, F.; YUSOF, N.; MD YUNOS, N.; ABIDIN, Z. Z. Analytics: A Review Of
Current Trends, Future Application And Challenges. Compusoft: An
International Journal of Advanced Computer Technology, v. 9, n. 1, 31 Jan. 2020.
BAIN & COMPANY. State of Data 2021: Um raio X dos profissionais de dados
do Brasil. 2021. Disponível em: https://www.stateofdata.com.br/ Acesso em: 27 jul.
2022.
BARBOSA, A. Os desafios da indústria de dados no Brasil, segundo a Bain

Company. 2022. Disponível em: https://forbes.com.br/forbes-tech/2022/03/os-
desafios-da-industria-de-dados-no-brasil-segundo-a-bain-company/ Acesso em: 27
jul. 2022.
BURK, S. SWEENO, D., MINER, G. It’s All Analytics – Part II: Designing an
Integrated AI, Analytics, and Data Science Architecture for Your Organization.
Routledge. 2021. 1a. edição. New York. Taylor & Francis Group. ISBN
9780429343957.
DAVENPORT, T. et al. Competing on talent analytics. 2010. Harvard business

review. Vol. 88. Pag. 52-8, 150.
KASTNER, T. Big techs Brasil: um raio-x das empresas mais inovadoras da

bolsa. 2021. Disponível em: https://vocesa.abril.com.br/mercado-financeiro/big-
techs-brasil-um-raio-x-das-empresas-mais-inovadoras-da-bolsa/ Acesso em: 27 jul.
2022.
LAZARINI, J. Após balanços, ações de big techs ainda são boas oportunidades
de compra? 2022 Disponível em: https://trademap.com.br/agencia/analises-e-
relatorios/big-techs-apple-amazon-microsoft-google-facebook Acesso em: 27 jul.
2022.
54
ANALYTICS
LNĚNIČKA, M., MÁCHOVÁ, R., KOMÁRKOVÁ, J., ČERMÁKOVÁ, I. Components of

Big Data Analytics for Strategic Management of Enterprise Architecture. 2017.
Disponível em: https://dk.upce.cz/handle/10195/69527 Acesso em: 27 jul. 2022.
MOORE, S. Gartner Says More Than 40 Percent of Data Science Tasks Will Be
Automated by 2020. 2017. Disponível em:
https://www.gartner.com/en/newsroom/press-releases/2017-01-16-gartner-says-
more-than-40-percent-of-data-science-tasks-will-be-automated-by-2020 Acesso em:
27 jul. 2022.
MAHJOUB, A. How to Modernize Enterprise Data and Analytics Platform. 2021.

Disponível em: https://www.datasciencecentral.com/how-to-modernize-enterprise-
data-and-analytics-platform-part-2-of-4/ Acesso em: 27 jul. 2022.
PATHAK, S., KRISHNASWAMY, V., SHARMA, M. Big data analytics capabilities:

a novel integrated fitness framework based on a tool-based content analysis,
2021, Enterprise Information Systems, DOI: 10.1080/17517575.2021.1939427.
SAHU, B. How AutoML developed and its work flow? 2021. Disponível em:
https://www.linkedin.com/pulse/top-10-automated-machine-learningauto-ml-tools-
used-2020-2021-sahu/ Acesso em: 27 jul. 2022.
SRINIVAS, S., GILL, A. Q., ROACH, T. Analytics-Enabled Adaptive Business

Architecture Modeling. 2020. Disponível em:
https://opus.cloud.lib.uts.edu.au/bitstream/10453/146179/2/4046-13792-4-PB.pdf
TUMA, J. Architecture for Large-Scale Analytics Deployments. 2018. Disponível

em: https://medium.com/gooddata-developers/architecture-for-large-scale-analytics-
deployments-ccea7f7a9d75 Acesso: 27 jul. 2022.
55

Bio PPC 2022

Enviado por

Direitos autorais:

Formatos disponíveis

Bio PPC 2022

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Bio PPC 2022

Enviado por

Direitos autorais:

Formatos disponíveis

PROJETO PEDAGÓGICO

MBA ONLINE EM BUSINESS

Projeto Pedagógico do Curso: aspectos gerais 3

Tese de Transformação do Curso 9

Conexão entre os módulos e disciplinas 17

Design Experience FIAP 42

Projeto Pedagógico do Curso: aspectos gerais

O Centro Universitário FIAP é uma Instituição de Ensino Superior

A Região concentra a maioria das sedes de empresas brasileiras dos

Neste campo da economia de dados os negócios já são controlados

1IBGE – INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Estimativa da

As big techs americanas estão no topo das principais capitalizações e

O que ocorre nas big techs tem reflexo em todas as demais

Tecnologias analíticas como Business Intelligence & Analytics

resultados, suporte à tomada de decisões em nível operacional, entre outros.

A revolução das tecnologias analíticas também apresenta sérios

Um profissional com habilidade em análise de dados que usa técnicas

À medida que a tecnologia se desenvolve cada vez mais rápido, as

Desde 2017, Moore (2017) afirmava que a maioria das organizações

Um cidadão cientista de dados é descrito como uma pessoa que cria

preditivas e prescritivas, mas cuja função de trabalho principal está fora do

O curso propõe-se a contribuir com a qualificação dos profissionais da

As inovações trazidas pela quarta revolução industrial, Sociedade 5.0 e

A quarta onda de tecnologia digital está concentrada na Inteligência

a alta gerência da organização, há uma tremenda oportunidade para as

O profissional analítico requer uma forte capacidade de resolução de

Várias pesquisas apontam como grande desafio das organizações, 4 em

Alguns autores vislumbram três fases futuras:

A primeira fase, até 2021, se concentrou na intervenção humana nas

Na segunda fase da linha do tempo, iniciada em 2022, a maioria das

Finalmente, a terceira fase da linha do tempo começará em 2028, e se

concentrará no uso massivo de plataformas Augmented Analytics. A maioria

Espera-se que os tipos de conhecimentos necessários às empresas no

Capacitar o egresso para criar a estrutura de análise de dados na

• Incorporar técnicas, metodologias e processos como suporte para a

• Preparar os dados para permitir a análise e a sustentação do

Tese de Transformação do Curso

O MBA em Business Intelligence e Analytics é composto por cinco fases:

A disciplina Data Driven Decision Making aborda métricas e sistemas

para análises de séries temporais e Forecasting. A ferramenta utilizada nos

disciplinas são Data Storytelling, Graphs Analytics, Data Ingestion e Agile

A disciplina Creative Thinking aborda como a criatividade pode ser

O egresso será capaz de realizar Análise de Dados em suas diversas

Segundo pesquisas da Verified Market Research2, o mercado de

O relatório Jobs of Tomorrow: Mapping Opportunity in the New

Todos os cursos do MBA On são entregues por meio de uma jornada

• Coordenador de curso – identificação da necessidade do conteúdo

Existem ainda cursos em que percebemos uma maior apreciação dos

A escolha dos melhores projetos é realizada pelos parceiros e a

Conexão entre os fases e disciplinas

As fases ocorrem em sequência e as disciplinas são distribuídas numa

representação final da análise quando de forma visual encontra facilidade nas

Para desenvolver seu pensamento analítico é preciso aprender e/ou

além do conhecimento das técnicas mencionadas acima, com o conhecimento

Creative Thinking 16h

Agile Analytical Project 16h

Data Governance & Data Stewardship 16h

Advanced Data Modeling 20h