ISCAP – DM - Business Intelligence and Analytics
URI permanente para esta coleção:
Navegar
Percorrer ISCAP – DM - Business Intelligence and Analytics por orientador "Gonçalves, Maria José Angélico"
A mostrar 1 - 3 de 3
Resultados por página
Opções de ordenação
- Business intelligence na gestão estratégicaPublication . Costa, João Real; Gonçalves, Maria José Angélico; Maçães, Manuel Alberto RamosNum cenário empresarial marcado pela competitividade e pela abundância de dados, as organizações procuram constantemente melhorar os processos de decisão e reforçar a sua posição estratégica. A complexidade crescente dos mercados e a diversidade de informação exigem ferramentas capazes de apoiar não só a análise rigorosa de dados, mas também a sua utilização na formulação e execução de estratégias. Neste contexto, o Business Intelligence assume um papel central, combinando tecnologias, metodologias analíticas e práticas de gestão para transformar dados, estruturados e não estruturados, em conhecimento que sustenta decisões mais fundamentadas e orientadas para a criação de valor. A presente dissertação analisa o contributo do BI para a gestão estratégica, explorando a sua relevância na tomada de decisão e na capacidade de adaptação e inovação organizacional. O estudo segue uma abordagem qualitativa, de carácter exploratório e descritivo, baseada em entrevistas semiestruturadas a gestores e especialistas de diferentes setores. Este método permitiu recolher perspetivas aprofundadas sobre o impacto do BI na definição de objetivos, na formulação de estratégias e na avaliação do desempenho, assim como identificar benefícios, desafios e fatores críticos de sucesso. Os resultados revelam que o BI aumenta a objetividade e a rapidez das decisões, facilita a automatização e padronização de processos e promove a centralização da informação numa “única fonte de verdade”. Para além disso, incentiva a consolidação de uma cultura organizacional orientada por dados. No entanto, surgem também obstáculos relevantes, como a resistência à mudança, a complexidade técnica da integração de sistemas e a escassez de competências especializadas em ciência dos dados. No plano teórico, esta investigação contribui para a consolidação do conhecimento sobre o BI como recurso estratégico transversal. No plano prático, oferece recomendações para alinhar iniciativas de BI com os objetivos organizacionais, potenciando a criação de valor e a coordenação das atividades de uma organização.
- Business Intelligence na tomada de decisão sobre a oferta formativa no ensino superiorPublication . Dias, Bárbara Ripane Gomes; Gonçalves, Célia Talma Martins de Pinho Valente; Gonçalves, Maria José AngélicoO ensino superior em Portugal enfrenta o desafio de alinhar a sua oferta formativa com as necessidades reais do mercado de trabalho, num contexto marcado pela transformação digital e pela crescente valorização das competências analíticas. Neste cenário, as tecnologias de Business Intelligence (BI) surgem como ferramentas estratégicas para apoiar a tomada de decisão, permitindo às Instituições de Ensino Superior (IES) analisar dados, identificar tendências e otimizar as suas estratégias de ensino. A presente dissertação tem como objetivo principal compreender como o Business Intelligence pode contribuir para a definição de estratégias mais eficazes no ensino superior, de forma a reforçar a sua adaptabilidade face às dinâmicas do mercado laboral. Para tal, o estudo combina uma análise bibliométrica da literatura científica internacional com um estudo empírico, baseado em dados da Direção-Geral de Estatísticas da Educação e Ciência (DGEEC), explorados através da metodologia CRISP-DM (Cross Industry Standard Process for Data Mining) e da ferramenta Power BI. Os resultados obtidos demonstram que a utilização do BI possibilita uma visão integrada e dinâmica sobre o perfil dos diplomados, áreas de formação e evolução da oferta formativa, de forma a facilitar a identificação de padrões e previsões relevantes. Conclui-se que a adoção de soluções de BI no ensino superior potencia uma gestão baseada em dados, promove a eficiência institucional e contribui para a harmonia entre a formação académica e as exigências do mercado de trabalho, constituindo-se como um fator diferenciador para a competitividade e sustentabilidade das IES.
- Integrating machine learning and business intelligence for student dropout prediction and decision support in vocational educationPublication . Santos, Guilherme Machado dos; Gonçalves, Maria José Angélico; Gonçalves, Célia Talma Martins de Pinho ValenteA previsão do abandono escolar tem registado avanços significativos no ensino, beneficiando da disponibilidade de dados comportamentais e da utilização de modelos preditivos de elevada precisão. Contudo, no ensino profissional, onde se concentram estudantes com maior vulnerabilidade socioeconómica e risco de insucesso, a investigação permanece escassa e as instituições dispõem de reduzidos mecanismos de apoio à identificação precoce de alunos em risco. Neste contexto, a presente dissertação propõe, desenvolve e valida um framework de Educational Analytics explicável, integrado numa arquitetura de Business Intelligence, destinado à previsão do risco de não conclusão e ao apoio à tomada de decisão em instituições de ensino profissional. A investigação estrutura-se em torno de três objetivos: caracterizar os perfis de sucesso e insucesso escolar, desenvolver modelos preditivos para diferentes momentos do percurso académico e disponibilizar informação analítica que suporte intervenções educativas. Para o efeito, foi adotada uma abordagem de Design Science Research, operacionalizada através da metodologia CRISP-DM, recorrendo a seis anos letivos de dados administrativos da Profitecla – Escola Profissional, correspondentes a 1 086 estudantes do polo do Porto. Os resultados permitiram identificar três perfis distintos de estudantes, com diferenças estatisticamente significativas nas taxas de conclusão e nos padrões de permanência ao longo do percurso escolar. Os modelos desenvolvidos evidenciaram elevado desempenho preditivo, tanto na análise retrospetiva como na previsão realizada no momento da matrícula, permitindo identificar precocemente estudantes com maior probabilidade de abandono. A utilização de técnicas de Inteligência Artificial Explicável possibilitou interpretar os principais fatores associados ao risco de não conclusão, enquanto a solução analítica implementada em Microsoft Power BI disponibilizou dashboards interativos para monitorização dos indicadores e apoio à decisão. A solução foi validada por responsáveis institucionais da escola profissional, que reconheceram a sua utilidade, facilidade de utilização e potencial para apoiar processos de intervenção precoce junto dos estudantes em risco, evidenciando a aplicabilidade prática do framework desenvolvido. Como principal contributo, a investigação demonstra que a integração de Business Intelligence, Machine Learning, Inteligência Artificial Explicável e Learning Analytics constitui uma abordagem eficaz para apoiar a gestão académica em contextos de ensino profissional, mesmo quando apenas estão disponíveis dados administrativos. O framework proposto fornece um sistema preditivo, interpretável e validado em contexto real, demonstrando o potencial destas tecnologias para apoiar estratégias de prevenção do abandono escolar e promover uma tomada de decisão mais informada nas instituições de ensino.