Business Cases wit Data Science

General characterization

Prerequisites

CP1. Introdução a casos de negócio

CP2. Introdução à metodologia CRoss-Industry Standard Process for Data Mining (CRISP-DM) 

CP3. Caso de estudo de segmentação de clientes

CP4. Caso de estudo de previsão de cancelamento de reservas

CP5. Caso de estudo de análise de cesto de compras

CP6. Caso de estudo de previsão de "churn" de clientes

CP7. Caso de estudo de recomendação de produtos

CP8. Caso de estudo de estimativa da procura

Bibliography

• Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by- step data mining guide. Retrieved from https://the-modeling- agency.com/crisp-dm.pdf
• Guidici, P., and Figini, S. (2009). Applied Data Mining for Business and Industry. UK: Wiley
• Kelleher, J. D., Namee, Brian, M., D¿Arcy, A. (2015).  Fundamentals of machine learning for predictive data analytics: Algorithms, Worked Examples, and Case Studies. Cambridge, MA: The MIT Press
• Provost, F., and Fawcett, T. (2013). Data Science for Business. Sebastopol, CA: O¿Reilly
• Shmueli, G., Bruce, P. C., Gedeck, P., Patel, N. R. (2019). Data Mining for Business Analytics: Concepts, Techniques, and Applications in Python. Hoboken, NJ: Wiley

Teaching method

1. Case studies 80%:
   1. Case studies 1 to 4: 10% each
   2. Case studies 5 and 6: 20% each
2. Individual exam (with consultation): 20%

Evaluation method

Inglês

Subject matter

Inicialmente, a unidade curricular baseia-se em aulas teóricas (introdução a casos de negócio e à metodologia CRISP-DM). Após isso será apresentado um exemplo de um caso de estudo, incluindo a demonstração do código IGNOREe do mesmo, interpretação dos resultados e exemplos de decisões a tomar em função dos resultados. Após isso, em cada duas aulas, será analisado cada um dos seis casos de negócio. A análise deve ser feita em grupos de 3 ou 4 alunos. Numa primeira aula é feita uma revisão/retrospetiva dos resultados do caso anterior e apresentado o enunciado de um novo caso, incluindo uma introdução ao problema, objetivos e instruções de como abordar o problema. Numa segunda aula, os alunos devem entregar relatório do trabalho realizado e fazer uma apresentação oral. Dado que em Data Science é necessário não só saber criar modelos analíticos, mas também comunicar eficazmente como se chegou ao resultado especifico e justificar as abordagens tomadas, as apresentações orais dos trabalhos são um importante instrumento de aprendizagem, sendo os debates que sucedem as apresentações ferramentas importantes no desenvolvimento de habilidades e competências de análise e argumentação. 

Aplicações/linguagens utilizadas:

• Python
• Jupyter Notebook
• Microsoft Visual Code

Programs

Programs where the course is taught: