Módulo 0: A Linguagem SQL

• Teoria de Banco de Dados Relacional e as 12 regras de Codd;

• Overview de Teoria de Conjuntos e Álgebra Relacional;

• Introdução à Linguagem SQL;

• Padrão ANSI / ISO SQL;

• As Classes da Linguagem SQL: DDL, DML, TCL e DCL;

• Overview do SQL Server;

• Linguagem de Definição de Dados (DDL);

• Linguagem de Manipulação de Dados (DML);

• Código Armazenado (procedures, functions, triggers e views);

• Propriedades ACID;

• Linguagem de Controle de Transação (TCL);

• Linguagem de Controle de Acesso a Dados (DCL);

• Interoperabilidade (queries distribuídas).

Aquecimento e Regra do Jogo

• Visão geral da dinâmica do curso, conteúdos e ferramentas utilizadas.

Módulo 1: Dados e Informação - Uma Análise Geral

• Abstração, Dados, Informações e Conhecimento;

• Tipos de Conhecimento;

• Pirâmide do Conhecimento (DIKW);

• Inteligência de Dados;

• Big Data e Business Intelligence;

• Big Data e Analytics;

• Lean Manufacturing;

• Manifesto Ágil;

• Waterfall Vs. Agile;

• Principais Práticas Ágeis;

• Ferramentas de Gerenciamento Ágil;

• DevOps x DataOps;

• Manifesto e Princípios do DataOps;

• Ferramentas DataOps;

• BI, Data Warehouse e Data Lake;

• Governança de Dados, Cultura Data Driven e Enterprise Data Hub;

• Ferramentas de Persistência de Dados e Manipulação de Dados.

Módulo 2: Estatística Aplicada à Análise de Dados

• O que é a Estatística;

• Ciência de Dados vs. Estatística;

• Medidas de Centralidade e Dispersão;

• Introdução à ferramenta R;

• Leis de Probabilidade e Diretrizes para Aplicação;

• Variáveis Aleatórias Discretas e Contínuas;

• Distribuições Discretas (Binomial, Geométrica, Poisson);

• Distribuições Contínuas (Normal, t de Student, F, Qui-Quadrado);

• Teorema Central do Limite;

• Intervalos de Confiança para Média e Proporção;

• Método Bootstrap para Intervalos de Confiança;

• Testes de Hipótese:

◦ Testes Unilaterais e Normalidade;

◦ Testes t para Diferença de Médias (Independentes e Dependentes);

◦ Teste Qui-Quadrado e ANOVA.

• Correlação Linear, Regressão Linear Simples e Múltipla;

• Variáveis Categóricas em Modelos de Regressão;

• Diagnóstico e Seleção de Variáveis;

• Regressão Logística;

• Avaliação da Performance Preditiva;

• Análise de Sensibilidade e Especificidade;

• Análise Exploratória de Dados;

• Probabilidades e Simulações;

• Implementação de Modelos Estatísticos.

Módulo 3: Técnicas para Análise de Dados

• Introdução a Técnicas de Análise de Dados;

• Análise Exploratória;

• Análise Não Gráfica de Dados Univariados;

• Análise Gráfica de Dados Univariados;

• Introdução ao KNIME;

• Análise de Dados Univariados na Prática;

• Análise Não Gráfica de Dados Multivariados;

• Análise Gráfica de Dados Multivariados;

• Análise de Dados Multivariados na Prática;

• Análise Diagnóstica na Prática;

• Análise Preditiva;

• Técnicas de Regressão;

• Técnicas de Machine Learning;

• Análise Preditiva na Prática;

• Análise Prescritiva;

• Análise de Séries Temporais;

• Análise de Séries Temporais na Prática;

• Análise de Redes Sociais;

• Conectividade, Distribuição e Segmentação;

• Análise de Redes Sociais na Prática;

• Análise de Texto e Processamento de Linguagem Natural;

• Métodos de Classificação e Extração de Texto;

• Análise de Texto na Prática.

Módulo 4: Análise de Dados Utilizando Dashboards

• Visualização e o que é um Dashboard;

• Categorias de Dashboards;

• Identificação dos Públicos;

• Tipos de Dashboards: Estratégico, Analítico/Tático e Operacional;

• Princípios Visuais da Gestalt;

• Ilusão e Representações Eficientes;

• Principais Metas para um Dashboard Visual;

• Uso de Cores;

• Estudos de Gráficos para Dashboards;

• Importância e Tipos de Gráficos;

• Mapas e Uso de Cores;

• Data Storytelling com Dados;

• Uso de Storyboards;

• Integração de Vídeos para Contar Histórias;

• Construção de um Dashboard;

• Boas Práticas e Erros Comuns na Construção;

• Desenvolvendo Dashboards Empresariais;

• Self-Service BI;

• Quadrante Gartner e Ferramentas Mais Bem Posicionadas;

• Tableau e Power BI: conceitos e aplicações práticas;

• Construção Prática em Múltiplas Etapas;

• Relacionamento de Bases e Recursos Avançados;

• Cuidados com Gráfico.

Módulo 1: Gestão da Informação e do Conhecimento

• Fundamentos da Gestão da Informação (GI);

• História e evolução da gestão da informação;

• A ecologia da informação e suas implicações;

• Fundamentos da Gestão do Conhecimento (GC);

• Tipos de conhecimento e sua classificação;

• Retenção de conhecimento dentro da organização;

• Modelos de GI e GC;

• Diferenças fundamentais entre GI e GC;

• Modelos aplicados à gestão da informação;

• Modelos usados na gestão do conhecimento;

• Definição de capital intelectual: humano, estrutural e do cliente;

• Gerenciamento e valorização do capital intelectual;

• Fundamentos da inteligência competitiva e sua relevância;

• Aplicações práticas da inteligência competitiva para o negócio;

• GC como Aporte à Inovação;

• Conceitos fundamentais sobre inovação organizacional;

• A contribuição da GC para impulsionar a inovação;

• Características e importância dos modelos de maturidade em GC;

• Tipos de modelos de maturidade aplicados à GC;

• Ferramentas de GI e GC;

• Elementos essenciais para as ferramentas de GI e GC;

• Diversos grupos de ferramentas para GI e GC;

• Proteção do Conhecimento;

• Propriedade industrial e sua relação com o conhecimento;

• Legislação e estratégias para proteger o conhecimento organizacional;

• Utilização do KMCanvas – O Canvas da GC;

• Fatores Críticos de Sucesso da GI e GC;

• Desafios enfrentados na implementação de GI e GC na gestão pública e

privada;

• A Prática da GI e GC com as áreas afins e outras áreas organizacionais;

• A integração com áreas de Processos e Inteligência dos Negócios.

Aquecimento e Regra do Jogo

• Visão geral da dinâmica do curso, conteúdos e ferramentas utilizadas.

Módulo 2: Fundamentos de Big Data

• Introdução ao Big Data;

• Visão geral sobre o cenário do Big Data;

• Origem dos dados e sua relação com o Big Data;

• Os V’s do Big Data;

• Potencial do Big Data e suas implicações para os negócios;

• Etapas de processamento do Big Data;

• Principais aplicações do Big Data;

• Business Intelligence e sua relação com Big Data;

• Diferenças entre Data Warehouse, Data Mart e Data Lake;

• Conceitos de KDD (Knowledge Discovery in Databases) e Data Mining;

• Dicas de boas práticas no uso de Big Data;

• Técnicas para trabalhar com o Big Data;

• Introdução à Inteligência Artificial (IA);

• Machine Learning (ML): fundamentos e aplicações;

• Deep Learning: técnicas avançadas de aprendizado;

• Algoritmos Utilizados no Big Data;

• Classificação dos algoritmos de Machine Learning;

• Aprendizado não supervisionado: K-means;

• Introdução ao Google COLAB e aplicação prática de K-means;

• Aprendizado supervisionado: Regressão Linear;

• Prática de Regressão Linear;

• Computação Distribuída;

• Processamento em lote e suas características;

• Processamento em streaming e suas vantagens;

• Introdução aos Frameworks e Ferramentas do Big Data;

• O que é Hadoop e como ele é utilizado em Big Data;

• Spark: uma ferramenta poderosa para processamento em Big Data;

• Perfis e funções dos profissionais de Big Data;

• Data Driven;

• Exemplos de empresas Data Driven e casos de sucesso;

• Projeto de Big Data na Prática.

Módulo 3: Segurança da Informação

• Conceitos Gerais sobre Segurança da Informação e Segurança

Cibernética;

• Privacy by Design e Privacy by Default;

• Normas ISO/IEC 27001 e 27002: requisitos e implementações;

• Política de Segurança da Informação (PSI) e sua importância;

• Computação Forense: definição e aplicações;

• Segurança Operacional e Classificação de Ativos;

• Defesa em Profundidade: segurança em camadas;

• Origem e funcionamento da estratégia de defesa em profundidade;

• Controles e medidas na defesa em profundidade;

• Classificação e controle de ativos de informação;

• Lei Geral de Proteção de Dados (LGPD);

• ANPD: A Autoridade Nacional de Proteção de Dados e seu papel;

• Proteção de Dados;

• Técnicas de autenticação, biometria, assinatura digital e certificados

digitais;

• Mascaramento e anonimização de dados;

• Análise de vulnerabilidades em dados e práticas de mitigação;

• Gestão da continuidade de negócios e sua importância;

• Planos de Continuidade de Negócios (PCN), Plano de Contingência de

Serviços (PCS) e

• Recuperação de Desastres (DR);

• Estratégias de backup e recuperação de dados;

• Segurança física e lógica na proteção de dados;

• A importância da segurança das pessoas na proteção dos ativos de TI;

• Criptologia e Sistemas Criptográficos;

• Governança de Dados;

• Ciclo de vida e classificação dos dados nas organizações.

Módulo 4: Planejamento Estratégico e Balanced Scorecard

• Fundamentos de Estratégia Organizacional;

• O processo de planejamento estratégico;

• Como as estratégias geram vantagens competitivas para as

organizações;

• Ambientes Organizacionais: Externo e Interno;

• Análise do ambiente externo com base no modelo de Porter;

• Visão baseada em recursos (VBR) e análise do ambiente interno;

• Ferramentas de análise: Benchmarking e Matriz BCG;

• Fundamentos da análise SWOT (Forças, Fraquezas, Oportunidades,

Ameaças);

• Desenho das Empresas com a Análise SWOT;

• Alinhamento Estratégico da TI com os Negócios;

• Modelos de alinhamento da TI com os Negócios;

• Como Elaborar a Estratégia;

• Diretrizes estratégicas: missão e visão;

• Definição de valores, princípios, objetivos e metas organizacionais;

• Planejamento a Partir dos Indicadores e Análises;

• Uso de indicadores-chave de desempenho (KPIs) na formulação de

estratégias;

• Gestão orientada por dados (data-driven management);

• Formulação da Estratégia Utilizando Metodologias e Ferramentas;

• Aplicação do Business Model Canvas para construção de modelos de

negócios;

• Implementação da Estratégia;

• Balanced Scorecard (BSC);

• Melhores práticas para a criação de um BSC eficaz;

• Como construir e usar um mapa estratégico;

• Aplicação prática do Balanced Scorecard na organização.

Módulo 1: Fundamentos em Business Intelligence

• Definição e Fundamentos de Business Intelligence;

• Estruturação e importância do Data Warehouse;

• Maturidade em Business Intelligence;

• Estágios e Dimensões do Modelo de Maturidade e prática aplicada;

• Etapas e Equipes de um Projeto de BI;

• Principais etapas do ciclo de vida de um projeto de BI;

• Definição e funções das equipes envolvidas;

• Planejamento e Gerenciamento de Projetos de BI;

• Técnicas de planejamento de projetos;

• Gerenciamento, definição de tarefas e identificação de dependências;

• Atividades práticas para estruturação de projetos;

• Ciclo Analítico da Inteligência de Negócios;

• Processos e etapas do ciclo analítico em BI;

• Tipos de Soluções de BI;

• Aplicativos analíticos, gestão do conhecimento e inteligência

competitiva;

• Mineração de dados: técnicas e aplicações;

• Dashboards e scorecards como ferramentas estratégicas;

• Modelagem Dimensional, tabelas fatos e dimensões;

• Enterprise Data Warehouse Bus Matrix (EDWBM);

• Diferenças entre dados informacionais e operacionais;

• Data Warehouses e Data Marts;

• Metodologias e as abordagens de Bill Inmon e Ralph Kimball;

• O ciclo Kimball e sua aplicação prática;

• Quadrante Mágico dos Aplicativos de BI.

Aquecimento e Regra do Jogo

• Visão geral da dinâmica do curso, conteúdos e ferramentas utilizadas.

Módulo 2: Ferramentas de BI

Principais tecnologias de Business Intelligence;

Arquitetura e soluções de BI;

Ferramentas de mercado e seus cenários de aplicação na obtenção dos dados, modelagem do DW, ETL e visualização;

Comparação entre plataformas codificadas e low-code;

Aplicações e plataformas de soluções front-end;

O funcionamento de algumas ferramentas: Qlik Sense, Tableau e Power BI;

Práticas com Power BI;

Automatização de rotinas com Power Query;

Uso da linguagem DAX para análises avançadas;

Dashboards e Storytelling.

Módulo 3: Aplicações em ETL

• Processo ETL: Fundamentos e Importância;

• Importância do ETL em projetos de BI;

• Ferramentas de ETL;

• Introdução ao Pentaho e configuração do ambiente de estudo;

• Projetos de BI e Requisitos para ETL;

• Seleção de ferramentas de ETL;

• Requisitos e definição de ambientes para ETL;

• Tarefas e transformações no Pentaho: entrada (input) e saída (output);

• Métricas e transformações no Pentaho;

• Fundamentos de modelagem dimensional;

• Dimensões, tipos de dimensões e tabelas fato;

• Definição e Gestão de Metadados;

• O que são metadados e seu papel no Data Warehouse;

• Tipos de metadados e repositórios;

• Uso do Pentaho Metadata Editor para gestão de metadados;

• ODS e Staging Area;

• Tipos, processos e fluxo de carga em staging areas;

• Tratamento de erros e passos no Pentaho para Data Warehouses;

Módulo 4: Mineração de Dados

• O que é Mineração de Dados;

• Fundamentos de Ciência de Dados e Aprendizado de Máquina;

• Metodologia CRISP-DM: etapas e importância;

• Introdução ao uso da ferramenta R;

• Preparação dos Dados e a importância de conjuntos de dados para

treinar algoritmos;

• Tipos de variáveis e engenharia de variáveis;

• Técnicas de normalização e padronização;

• Aplicação prática: exploração de dados com o R;

• Algoritmos de classificação: Árvore de Decisão e KNN (K vizinhos mais

próximos);

• Avaliação da capacidade preditiva de algoritmos de classificação;

• Implementação prática de classificação com o R;

• Fundamentos das tarefas de regressão;

• Algoritmos de regressão: Regressão Linear, Árvore de Decisão e KNN;

• Métodos para avaliar a capacidade preditiva de algoritmos de regressão;

• Aplicação prática de regressão com o R;

• Clusterização e seus objetivos;

• Algoritmos de clusterização hierárquica e não hierárquica;

• Clusterização aplicada com o R;

• Regras de associação e identificação de padrões;

• Aplicação do algoritmo Apriori;

• Visualização de regras e padrões descobertos;

• Implementação prática de regras de associação com o R.

• Projetos e Processos de Soluções de Carga no DW;

• Planejamento e execução de projetos de BI.