Aviso: Se está a ler esta mensagem, provavelmente, o browser que utiliza não é compatível com os "standards" recomendados pela W3C. Sugerimos vivamente que actualize o seu browser para ter uma melhor experiência de utilização deste "website". Mais informações em webstandards.org.

Warning: If you are reading this message, probably, your browser is not compliant with the standards recommended by the W3C. We suggest that you upgrade your browser to enjoy a better user experience of this website. More informations on webstandards.org.

Sub Menu
ISCTE-IUL  >  Ensino  >  SAG

Customer Analytics ? Complementos Analíticos para Clientes (2 º Sem 2019/2020)

Código: 02925
Acrónimo: 02925
Nível: 2º Ciclo
Estruturante: Não
Língua(s) de Ensino: Português
Língua(s) amigável(is):
Ser English-friendly ou qualquer outra língua-friendly, significa que a UC é leccionada numa língua mas que se pode verificar qualquer uma das seguintes condições:
1. Existem materiais de apoio em língua inglesa/outra língua;
2. Existem exercícios, testes e exames em língua inglesa/outra língua;
3. Existe a possibilidade de se apresentar trabalhos escritos ou orais em língua inglesa/outra língua.
1 3.0 0.0 h/sem 10.0 h/sem 0.0 h/sem 0.0 h/sem 4.0 h/sem 0.0 h/sem 1.0 h/sem 15.0 h/sem 60.0 h/sem 0.0 h/sem 75.0 h/sem
Em vigor desde o ano letivo 2016/2017
Pré-requisitos Não existe
Objectivos Apresentar complementos analíticos para marketing
Conhecer as técnicas analíticas adequadas para a gestão da relação com o cliente.

Programa CP1. 'Customer Analytics' ao longo do ciclo de vida do cliente.
CP2. "Discover"  - Aumentar a compreensão acerca dos clientes.
CP3. "Explore" - Adaptar parâmetros de acordo com a resposta do Cliente
CP4. "Buy" - Compreender o processo de aquisição e comportamentos futuros do cliente.
CP5.  "Engage" - Aumentar o envolvimento do cliente, maximizar o seu valor, integrar feedback no processo analítico.

Processo de avaliação A avaliação contínua inclui a realização de:
a) Trabalho de grupo ou individual com ponderação de 30%.
(OA 1, 2, 3, 4, 5, 6).
b) Teste com ponderação de 70%.
(OA 1, 2, 3, 4, 5, 6).

A avaliação contínua exige a presença em, pelo menos, 60% das aulas.

Os alunos em avaliação contínua que não obtenham a nota mínima de 10 valores serão remetidos para exame final.
Processo de ensino-aprendizagem As decorrem no laboratório de informática.

Metodologias de ensino-aprendizagem (ME):
ME1. Expositivas,apresentação dos quadros teóricos de referência.
ME2. Participativas,análise de artigos científicos e case studies.
ME3. Ativas, com realização de trabalho de grupo
ME4. Experimentais, em laboratório, com desenvolvimento e exploração de "modelos" em computador
ME5. Auto-estudo, relacionado com o trabalho autónomo (TA) do aluno, tal como consta no Planeamento das Aulas.

Observações
Bibliografia básica Folhas de apoio às aulas elaboradas pelo docente
Documentos, manuais e guias de utilização indicados e/ou disponibilizados pelo docente
Artigos científicos indicados e/ou disponibilizados pelo docente

Provost, F., & Fawcett, T. (2013). Data Science for Business Fundamental principles of data mining and data-analytic thinking. Sebastopol, CA: O'Reilly.

Siegel, E. (2013). Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die. Hoboken, NJ: Wiley.

Venkatesan, R, Farris, P. Wilcox R. (2014). Cutting Edge Marketing Analytics:  Real World Cases and Datasets for Hands On Learning. Pearson/FT Press, NY.
Bibliografia complementar Ariely, D. (2008). Predictably irrational: the hidden forces that shape our decisions. New York: HarperCollins.
Buttle, Francis. (2009). Customer Relationship Management, 2nd edition. Elsevier Publishing.

Hair, J., Black, W., Barrin, B., Andersen, R. (2009). Multivariate Data Analysis, 7th edition. New Jersey, USA, Prentice Hall.

Kotler, P., Armstrong, G., Wong, V. and Saunders, J. (2008). Principles of Marketing: 5th European Edition, FT/Prentice Hall
Lewis, M. (2003). Money ball: The art of winning an unfair game. New York: W.W. Norton & Company.