Logo

Big Data i Visualització de Dades

Codi: 106675
Crèdits: 6
2026/2027
Titulació Tipus Curs
Comunicació de les Organitzacions OP 4

Professor/a de contacte

Nom :
Miguel Angel Martin Pascual
Correu electrònic :
miguelangel.martin@uab.cat

Idiomes dels grups

Podeu consultar aquesta informació al final del document.

Prerequisits

Coneixements bàsics d´estadística. Rudiments de disseny. Coneixements d'anglès per a les pràctiques, les lectures i els visionats.

Objectius

Entendre la importància de les dades massives amb exemples. Adquirir criteri d´anàlisi de visualitzacions de dades. Poder establir narratives amb gràfics creatius, atractius i veraces.

Resultats d'aprenentatge

  1. Trobar el que és substancial i rellevant en documents de l'assignatura.
  2. Exposar per escrit i oralment la síntesi de les anàlisis realitzades.
  3. Generar idees creatives en el seu entorn de desenvolupament professional.
  4. Acceptar la discrepància i no menysprear altres persones, col·lectius o institucions per raó ideològica, de raça, gènere, discapacitat, etc.
  5. Presentar els treballs de l'assignatura en els terminis previstos i amb qualitat manifesta, cosa que implica tenir en compte la feina individual i grupal.
  6. Treballar de manera autònoma i, a partir del coneixement adquirit, resoldre els exercicis plantejats i fer les interpretacions de les dades.
  7. Aplicar els coneixements sobre els mecanismes de recerca per crear un treball acadèmic solvent, on s'exposin, argumentin i justifiquin els resultats obtinguts.
  8. Proposar nous mètodes o solucions alternatives fonamentades.
  9. Proposar projectes i accions que incorporin la perspectiva de gènere.
  10. Comunicar fent un ús no sexista ni discriminatori del llenguatge.
  11. Proposar projectes i accions viables que potenciïn els beneficis socials, econòmics i mediambientals.
  12. Valorar l'impacte de les dificultats, els prejudicis i les discriminacions que poden incloure les accions o projectes, a curt o llarg termini, en relació amb determinades persones o col·lectius.
  13. Explicar el codi deontològic, explícit o implícit, de l'àmbit de coneixement propi.
  14. Planificar i executar projectes acadèmics en l'àmbit del big data.
  15. Compartir les experiències en grup com a forma d'aprenentatge per treballar posteriorment en grups multidisciplinaris.
  16. Adaptar-se als processos de producció de la informació i a les rutines professionals de la organització en relació amb les dades massives i la visualització de dades.
  17. Elaborar tota mena de missatges i documents perquè s'incloguin en els propis medis de l'organització per als seus públics interns i externs des de les dades massives i la visualització de dades.
  18. Establir objectius de comunicació a través de les dades massives.
  19. Preparar les accions comunicatives per als públics interns i externs de l'organització a través de les dades massives i la visualització de dades.
  20. Aplicar les dades massives i la visualització de dades a l'elaboració d'un pla de comunicació que inclogui la comunicació interna i externa de l'organització.
  21. Aplicar les dades massives a anàlisis de casos concrets per una correcta planificació de la comunicació interna i externa de les organitzacions.
  22. Elaborar projectes de comunicació de diversos tipus a partir de les dades massives tenint en compte les característiques de la organització.
  23. Aplicar la deontologia professional a l'elaboració de treballs de l'assignatura.
  24. Demostrar consciència ètica en l'aplicació i la gestió de les dades massives i la visualització de dades per millorar les activitats de l'organització en el seu àmbit geogràfic.

Continguts

Els continguts de l’assignatura inclouen:

  • Dades, Dades grans, Dades grans grans.
  • Història, fonts, tipus, eines.
  • Percepció de dades, color i atenció visual.
  • Narrativa, art i anàlisi de dades.
  • Pràctiques, recursos i projectes.


El contingut de l’assignatura serà sensible als aspectes relacionats amb la perspectiva de gènere i amb l’ús del llenguatge inclusiu.

Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Projectes, Visionats i lectures 81 3,24 2, 5, 6, 7, 14, 15, 18, 24
Tutories 12 0,48 2, 5, 6, 9, 13, 14, 18
Classes 30 1,2 4, 8, 9, 10, 11, 13, 15, 16, 18, 23
Seminaris 15 0,6 1, 2, 3, 4, 5, 6, 7, 10, 14, 15, 24

Es realitzaran classes de presentació de continguts, seminaris amb casos específics i projectes pràctics.

El calendari detallat amb el contingut de les diferents sessions s’exposarà el dia de presentació de l’assignatura. Es penjarà també al Campus Virtual, on l’alumnat podrà trobar la descripció detallada dels exercicis i pràctiques, els diversos materials docents i qualsevol informació que el professorat estimi convenients per a l’adequat seguiment de l’assignatura.

Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè l'alumnat completi les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.

Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Treballs pràctics 50% 3 0,12 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 14, 15, 16, 19, 20, 21
Examen 30% 2 0,08 1, 2, 7, 10, 12, 13, 23
Seminaris 20% 7 0,28 2, 5, 6, 7, 8, 10, 15, 17, 18, 22, 24

Les activitats d'avaluació són:

• Examen (30%)

• Seminaris (20%)

• Treballs pràctics (50%)

És imprescindible aprovar l'examen i els treballs pràctics per aprovar l'assignatura.

L'alumnat tindrà dret a la recuperació de l'assignatura si ha estat avaluat del conjunt d'activitats el pes de les quals sigui d'un mínim de 2/3 parts de la qualificació total de l'assignatura. Per poder presentar-se a la recuperació de l'assignatura, s'haurà hagut dobtenir una nota mitjana de 3,5. Les activitats que queden excloses del procés de recuperació són els seminaris.


Aquesta assignatura no preveu el sistema d'avaluació única.

En aquesta assignatura, es permet l'ús de tecnologies d'Inteŀligència Artificial (IA) com a part integrant del desenvolupament del treball, sempre que el resultat final reflecteixi una contribució significativa de l’alumnat en l'anàlisi i la reflexió personal. L’alumnat haurà d'identificar clarament quines parts han estat generades amb aquesta tecnologia, especificar les eines emprades i incloure una reflexió crítica sobre com aquestes han influït en el procés i el resultat final de l’activitat. La no transparència de l’ús de la IA es considerarà falta d'honestedat acadèmica i pot comportar una penalització en la nota de l'activitat, o sancions majors en casos de gravetat.


La realització de qualsevol irregularitat en un acte d’avaluació (frau acadèmic, plagi o ús indegut de la IA, tret que aquest ús estigui autoritzat expressament a la guia docent), que pugui conduir a una variació significativa de la qualificació, suposa que aquest acte es qualificarà amb un 0. En cas que la guia docent prevegi que per superar l’assignatura sigui requisit imprescindible haver obtingut una nota mínima en aquest acte d’avaluació o que es produeixin diverses irregularitats en els actes d’avaluació d’una mateixa assignatura, la qualificació final d’aquesta assignatura és 0. Al marge d’això, es podrà instruir un procés disciplinari a l’estudiant que incorri en alguna d’aquestes irregularitats.


A qualsevol estudiant sospitós de presentar tasques que hagin estat generades per IA, elaborades per altres persones o copiades; incloguin contingut generat per IA sense referenciar, o que no es trobin dins els supòsits permesos, se li podrà demanar el treball previ o d'altres materials que puguin demostrar que es tracta d'un treball inèdit i fruit de la seva autoria original. També es podrà sol·licitar que expliqui o justifiqui per separat la seva feina. El professorat també podrà utilitzar sistemes d'identificació d'ús de la IA o portar a terme les tasques de comprovació que consideri convenients. Si després de la revisió es detecta que s’han comès irregularitats, el treball pot ser qualificat amb un zero i l'estudiant pot estar subjecte a més mesures disciplinàries.

Bibliografia

Al llarg de l'assignatura es donaran altres recursos que se sumaran a aquesta bibliografia.

CAIRO, Alberto. (2011). El arte funcional: infografía y visualización de información. Alamut.

KNAFLIC, Cole Nussbaumer (2015). Storytelling with Data: A Data Visualization Guide for Business Professionals. John Wiley & Sons.

ONTIVEROS, Emilio, LÓPEZ SABATER, Verónica, ed. Economía de los datos. Madrid: Fundación Telefónica; Barcelona: Ariel, D.L. 2018. [Consulta 11-05-2019].

https://www.fundaciontelefonica.com/arte_cultura/publicaciones-listado/pagina-itempublicaciones/itempubli/624/

TORRES I VIÑALS, Jordi (2012). Del cloud computing al big data: visión introductoria para jóvenes emprendedores. Barcelona: UOC. [Consulta 24-07-2019]. https://campusvirtual.ull.es/ocw/mod/resource/view.php?id=6168&forceview=1

TUFTE, Edward R. (2001) 2nd ed. The visual display of quantitative information. Graphics Press

Programari

En aquesta assignatura l'alumnat té llibertat per utilitzar aquell programari que millor s'adapti a les seves necessitats i capacitats tècniques. En els casos en què es proposi la feina amb un programari determinat, serà amb programaris gratuïts, que es presentaran en les sessions docents.

Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura

Tipus de docència Grup Idioma Semestre Torn
(TE) Teoria 7 Espanyol primer quadrimestre tarda
(PLAB) Pràctiques de laboratori 71 Espanyol primer quadrimestre tarda