Use este identificador para citar ou linkar para este item:
http://repositorio.ufc.br/handle/riufc/82337| Tipo: | TCC |
| Título: | Uma abordagem automatizada para integração e análise de dados acadêmicos e profissionais de alunos dos cursos de Engenharia da UFC |
| Autor(es): | Studart, Gabriel Moraes Ramos |
| Orientador: | Soares, José Marques |
| Palavras-chave em português: | Python;Business intelligence;Power BI;Web scraping;LinkedIn;Competências;Situação acadêmica;Mercado de trabalho |
| Palavras-chave em inglês: | Python;Business intelligence;Power BI;Web scraping;LinkedIn;Skills;Academic status;Job market |
| CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
| Data do documento: | 2025 |
| Citação: | STUDART, Gabriel Moraes Ramos. Uma abordagem automatizada para integração e análise de dados acadêmicos e profissionais de alunos dos cursos de Engenharia da UFC. 2025. 114 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) — Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2025. |
| Resumo: | Desde a antiguidade, observa-se a construção do conceito de escola e a preocupação com a formação de cidadãos capazes de impactar a sociedade. Nesse processo evolutivo, surgiram universidades e faculdades. No mundo atual, essas instituições de ensino enfrentam constantes transformações devido aos avanços tecnológicos da quarta revolução industrial, também conhecida como Indústria 4.0, o que exige que busquem atualizações para acompanhar as rápidas mudanças do mercado de trabalho. Isso é evidenciado no relatório anual do Fórum Econômico Mundial, intitulado The Future of Jobs (ou O Futuro do Trabalho, em tradução livre), no qual são analisadas tendências relacionadas ao mercado de trabalho e às habilidades necessárias para os profissionais do futuro, destacando as mudanças que ocorrem globalmente ano após ano. Com base nisso, foram desenvolvidas neste trabalho ferramentas em Python capazes de realizar web scraping nos dados disponíveis publicamente no SIGAA (Sistema Integrado de Gestão de Atividades Acadêmicas) sobre a situação acadêmica dos alunos e egressos, como: concluído, ativo e cancelado, de cada estudante matriculado no curso via SISU (Sistema de Seleção Unificada), e outro para coletar dados do LinkedIn, como experiência profissional e formação acadêmica, rastreando o máximo possível de alunos e egressos dos cursos de Engenharia da UFC. Por fim, elaborou-se um painel de Power BI capaz de relacionar os dados de situação acadêmica e profissional, gerando indicadores e insights. Dos resultados obtidos, demonstrou-se a viabilidade da automação na extração e atualização de dados dos perfis do SIGAA e do LinkedIn, utilizando Selenium e Python, superando desafios de navegação em ambientes web dinâmicos, padronização de formatos de datas, automação de login e entre outros. Como resultado, obteve-se um conjunto de dados relevantes para a elaboração do relatório de Business Intelligence, incluindo indicadores sobre experiências e competências alinhadas às demandas do mercado de trabalho, bem como taxas de conclusão e desistência dos cursos. Observou-se que, por exemplo, em média, os alunos demoram mais para concluir a formação do que o estipulado no currículo. Esses dados fornecem insumos valiosos para apoiar as tomadas de decisões acadêmicas, permitindo aprimorar os cursos e melhor preparar os estudantes para as exigências do mercado profissional. |
| Abstract: | Since antiquity, the concept of school and the concern with shaping citizens capable of impacting society have been observed. Over time, universities and colleges emerged from this evolutionary process. In today’s world, these educational institutions face constant transformations due to technological advances of the Fourth Industrial Revolution, also known as Industry 4.0, which require them to seek continuous updates to keep pace with rapid changes in the job market. This is evidenced in the World Economic Forum’s annual report, The Future of Jobs, which analyzes labor market trends and the skills required for future professionals, highlighting global changes year after year. Based on this context, this study developed Python tools and scripts to perform web scraping on publicly available SIGAA data regarding the academic status of students and graduates—such as “completed,” “active,” or “canceled”—for each individual admitted through SISU, as well as to collect LinkedIn data on professional experience and academic background, tracking as many students and graduates from UFC’s Engineering programs as possible. Finally, a Power BI dashboard was created to correlate academic and professional data, generating indicators and insights. The results demonstrated the feasibility of automating the extraction and updating of SIGAA and LinkedIn profile data using Selenium and Python, overcoming challenges related to dynamic web navigation, date-format standardization, automated login, and more. As a result, a relevant dataset was obtained for the creation of a Business Intelligence report, including indicators related to skills aligned with market demands, as well as course completion and dropout rates. It was observed, for example, that students typically take longer to finish their degrees than stipulated in the curriculum. These data provide valuable support for academic decision-making, enabling improvements to programs and better preparing students to meet professional demands. |
| URI: | http://repositorio.ufc.br/handle/riufc/82337 |
| ORCID do Orientador: | https://orcid.org/0000-0002-5111-5794 |
| Currículo Lattes do Orientador: | http://lattes.cnpq.br/3186709749685737 |
| Tipo de Acesso: | Acesso Aberto |
| Aparece nas coleções: | ENGENHARIA DE COMPUTAÇÃO - Monografias |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| 2025_tcc_gmrstudart.pdf | 2,1 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.