Statistica per le decisioni aziendali
A.A. 2019/2020
Obiettivi formativi
Il corso di Statistica per le decisioni aziendali si propone di fornire la conoscenza delle principali tecniche di Data Mining funzionali all'analisi dei dati di interesse per l'azienda. La crescente disponibilità di dati, propria della società dell'informazione, ha infatti fatto emergere la necessità, ormai imprescindibile, di poter disporre di metodologie e di strumenti adeguati per i processi decisionali di tipo quantitativo nell'ambito delle applicazioni di Business, Management e Marketing. I dati possono essere di fonte interna all'azienda, come ad esempio quelli riguardanti la clientela o gli utenti, oppure possono derivare da apposite ricerche di mercato. La presenza di dati di natura differente (qualitativi e quantitativi) prevede che lo studente acquisisca capacità adeguate che gli consentano di giustificare la logica sottostante l'adozione di una specifica tecnica di analisi e di formulare, in modo critico e rigoroso, ragionamenti sui principali aspetti economici ed aziendali ricavando informazioni sintetiche a supporto delle decisioni e della gestione delle situazioni di rischio aziendale. Le abilità acquisite nel corso di Statistica per le decisioni aziendali saranno funzionali ai corsi in cui emergano tematiche relative al marketing, alle ricerche di mercato e ai processi decisionali aziendali.
Risultati apprendimento attesi
Al termine dell'insegnamento lo studente avrà acquisito le competenze necessarie per la fomalizzazione teorica ed applicativa delle tecniche di Data Mining affrontate durante il corso. In particolare, sarà in grado di: riconoscere le differenze tra metodi supervisionati, metodi non supervisonati, modelli descrittivi e modelli previsivi; dimostrare un'adeguata capacità nella scelta del modello più adatto in funzione delle caratteristiche dei dati a disposizione e della finalità dell'analisi che si intende condurre; selezionare, fra più modelli, il modello caratterizzato da una maggiore accuratezza previsiva; implementare i modelli mediante il linguaggio di programmazione del software statistico R; interpretare correttamente gli output ottenuti dalle analisi ricavando informazioni che possano essere funzionali ai processi decisionali aziendali.
Periodo: Secondo trimestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Programma e organizzazione didattica
Edizione unica
Periodo
Secondo trimestre
Programma
Il programma del corso di Statistica per le Decisioni Aziendali risulta articolato come segue:
· introduzione al Data Mining e al software statistico R;
· illustrazione della tecnica di Market Basket Analysis mediante l'impiego delle regole associative e della link analysis (es. per l'analisi del carrello di un consumatore/cliente);
· richiamo alle regole sequenziali (es. per effettuare previsioni sui pattern di visita a un sito di e-commerce);
· illustrazione della metodologia di cluster analysis quale tecnica per procedere all'analisi di raggruppamento e di segmentazione (es. identificazione dei diversi profili di cliente);
· illustrazione dei metodi di regressione logistica e alberi decisionali (es. per valutare il rischio di abbandono da parte dei clienti);
· introduzione alla tecnica di survival analysis (es. per previsioni sui comportamenti di fedeltà e di abbandono dei clienti -retention e churn-).
· introduzione al Data Mining e al software statistico R;
· illustrazione della tecnica di Market Basket Analysis mediante l'impiego delle regole associative e della link analysis (es. per l'analisi del carrello di un consumatore/cliente);
· richiamo alle regole sequenziali (es. per effettuare previsioni sui pattern di visita a un sito di e-commerce);
· illustrazione della metodologia di cluster analysis quale tecnica per procedere all'analisi di raggruppamento e di segmentazione (es. identificazione dei diversi profili di cliente);
· illustrazione dei metodi di regressione logistica e alberi decisionali (es. per valutare il rischio di abbandono da parte dei clienti);
· introduzione alla tecnica di survival analysis (es. per previsioni sui comportamenti di fedeltà e di abbandono dei clienti -retention e churn-).
Prerequisiti
Al fine di affrontare adeguatamente i contenuti proposti nel corso, gli studenti dovranno aver maturato adeguate competenze in ambito statistico e matematico.
Metodi didattici
Il corso sarà organizzato attraverso lezioni frontali con strumenti di supporto consistenti nell'impiego della lavagna luminosa, attraverso la quale mostrare i passaggi matematici sottostanti i modelli e le metodologie di Data Mining presentati, e nell'impiego del computer del docente, attraverso il quale proiettare le slide degli argomenti affrontati. Gli studenti dovranno inoltre partecipare alle lezioni portando con sé il proprio portatile al fine di poter replicare l'implementazione dei modelli e delle tecniche di Data Mining all'interno del software statistico R.
Materiale di riferimento
I principali testi di riferimento necessari per la preparazione dell'esame sono di seguito indicati.
Testo di riferimento principale con contenuti teorici e descrittivi delle tecniche di Data Mining:
· Giudici P., Data Mining, Metodi informatici, statistici e applicazioni, 2° Edizione, McGraw-Hill (2005).
In caso di difficoltà nel reperimento di tale libro di testo è possibile scaricare on-line la versione in inglese:
· Giudici P., Figini S., Applied data mining for business and industry, Second Edition, Wiley (2009), reperibile al link
https://epdf.tips/applied-data-mining-for-business-and-industry-2nd-edition.html.
Ulteriori testi di riferimento per approfondimenti relativi ad alcune tecniche di Data Mining sono:
· De Lillo A., Argentin G., Lucchini M., Sarti S., Terraneo M., Analisi multivariata per le scienze sociali, Pearson EDUCATION (2007) - Argomenti: regressione logistica (importante integrazione rispetto a quanto descritto nel libro di testo "Data Mining, Metodi informatici, statistici e applicazioni"), analisi dei gruppi (Cluster Analysis).
· Cerioli A., Zani S., Analisi dei dati e Data Mining per le decisioni aziendali, Giuffré Editore (2007) - Argomenti: Cluster Analysis ed Alberi decisionali (di classificazione).
Alcuni possibili testi di riferimento per l'utilizzo di R sono:
· Ieva F., Masci C., Paganoni A.M., Laboratorio di Statistica con R, II Edizione, Pearson (2016).
· Coccarda R., Frascati F., Manuale interattivo di Statistica con R, Pearson (2015).
· Iacus S. M., Masarotto G., Laboratorio di Statistica con R, II Edizione, McGraw-Hill (2007).
· Kabacoff R.I., R IN ACTION: Data analsis and graphics with R, disponibile al link http://kek.ksu.ru/eos/DataMining/1379968983.pdf.
Testo di riferimento principale con contenuti teorici e descrittivi delle tecniche di Data Mining:
· Giudici P., Data Mining, Metodi informatici, statistici e applicazioni, 2° Edizione, McGraw-Hill (2005).
In caso di difficoltà nel reperimento di tale libro di testo è possibile scaricare on-line la versione in inglese:
· Giudici P., Figini S., Applied data mining for business and industry, Second Edition, Wiley (2009), reperibile al link
https://epdf.tips/applied-data-mining-for-business-and-industry-2nd-edition.html.
Ulteriori testi di riferimento per approfondimenti relativi ad alcune tecniche di Data Mining sono:
· De Lillo A., Argentin G., Lucchini M., Sarti S., Terraneo M., Analisi multivariata per le scienze sociali, Pearson EDUCATION (2007) - Argomenti: regressione logistica (importante integrazione rispetto a quanto descritto nel libro di testo "Data Mining, Metodi informatici, statistici e applicazioni"), analisi dei gruppi (Cluster Analysis).
· Cerioli A., Zani S., Analisi dei dati e Data Mining per le decisioni aziendali, Giuffré Editore (2007) - Argomenti: Cluster Analysis ed Alberi decisionali (di classificazione).
Alcuni possibili testi di riferimento per l'utilizzo di R sono:
· Ieva F., Masci C., Paganoni A.M., Laboratorio di Statistica con R, II Edizione, Pearson (2016).
· Coccarda R., Frascati F., Manuale interattivo di Statistica con R, Pearson (2015).
· Iacus S. M., Masarotto G., Laboratorio di Statistica con R, II Edizione, McGraw-Hill (2007).
· Kabacoff R.I., R IN ACTION: Data analsis and graphics with R, disponibile al link http://kek.ksu.ru/eos/DataMining/1379968983.pdf.
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame consiste in una prova scritta articolata in due parti. Una prima parte sarà strutturata attraverso due domande teoriche sulle metodologie di Data Mining illustrate durante il corso. La seconda parte sarà dedicata all'interpretazione di un output di R relativo all'implementazione di una determinata tecnica di Data Mining. L'esame prevede anche la valutazione di una serie di esercizi assegnati "in itinere" e riguardanti una breve analisi dei dati mediante l'opportuno impiego in R di specifici metodi di Data Mining.
La modalità d'esame proposta consentirà il conseguimento di un duplice obiettivo. Da un lato, la prova scritta permetterà di valutare la reale conoscenza della materia dal punto di vista teorico ed interpretativo dei risultati. Dall'altro lato, lo svolgimento di brevi analisi dei dati, attraverso l'impiego del software statistico R, consentirà di accertare le competenze e le abilità di programmazione acquisite dallo studente durante il corso.
La modalità d'esame proposta consentirà il conseguimento di un duplice obiettivo. Da un lato, la prova scritta permetterà di valutare la reale conoscenza della materia dal punto di vista teorico ed interpretativo dei risultati. Dall'altro lato, lo svolgimento di brevi analisi dei dati, attraverso l'impiego del software statistico R, consentirà di accertare le competenze e le abilità di programmazione acquisite dallo studente durante il corso.
SECS-S/03 - STATISTICA ECONOMICA - CFU: 6
Lezioni: 40 ore
Docente:
Raffinetti Emanuela
Turni:
-
Docente:
Raffinetti Emanuela