Questo corso adotta un approccio fortemente applicato e pratico, con l'obiettivo di fornire agli studenti sia conoscenze teoriche che un ricco insieme di tecniche di decision-making derivate dai settori dell'intelligenza artificiale (IA), della scienza dei dati e dei metodi digitali, sempre più richiesti per le transizioni tecnologiche delle aziende. Durante questo corso, gli studenti:
• Otterranno un'introduzione alle basi teoriche, concettuali e pratiche dei metodi quantitativi per la raccolta, la gestione, l'analisi e l'interpretazione dei dati strutturati e non strutturati nel contesto dell'intelligence aziendale e gestionale, utilizzando applicazioni e casi d'uso reali.
• Esploreranno come progettare e adattare strategie di monitoraggio del brand e dei prodotti/servizi per facilitare il processo decisionale manageriale.
• Svilupperanno competenze nella selezione delle fonti di dati più appropriate e degli approcci empirici per diversi obiettivi e scenari.
• Impareranno ad applicare principi teorici e concettuali a problemi aziendali reali utilizzando software specialistici.
• Acquisiranno la capacità di interpretare e riassumere i risultati in report orientati ai dati e alla gestione.
Per trarre pieno beneficio da questo corso, i partecipanti dovrebbero idealmente possedere una conoscenza di base dei metodi e delle tecniche di ricerca di mercato tradizionali. Sebbene i principi chiave vengano brevemente introdotti, questo corso non mira a fornire una spiegazione approfondita di questi argomenti. Sono utili conoscenze elementari di matematica (ad esempio, calcolo, regressione lineare) e statistica (ad esempio, statistica descrittiva, OLS). Non è richiesta la capacità di programmare, ma è consigliato un certo livello di alfabetizzazione informatica e software, o la motivazione ad acquisirlo.
Questo corso impiega metodi di insegnamento applicati e pratici che privilegiano tutorial e simulazioni rispetto alle lezioni frontali tradizionali. Sebbene le lezioni introduttive forniranno una panoramica di ciascun argomento, la maggior parte del tempo in classe sarà dedicata a esercizi pratici. Per migliorare la comprensione degli studenti della materia e delle sue implicazioni nel mondo reale, professionisti ed esperti del settore saranno invitati come relatori ospiti.
La partecipazione al corso non è obbligatoria ma altamente raccomandata. Per gli studenti frequentanti, la valutazione si baserà sui seguenti criteri:
• Report presentati in classe e consegnati entro la fine del corso, dimostrando l'applicazione delle competenze relative al rispettivo campo e agli strumenti di data science (70% del voto finale).
• Completamento di compiti in classe e a casa tra le lezioni, che possono includere quiz, simulazioni e studi di caso (20%).
• Partecipazione proattiva alle discussioni in classe (10%).
Per gli studenti non frequentanti, la valutazione sarà basata esclusivamente su un esame scritto finale, che prevede tre domande aperte riguardanti i contenuti e i materiali del corso, da completare in 90 minuti.
Il corso inizia con una lezione introduttiva che familiarizza gli studenti con i concetti fondamentali, la terminologia e la logica dell'intelligenza artificiale, della data science e dei digital methods. È quindi diviso in due moduli. Il primo modulo si concentra interamente sull'analisi dei dati strutturati. Alla fine di questo modulo, gli studenti saranno in grado di:
• Progettare e pianificare il tipico processo di data science.
• Comprendere le differenze e i casi d'uso delle principali tecniche di apprendimento supervisionato e non supervisionato.
• Identificare fonti di dati secondarie e utilizzare varie strategie di raccolta, tra cui API, scraping e archivi online.
• Progettare, implementare, valutare e risolvere compiti di regressione, classificazione e clustering utilizzando piattaforme senza codice.
Il secondo modulo è dedicato all'analisi dei dati non strutturati, in particolare dei dati testuali. Alla fine di questo modulo, gli studenti avranno acquisito le seguenti competenze:
• Differenziare tra protocolli di text mining top-down e bottom-up.
• Progettare ed eseguire compiti chiave di pulizia e pre-elaborazione dei dati testuali.
• Progettare, implementare, valutare e interpretare analisi del sentiment, classificazione e topic modeling utilizzando piattaforme senza codice.
• Comprendere le basi dei metodi digitali ed eseguire analisi di rete di base.
