DALMINE
Dati Generali
Periodo di attività
Syllabus
Obiettivi Formativi
Il corso mira a colmare il divario tra l'analisi tecnica dei dati e la presa di decisioni strategiche in ambito aziendale.
Al termine del corso gli studenti saranno in grado di:
- Preparare il dato: Gestire l'acquisizione di dati da fonti diverse e la loro pulizia per renderli affidabili.
- Modellare la realtà: Applicare metodologie statistiche predittive (Regressione e Classificazione) per anticipare scenari futuri anziché limitarsi a descrivere il passato.
- Supportare le decisioni: Trasformare gli output matematici in insight di business azionabili per le funzioni Marketing, Operations e Strategia.
- Creare strumenti decisionali: Sviluppare interfacce interattive (Data Apps) che permettano agli stakeholder di simulare scenari in tempo reale.
Prerequisiti
Conoscenza base di programmazione (Python), fondamenti di SQL (query semplici) e di statistica descrittiva, acquisiti durante il percorso triennale. I concetti fondamentali verranno rivisti in una lezione di ripasso.
Metodi didattici
Slides del docente ed esercitazioni in codice Python
Verifica Apprendimento
L'esame si compone di due parti:
- Prova Scritta (Obbligatoria):
- Valutazione: fino a 30/30 (in assenza di progetto).
- Progetto Facoltativo (Bonus/Esonero Parziale):
- Svolgimento di un progetto di gruppo su un dataset reale. Il progetto prevede l'implementazione di una pipeline completa (Pulizia → Modello → App Interattiva).
- Il progetto garantisce un punteggio che si somma al risultato della parte teorica.
- Valutazione basata su: correttezza metodologica e capacità di "Data Storytelling"
Contenuti
MODULO 1: Data Engineering & Data Quality
o Gestione Fonti Eterogenee: Le sfide nell'integrare dati statici (es. report Excel/CSV manuali) con dati dinamici (es. estrazioni da Database SQL). Il concetto di "Single Source of Truth".
o Data Quality Management: Impatto della qualità del dato sulle decisioni (GIGO: Garbage In, Garbage Out). Strategie per gestire i dati mancanti (Imputazione statistica vs Eliminazione) e gli errori di inserimento.
o Feature Engineering: Trasformare le informazioni di business in variabili numeriche per gli algoritmi. Encoding di variabili categoriche, gestione delle date, normalizzazione (Scaling) e discretizzazione.
MODULO 2: Predictive Analytics & Modeling
o Analisi di Regressione: Regressione Lineare (Multipla). Interpretazione manageriale dei coefficienti come leve decisionali ("Se aumento X, quanto cambia Y?"). Verifica delle assunzioni e significatività (P-value, R-quadro).
o Forecasting (Serie Storiche): Analisi delle componenti della domanda (Trend, Stagionalità). Tecniche di previsione applicate alla pianificazione della domanda.
o Classificazione: Modellare eventi binari (Sì/No, Churn/Loyal). Regressione Logistica e Alberi di Decisione.
o Valutazione del Modello: Oltre l'accuratezza. Matrice di Confusione, Precision, Recall. Analisi economica dei Falsi Positivi vs Falsi Negativi.
MODULO 3: Applied Business Analytics
o Marketing Analytics: Segmentazione della clientela tramite Clustering (K-Means) e analisi comportamentale RFM (Recency, Frequency, Monetary).
o Operations & Supply Chain: Utilizzo dell'errore di previsione (RMSE) per il calcolo statistico delle Scorte di Sicurezza e l'analisi delle priorità di magazzino (Analisi ABC).
o HR Analytics (Cenni): Analisi predittiva del turnover del personale.
o Unstructured Data & NLP: Analisi del testo per il business (recensioni, reclami). Sentiment Analysis pratica (lexicon-based). Introduzione manageriale all'uso delle API di AI Generativa (LLM) nei processi aziendali: opportunità e costi. (molto introduttivo)
MODULO 4: Data Products & Interactive Reporting
o Design di Sistemi di Supporto alle Decisioni: Principi di visualizzazione efficace.
o Interactive Computing: Evoluzione dal report statico alla Web App. Introduzione alle librerie Python per la creazione di interfacce (Streamlit).
o What-If Analysis: Come collegare un modello predittivo a un'interfaccia utente per simulare scenari alternativi.