- Oggetto:
- Oggetto:
BUSINESS DATA SCIENCE
- Oggetto:
BUSINESS DATA SCIENCE
- Oggetto:
Anno accademico 2022/2023
- Codice dell'attività didattica
- MAN0620
- Docenti
- Silvia Likavec (Titolare del corso)
Federico Nervi (Tutor) - Anno
- 1° anno
- Periodo didattico
- Primo semestre
- Tipologia
- Caratterizzante
- Crediti/Valenza
- 9
- SSD dell'attività didattica
- SECS-S/01 - statistica
- Modalità di erogazione
- A distanza
- Lingua di insegnamento
- Italiano
- Modalità di frequenza
- Facoltativa
- Tipologia d'esame
- Scritto
- Oggetto:
Sommario insegnamento
- Oggetto:
Obiettivi formativi
La crescente quantità di dati oggi disponibile rappresenta una delle più grandi rivoluzioni nella recente storia dell’uomo. Una parte essenziale di questa rivoluzione è rappresentata dalla trasformazione di queste immense moli di dati in preziose intuizioni, che vengono utilizzate dai decision-maker di tutto il mondo per identificare la strategia migliore da intraprendere. Il marketing non è esente da questo cambiamento, nell’ambito del quale l’utilizzo di avanzate tecniche di machine learning ha consentito a molti brand di fornire messaggi più mirati ed efficaci incrementando in modo significativo il ritorno sull'investimento.
Questo corso si pone essenzialmente due obiettivi: da una parte fornire allo studente gli strumenti analitico-statistici oggi più frequentemente utilizzati nel marketing digitale e tradizionale. Dall’altra parte, il corso mira a favorire nello studente la formazione di una capacità di modellazione della realtà, necessaria per l’analisi quantitativa di fenomeni economici e sociali. La presentazione dei vari argomenti è illustrata attraverso la discussione pratica di numerosi casi relativi a diverse applicazioni aziendali, con un particolare focus nel marketing.
The growing amount of data available today represents one of the greatest revolutions in recent human history. An essential part of this revolution is the transformation of these immense amounts of data into valuable insights, which are used by decision-makers around the world to identify the best strategy to undertake. Marketing is not exempt from this change, in which the use of advanced machine learning techniques has allowed many brands to provide more targeted and effective messages, significantly increasing the return on investment.
This course essentially has two objectives: on the one hand to provide the student with the analytical and statistical tools most frequently used today in digital and traditional marketing. On the other hand, the course aims to encourage the formation of the ability to model the world around us, which represents a fundamental skill for the analysis of economic and social phenomena. The presentation of the various topics is illustrated through the practical discussion of numerous cases related to different business problems, with a particular focus in marketing.
- Oggetto:
Risultati dell'apprendimento attesi
CONOSCENZA E CAPACITÀ DI COMPRENSIONE
Al termine dell’insegnamento, lo studente sarà in grado di:
- Comprendere la diversa natura di campioni di dati di grandi dimensioni.
- Identificare la metodologia corretta da utilizzare per risolvere il problema oggetto di studio.
- Riconoscere e interpretare correttamente i risultati di analisi statistiche applicate a problemi aziendali.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE
Al termine dell’insegnamento, lo studente sarà in grado di:
- Sintetizzare in modo appropriato un insieme di dati mediante grafici e indici.
- Interpretare i risultati di elaborate analisi statistiche effettuate tramite l’uso di software avanzati di analytics.
- Confrontare metodi alternativi di analisi e individuare il metodo migliore per il problema in esame.
- Creare report analitici per diverse applicazioni aziendali, principalmente in ambito marketing.
AUTONOMIA DI GIUDIZIO
- Apprendimento dei concetti statistici indispensabili per lavorare autonomamente nella ricerca, selezione ed elaborazione dei dati aziendali e nello sviluppo di report analitici.
ABILITÀ COMUNICATIVE
- Apprendimento della terminologia e di metodologie statistiche avanzate indispensabili per implementare e comunicare in modo appropriato i risultati delle analisi condotte in diversi contesti aziendali.
KNOWLEDGE AND UNDERSTANDING
At the end of the course, the student will be able to:
- Understand the different nature of the large data samples.
- Identify the correct methodology to be used to solve the problem under study.
- Recognize and correctly interpret the results of statistical analysis applied to business problems.
APPLYING KNOWLEDGE AND UNDERSTANDING
At the end of the course, the student will be able to:
- Properly synthesize a set of data using visualizations and summary indexes.
- Interpret the results of elaborate statistical analyzes carried out using advanced analytics software.
- Compare alternative methods of analysis and identify the best method for the problem under study.
- Create analytical reports for different business applications, mainly in the marketing field.
MAKING JUDGEMENTS
- Learning the statistical concepts that are fundamental for working autonomously in searching, selecting and elaborating corporate data and in the development of analytical reports.
COMMUNICATION SKILLS
- Learning the terminology and advanced statistical methods essential to implement and communicate appropriately the results of the analyzes conducted in different business contexts.
- Oggetto:
Modalità di insegnamento
Video lezioni e aule virtuali sincrone
Video lectures and asynchronous virtual rooms
- Oggetto:
Modalità di verifica dell'apprendimento
L’esame scritto consente di ottenere un punteggio massimo di 31/30.
L’esame si riterrà superato se il voto finale sarà maggiore o uguale a 18/30. Un punteggio finale di 31/30 equivale ad un voto di 30 e lode.
L’esame riguarderà tutto il materiale presentato durante il corso e contenuto nel relativo materiale messo a disposizione e conterrà tra le 15 e le 20 domande a risposta multipla.
Durante l’esame è ammesso l'utilizzo di una calcolatrice non programmabile.
Gli studenti apprendono il relativo voto tramite i canali istituzionali. Trascorsi 5 giorni dalla comunicazione, il voto dell’esame si intende accettato e sarà registrato d’ufficio. In caso contrario, entro lo stesso termine lo studente dovrà esplicitamente manifestare la propria intenzione di rifiutare il voto attraverso le procedure stabilite dall’Ateneo.
L'esame mira a verificare tramite opportune domande:
- La capacità di identificare la metodologia corretta per risolvere un dato problema.
- La comprensione della logica sottostante una determinata procedura.
The exam allows to obtain a maximum grade of 31/30.The writtne exam will be considered passed if the final grade is greater than or equal to 18/30. A final score of 31/30 is equivalent to a grade of 30 with honors (30 e lode).
The exam will cover all the material presented during the course and described in the corresponding material and will be made of between 15 and 20 multiple choice questions.
The use of a non-programmable hand calculator is permitted during the exam.
Students get the grade through the standard institutional channels. After 5 days from the communication, the exam grade is considered accepted and will be officially registered. Otherwise, within the same term the student must explicitly express his intention to refuse the grade following the procedures established by the University.
The exam aim is to verify through appropriate questions:
- The ability to identify the correct methodology to solve a given problem.
- Understanding the logic underlying a given procedure.
- Oggetto:
Programma
Il corso si articola nei seguenti argomenti:
- Review di descriptive analytics.
- Sintesi dei dati mediante l’uso di visualizzazioni grafiche.
- Sintesi dei dati mediante l’uso di indici numerici.
- Review di statistica inferenziale.
- Variabilità campionaria. Il concetto di distribuzione campionaria.
- Stima puntuale e per intervallo per alcuni casi notevoli.
- Introduzione alla verifica di ipotesi e presentazione di alcuni casi notevoli. P-value di un test.
- Riduzione della complessità di un data set: l’analisi delle componenti principali.
- Principali metodi di predictive analytics.
- Il modello di regressione lineare. Esempi (previsione dei comportamenti di acquisto).
- Il modello di regressione logistica per risposta binaria. Esempi (modelli di credit scoring e di churn).
- Il modello di regressione logistica per risposta multinomiale. Esempi (modelli di scelta del consumatore).
- Approcci avanzati di predictive analytics:
- Modelli ad albero
- Random forests e boosting
The course is composed of the following topics:
- Descriptive analytics review.
- Data synthesis using graphical displays.
- Data synthesis through the use of numerical indices.
- Review of inferential statistics.
- Sample variability. The concept of sampling distribution.
- Point estimate and confidence intervals for some notable cases.
- Introduction to hypothesis testing and presentation of some remarkable cases. P-value of a test.
- Reduction of the data dimensionality: the principal component analysis.
- Main methods of predictive analytics.
- The linear regression model. Examples (prediction of purchasing behaviors).
- The logistic regression model for binary responses. Examples (credit scoring and churn models).
- The logistic regression model for multinomial responses. Examples (consumer choice models).
- Advanced predictive analytics approaches:
- Tree models
- Random forests and boosting
Testi consigliati e bibliografia
- Oggetto:
- Altro
- Titolo:
- Slides
- Descrizione:
- Materiale preparato dal docente
- Obbligatorio:
- Si
- Oggetto:
- Libro
- Titolo:
- An introduction to statistical learning with Applications in R
- Anno pubblicazione:
- 2013
- Editore:
- Springer
- Autore:
- James, Gareth (et al.)
- ISBN
- Note testo:
- E-book accessibile su https://link-springer-com.bibliopass.unito.it/book/10.1007/978-1-4614-7138-7
- Obbligatorio:
- No
- Oggetto:
- Libro
- Titolo:
- Applied predictive modeling
- Anno pubblicazione:
- 2013
- Editore:
- Springer
- Autore:
- Kuhn, Max, Johnson, Kjell
- ISBN
- Note testo:
- E-book accessibile su https://link-springer-com.bibliopass.unito.it/book/10.1007%2F978-1-4614-6849-3
- Obbligatorio:
- No
- Oggetto:
- Libro
- Titolo:
- R for marketing research and analytics.
- Anno pubblicazione:
- 2019
- Editore:
- Springer
- Autore:
- Chapman, Chris - McDonnell Feit, Elea
- ISBN
- Note testo:
- E-book accessibile su https://link-springer-com.bibliopass.unito.it/book/10.1007/978-3-030-14316-9
- Obbligatorio:
- No
- Oggetto:
Il materiale corso sarà fornito dal docente attraverso la piattaforma Moodle.
Per ulteriori approfondimenti si consiglia di consultare i seguenti testi:
- Chapman, C., McDonnell Feit, E., R for Marketing Research and Analytics. 2a Springer-Verlag, 2019.
- James, G., Witten, D., Hastie, T., Tibshirani, R., An Introduction to Statistical Learning. Springer-Verlag, 2013.
- Kuhn, M., Johnson, K. Applied Predictive Modeling. Springer-Verlag, 2013
The material for the course will be provided by the instructor through the Moodle platform.
For further details, we recommend referring to the following textbooks:
- Chapman, C., McDonnell Feit, E., R for Marketing Research and Analytics. 2a Springer-Verlag, 2019.
- James, G., Witten, D., Hastie, T., Tibshirani, R., An Introduction to Statistical Learning. Springer-Verlag, 2013.
- Kuhn, M., Johnson, K. Applied Predictive Modeling. Springer-Verlag, 2013.
- Oggetto:
Orario lezioni
- Oggetto: