Data Analytics
Dettagli del corso
Per essere competitivi al giorno d’oggi non è più sufficiente erogare prodotti e servizi di qualità, ma è necessario avere capacità previsionali per capire e anticipare le nuove tendenze del mercato che vanno ben oltre la semplice osservazione dei report aziendali. La Data Analytics (BA), applicata al Business, è un insieme di competenze e tecnologie atte a ottenere informazioni ad alto valore aggiunto a partire dai grandi volumi di dati disponibili in azienda e in rete, in modo tale che si possa intervenire efficacemente su ogni aspetto legato alle performance aziendali. A differenza della Business Intelligence, che si limita a valutare “cosa è successo”, la Data Analytics spiega il “perché”, indicando anche “cosa si dovrebbe fare” per ottenere sempre migliori risultati. Si riconoscono tre tipi di Data Analytics: Descrittiva, che mira a comprendere lo stato attuale del business; Predittiva, che utilizza tecniche di apprendimento automatico per determinare risultati futuri; Prescrittiva, che indica le decisioni da prendere in base ai risultati ottenuti.
- Programma
- Obiettivi Formativi
- Destinatari
- Docenti
- Requisiti
- Referenti
PROGRAMMA DIDATTICO:
Parte I: i Dati e la Visione Statistica
• Tipologie di dati
• Principi di fondo sulla Variabilità
• Esercitazione sulla Variabilità
• La raccolta dei dati
• Metodologia di raccolta dati
• Stratificazione e tracciabilità
• Exploratory Data Analysis (EDA)
• Data Visualization e Statistica Descrittiva
• Diagramma temporale, Istogramma, Indici statistici aggregatil, Box plot
• La distribuzione Normale e il suo uso
• Esercitazione di EDA
Parte II: Data Analytics
• Cosa si intende per data Analytics
• Il processo di Data Analytics
• Data Cleaning
• Le dimensioni del data cleaning
• Esercitazione di data cleaning
• Modelli supervisionati e non supervisionati
• I modelli di regressione multipla
• Risposta numerica , regressori numerici e categoriali
• Interpretazione del modello di regressione multipla
Appendice
• Regressione Logistica
• Risposta categoriale, regressori numerici e categoriali
• Interpretazione del modello di regressione logistica
- Estrarre e trasformare dati interni (aziendali) ed esterni (internet)
- Comprendere e valutare le informazioni ottenute con strumenti di Data Analysis e Data Visualization
- Applicare modelli previsionali basati su algoritmi di Machine Learning
- Interpretare, presentare e mettere in opera i risultati ottenuti
Il corso è indirizzato a tutti coloro che sono coinvolti direttamente nell’analisi dei dati.
Docenty Faculty Assolombarda Servizi
Pregressa conoscenza di statistica descrittiva (indicatori sintetici: media, mediana, varianza, deviazione standard; significato di distribuzione statistica) e possibilmente, seppure non strettamente richiesto, le basi della statistica inferenziale (intervallo di confidenza, test statistico).
