96094 - TECNICHE E STRUMENTI PER L'ANALISI DI DATI AZIENDALI T

Scheda insegnamento

SDGs

L'insegnamento contribuisce al perseguimento degli Obiettivi di Sviluppo Sostenibile dell'Agenda 2030 dell'ONU.

Imprese innovazione e infrastrutture

Anno Accademico 2021/2022

Conoscenze e abilità da conseguire

Comprendere le potenzialità dell'analisi strutturata di dati aziendali a supporto dei processi decisionali delle imprese. Applicare tecniche di analisi e visualizzazione di dati aziendali allo studio di dataset aziendali reali (per esempio, dati di bilancio ed economico finanziari; dati di mercato e di settore; dati tecnici e industriali). Approfondire la conoscenza di alcuni strumenti software dedicati all'analisi dei dati aziendali, con particolare riferimento ad Excel.

Contenuti

Introduzione al corso

Dati per le decisioni: tipologie di dati e ambiti decisionali nelle imprese

I dati come asset aziendali

La professione del Data Scientist

 Letture di riferimento

HBR Guide cap. 1, Appendix


Modelli di business data-driven

Le componenti dei modelli di business Data Driven

Innovazione data-driven: ambiti di applicazione e casi d'uso

Data Value Canvas

Letture di riferimento

Hartmann, P.M et al (2016)

 

Preparazione ed esplorazione dei dati

Validazione e trasformazione dei dati: applicazioni

Analisi univariata dei dati mediante grafici e tabelle: applicazioni

Analisi univariata dei dati mediante misure numeriche: applicazioni

Letture di riferimento

Giuliani e Dickson, cap. 1,2,3

 

Campionamento e randomizzazione

Creare campioni rappresentativi e unbiased

Randomizzazione

A/B testing ed approcci sperimentali

Letture di riferimento

Giuliani e Dickson, cap. 5,6

HBR Guide cap. 5,7

 

Testare le ipotesi

Progettare e realizzare test di ipotesi: applicazioni

Inferenza sulla media e sulla proporzione di una popolazione: applicazioni

Inferenza sulla differenza fra medie: applicazioni

Analisi di varianza: applicazioni

Letture di riferimento

Giuliani e Dickson, cap. 4,7, 8, 9

HBR Guide cap. 13

 

Analisi di regressione

Regressione lineare semplice: applicazioni

Regressione lineare multipla: applicazioni

Esempi di sviluppo di modelli di regressione

Letture di riferimento

Giuliani e Dickson, cap. 10, 11

HBR Guide cap. 10

 

Problemi, bias e limiti delle decisioni data-driven

Bias cognitivi ed errori di interpretazione dei dati

Correlazioni vs Causalità

Trattamento degli outlier: esempi

Letture di riferimento

HBR Guide cap. 14,15,16

 

Data visualisation and communication

Strumenti di visualizzazione efficace dei dati

Storytelling

Letture di riferimento

HBR Guide cap. 17,18,19

 

Privacy, sicurezza ed etica nell'uso di Big Data

Privacy e GDPR: cenni

Protezione e proprietà dei dati

Previsioni comportamentali e mercato dei comportamenti futuri

Letture di riferimento

Zuboff, S. (2006)

 

Testimonianze aziendali

Testi/Bibliografia

 

Le letture di riferimento del corso consistono nei seguenti libri:

  • Giuliani, D., Dickson, M.M (2015) “Analisi statistica con Excel”, Apogeo Education
  • HBR Guide “Data Analytics for Managers”, Harvard Business Review Press

e in una serie di letture integrative di seguito elencate:

  • Hartmann, P.M et al (2016), "Capturing value from big data – a taxonomy of data-driven business models used by start-up firms", International Journal of Operations & Production, Vol. 36 No. 10, pp. 1382-1406
  • Zuboff, S. (2006). “The Secrets of Surveillance Capitalism”, Frankfurter Allgemeine Zeitung, 5 May 2016.

Una selezione di esercizi e casi di studio da discutere in aula sarà disponibile a cura del docente durante lo svolgimento del corso.


Metodi didattici

Lezioni Frontali; Esercitazioni basate sul software Excel; Discussione di Casi; Testimonianze Aziendali

Modalità di verifica e valutazione dell'apprendimento

L'esame totale prevede una prova scritta della durata di circa un’ora e mezza su tutti gli argomenti coperti dal programma. La prova scritta prevede: una serie di domande multiple choice su tutto il programma; una domanda aperta; un esercizio di analisi dati su Excel. L’iscrizione all’esame deve essere effettuata in anticipo su Almaesami.

Strumenti a supporto della didattica

Sito web del corso disponibile su: virtuale.unibo.it

Orario di ricevimento

Consulta il sito web di Federico Munari