Laboratorio informatico per le decisioni aziendali
Appunti relativi al corso informatico per le decisioni aziendali. La business intelligence si avvale della statistica e dei supporti informatici per essere efficiente e competitiva: vengono esplicitate modalità, modelli di riferimento e processi di individuazione, analisi e interpretazione dei dati.
Indice dei contenuti:
- Definizione di business intelligence
- Il contesto della business intelligence
- Natura della business intelligence
- Approccio multidimensionale della business intelligence
- Esempi di decisioni efficaci e tempestive in ambito di business intelligence
- Differenza tra concetti di: dati, informazioni e conoscenza - esempi
- Ruolo dei modelli matematici nella gestione organizzativa
- Definizione di modello nel contesto di gestione organizzativa
- Architettura del sistema di business intelligence
- Componenti del sistema di business intelligence
- Problemi tipici della ricerca operativa
- Ciclo di business intelligence
- Ciclo di business intelligence
- Realizzazione del sistema di business intelligence
- Metodologie di analisi tipiche di un sistema di BI
- Definizione di data warehousing
- Definizione di sistemi OLTP E OLAP
- Definizione di data wareahouse
- Definizione di strumenti ETL
- Definizione di deposito di metadati
- Accesso al data warehouse – operazioni di front-end
- Definizione e caratteristiche di analisi multidimensionale
- Il modello multidimensionale in sintesi
- Esempi di analisi secondo il modello multidimendsionale
- Definizione di analisi multidimensionale OLAP
- Definizione di cubi OLAP
- Contenuto informativo di un ipercubo
- Gerarchie di concetti e operazioni OLAP
- Fondamenti di data mining: definizione
- Modelli matematici di apprendimento
- Prospettiva classica nella definizione di regole nel data mining
- Prospettiva probabilistica nella definizione di regole nel data mining
- Prospettiva casistica nella definizione di regole nel data mining
- Esempi di diverse prospettive nel data mining
- Confronto con statistica classica e OLAP
- Rappresentazioni dei dati in ingresso nelle analisi di data mining
- I processi di data mining
- Standardizzazione del processo di data mining
- Competenze implicate nel processo di data mining
- Metodologie di analisi: apprendimento supervisionato
- Esempio 1 – apprendimento supervisionato
- Esempio 2 – Apprendimento non supervisionato clustering
- Quanto il data mining è adatto a risolvere un problema
- Tecniche di data mining – introduzione
- Tecniche di data mining – classificazione
- Tecniche di data mining – stima
- Tecniche di data mining – previsione
- Definizione di clusterizzazione non supervisionata
- Regole associative - market basket analysis
- Punti fondamentali dell'attività di data mining
- Tecniche di data mining – parte avanzata
- Definizione di alberi decisionali
- Esempio di albero decisionale
- Criteri per la costruzione degli alberi decisionali - controllo della crescita
- Scelta dei nodi: entropia e guadagno di informazione
- Indice di Gini e indice di misclassificazione
- Algoritmi per gli alberi decisionali
- Vantaggi e svantaggi degli alberi decisionali
- Reti neurali artificiali - introduzione
- Reti neurali – formato di input
- Reti neurali – formato di output
- Reti neurali – funzione di attivazione
- Reti neurali artificiali: vantaggi e svantaggi
- Introduzione ai criteri di valutazione di una classificazione
- Definizione di matrice di confusione
- Definizione di lift
- Introduzione alle regole associative
- Esempio applicativo di regole associative
- Clusterizzazione non supervisionata - Introduzione algoritmo della k – medie
- Esempio applicativo di clusterizzazione non supervisionata
- Considerazioni generali sul metodo delle k-medie
- Introduzione ai metodi di preparazione dei dati per le business analysis
- Qualità dei dati in ingresso: dati incompleti
- Qualità dei dati in ingresso: dati soggetti a rumore
- Qualità dei dati in ingresso: dati inconsistenti
- Trasformazione dei dati in ingresso
- Criteri per stabilire l’opportunità di una tecnica di riduzione dei dati
- Logiche di riduzione dei dati all'ingresso
- Introduzione all'esplorazione dei dati oggetto di un'analisi di business
- Utilità dell’approccio esplorativo: l'analisi univariata
- Caratteristiche dell'analisi bivariata
- I momenti di un’indagine statistica
- Modalità informatica di archiviazione dei dati
- Comandi rapidi della tastiera del computer
- Modalità di creazione serie-seriazione statistica
- Formule per calcolare la regressione
- Serie temporali
- Analisi: vari modelli
- Stima e utilizzo delle differenze-coefficiente di stagionalità
Vuoi approfondire gli argomenti di questo documento?
- cluster analysis
- data mining
- analisi statistica
- data warehouse
- business intelligence
- analisi dei dati
- dati statistici
- business process
Dettagli dei contenuti:
- Autore: Valentina Minerva[Visita la sua tesi: "Le strategie di contrasto al fenomeno del riciclaggio: tutela penale e tutela amministrativa"]
- Università: Università Cattolica del Sacro Cuore di Milano
- Facoltà: Economia
- Esame: Laboratorio informatico per le decisioni aziendali
- Docente: Mamino Massimo, Cantaluppi Gabriele
La redazione è online su Skype dalle 9 alle 13.
Contatta la nostra redazione a: [email protected] o via Skype
Seguici su facebook