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.

Per scaricare questo appunto in PDF è necessario essere loggati, se non sei nostro utente registrati!

« Torna alla lista

 

Indice dei contenuti:

  1. Definizione di business intelligence
  2. Il contesto della business intelligence
  3. Natura della business intelligence
  4. Approccio multidimensionale della business intelligence
  5. Esempi di decisioni efficaci e tempestive in ambito di business intelligence
  6. Differenza tra concetti di: dati, informazioni e conoscenza - esempi
  7. Ruolo dei modelli matematici nella gestione organizzativa
  8. Definizione di modello nel contesto di gestione organizzativa
  9. Architettura del sistema di business intelligence
  10. Componenti del sistema di business intelligence
  11. Problemi tipici della ricerca operativa
  12. Ciclo di business intelligence
  13. Ciclo di business intelligence
  14. Realizzazione del sistema di business intelligence
  15. Metodologie di analisi tipiche di un sistema di BI
  16. Definizione di data warehousing
  17. Definizione di sistemi OLTP E OLAP
  18. Definizione di data wareahouse
  19. Definizione di strumenti ETL
  20. Definizione di deposito di metadati
  21. Accesso al data warehouse – operazioni di front-end
  22. Definizione e caratteristiche di analisi multidimensionale
  23. Il modello multidimensionale in sintesi
  24. Esempi di analisi secondo il modello multidimendsionale
  25. Definizione di analisi multidimensionale OLAP
  26. Definizione di cubi OLAP
  27. Contenuto informativo di un ipercubo
  28. Gerarchie di concetti e operazioni OLAP
  29. Fondamenti di data mining: definizione
  30. Modelli matematici di apprendimento
  31. Prospettiva classica nella definizione di regole nel data mining
  32. Prospettiva probabilistica nella definizione di regole nel data mining
  33. Prospettiva casistica nella definizione di regole nel data mining
  34. Esempi di diverse prospettive nel data mining
  35. Confronto con statistica classica e OLAP
  36. Rappresentazioni dei dati in ingresso nelle analisi di data mining
  37. I processi di data mining
  38. Standardizzazione del processo di data mining
  39. Competenze implicate nel processo di data mining
  40. Metodologie di analisi: apprendimento supervisionato
  41. Esempio 1 – apprendimento supervisionato
  42. Esempio 2 – Apprendimento non supervisionato clustering
  43. Quanto il data mining è adatto a risolvere un problema
  44. Tecniche di data mining – introduzione
  45. Tecniche di data mining – classificazione
  46. Tecniche di data mining – stima
  47. Tecniche di data mining – previsione
  48. Definizione di clusterizzazione non supervisionata
  49. Regole associative - market basket analysis
  50. Punti fondamentali dell'attività di data mining
  51. Tecniche di data mining – parte avanzata
  52. Definizione di alberi decisionali
  53. Esempio di albero decisionale
  54. Criteri per la costruzione degli alberi decisionali - controllo della crescita
  55. Scelta dei nodi: entropia e guadagno di informazione
  56. Indice di Gini e indice di misclassificazione
  57. Algoritmi per gli alberi decisionali
  58. Vantaggi e svantaggi degli alberi decisionali
  59. Reti neurali artificiali - introduzione
  60. Reti neurali – formato di input
  61. Reti neurali – formato di output
  62. Reti neurali – funzione di attivazione
  63. Reti neurali artificiali: vantaggi e svantaggi
  64. Introduzione ai criteri di valutazione di una classificazione
  65. Definizione di matrice di confusione
  66. Definizione di lift
  67. Introduzione alle regole associative
  68. Esempio applicativo di regole associative
  69. Clusterizzazione non supervisionata - Introduzione algoritmo della k – medie
  70. Esempio applicativo di clusterizzazione non supervisionata
  71. Considerazioni generali sul metodo delle k-medie
  72. Introduzione ai metodi di preparazione dei dati per le business analysis
  73. Qualità dei dati in ingresso: dati incompleti
  74. Qualità dei dati in ingresso: dati soggetti a rumore
  75. Qualità dei dati in ingresso: dati inconsistenti
  76. Trasformazione dei dati in ingresso
  77. Criteri per stabilire l’opportunità di una tecnica di riduzione dei dati
  78. Logiche di riduzione dei dati all'ingresso
  79. Introduzione all'esplorazione dei dati oggetto di un'analisi di business
  80. Utilità dell’approccio esplorativo: l'analisi univariata
  81. Caratteristiche dell'analisi bivariata
  82. I momenti di un’indagine statistica
  83. Modalità informatica di archiviazione dei dati
  84. Comandi rapidi della tastiera del computer
  85. Modalità di creazione serie-seriazione statistica
  86. Formule per calcolare la regressione
  87. Serie temporali
  88. Analisi: vari modelli
  89. Stima e utilizzo delle differenze-coefficiente di stagionalità

 

Vuoi approfondire gli argomenti di questo documento?

Dettagli dei contenuti: