• Edizioni di altri A.A.:
  • 2019/2020
  • 2020/2021

  • Lingua Insegnamento:
    Italiano con libri di testo e altro materiale didattico in inglese. 
  • Testi di riferimento:
    • Pang-Ning Tan, Michael Steinbach, Vipin Kumar. Introduction to Data Mining (2nd edition). Prentice Hall.

    • Rosaria Silipo. KNIME Beginners Luck. 
  • Obiettivi formativi:
    Un digital marketing manager ha bisogno di informazioni per poter progettare una campagna efficace. Queste informazioni, nella maggior parte dei casi, non provengono da indagini di mercato tradizionali, ma devono essere ricavate dall'analisi di dati raccolti per gli scopi più disparati: log di siti web, dati di vendita, servizi pubblicitari digitali come Google Analytics, etc... Talvolta la mole dei dati grezzi è così vasta che è necessario ricorrere a meccanismi computazionali distribuiti: si entra, cioè, nel reame dei big data.

    Ovviamente, la figura professionale che è normalmente preposta a questo tipo di analisi non è il digital marketing manager ma il data scientist. Tuttavia, è importante che anche le figure manageriali abbiano una preparazione di base nell'ambito dell’estrazione della conoscenza dei dati, sia allo scopo di dialogare in maniera più efficiente con le figure preposte a questa attività, sia perché, in contesti medio-piccoli, potrebbe non essere disponibile una figura specifica di data scientist e il manager si potrebbe trovare nella posizione di dover sopperire a questa mancanza. In ogni caso, avere una preparazione di base nell’ambito del data mining è utile per conoscere potenzialità e limiti degli strumenti che si hanno a disposizione. Obiettivo del corso è dunque fornire queste conoscenze di base, come dettagliato nella sezione sui contenuti del corso.

    In maniera più specifica, e riferendosi agli indicatori di Dublino, alla fine dell’insegnamento lo studente dovrà essere in grado di

    CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
    • esporre in modo chiaro e corretto i concetti principali del data mining e dell'analisi dei dati;
    • illustrare con precisione il comportamento dei principali algoritmi di analisi.

    CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE:
    • svolgere in maniera autonoma semplici analisi di dati utilizzando il software KNIME;
    • trarre informazioni a supporto delle strategie di marketing attraverso le metodologie di data mining.

    AUTONOMIA DI GIUDIZIO:
    • scegliere autonomamente il tipo dianalisi più idoneo in base agli obiettivi ed ai tipi di dato disponibili;
    • interpretare autonomamente i risultati ottenuti dall’analisi dei dati, senza dover ricorrere ad esperti esterni.

    ABILITÀ DI COMUNICAZIONE:
    • comunicare con eventuali esperti di data scienze utilizzando un linguaggio corretto ed appropriato;
    • comunicare ad altre figure manageriali i risultati dell’analisi dei dati in un linguaggio semplice ma corretto, facendo uso di grafici comprensibili e facilmente interpretabili.

    CAPACITÀ DI APPRENDERE:
    • leggere e capire testi in cui si parla, in maniera anche approfondita sebbene non al livello di attività di ricerca, di metodologie di analisi dei dati;
    • leggere e capire testi in cui si parla di come utilizzare le tecniche di analisi dei dati ai fini del supporto alle strategie di marketing. 
  • Prerequisiti:
    Pur non essendo richiesta nessuna propedeuticità, si raccomandano conoscenze di base di statistica descrittiva e sull'uso del calcolatore elettronico. 
  • Metodi didattici:
    L'insegnamento prevede 54 ore di lezione, circa un terzo delle quali da svolgere in laboratorio di informatica. 
  • Modalità di verifica dell'apprendimento:
    La valutazione del livello di apprendimento degli studenti sarà effettuato tramite ricorso ad una prova pratica ed una prova scritta.

    1) La prova pratica consiste in un progetto di analisi di dati di complessità media, che gli studenti possono svolgere a casa o nelle aule informatiche dell'Ateneo, anche in piccoli gruppi. Tutti gli studenti, dopo la consegna del progetto, dovranno però discuterlo individualmente con il docente. Alla fine della discussione viene attribuito un voto che va da 0 (insufficiente) a 4 (ottimo). Chi ha preso un voto insufficiente dovrà ripetere la prova pratica, eventualmente con un progetto diverso. Obiettivo della prova pratica è valutare la capacità dello studente di portare a compimento un’analisi di dati completa secondo la metodologia studiata a lezione. Pertanto, in relazione ai Descrittori di Dublino, la prova pratica è rivolta soprattutto a sondare il «saper fare» e l'«autonomia di giudizio».

    2) Chi ha superato il progetto può sostenere la prova scritta, che consiste in esercizi e domande a risposta aperta. Il voto massimo della prova scritta è 30, mentre il minimo per superare la prova è 18. La prova scritta è rivolta a sondare nel discente le conoscenze acquisite, la padronanza del linguaggio tecnico specifico della disciplina trattata e la chiarezza espositiva.

    Il voto finale sarà la somma del voto della prova scritta e del voto del progetto. Se la somma supera 32, il docente valuterà se attribuire la lode.

    Le modalità d’esame sono le medesime per frequentanti e non frequentanti. 
  • Sostenibilità:
     
  • Altre Informazioni:
    Ulteriori informazioni sono disponibili sul sito web del corso nella piattaforma e-learning di ateneo. 

In questo corso studieremo il processo di estrazione della conoscenza dalle basi di dati, in particolare per ciò che riguarda le fasi di pulizia e pre-elaborazione dei dati, analisi dei dati e validazione dei risultati.

Per quanto riguarda la parte di analisi dei dati, sarà dato maggior spazio alle tecniche basate su intelligenza artificiale e machine-learning, visto che le tecniche di natura più propriamente statistica sono argomento di altri insegnamenti del medesimo corso di studi. Le lezioni teoriche saranno alternate ad esercitazioni pratiche utilizzando il software KNIME Analytics Platform (https://www.knime.com/). Durante le esercitazioni pratiche verranno presentati alcuni casi di studio che sono di particolare interesse per il Digital Marketing Manager, come la market basket analysis.

In questo corso studieremo il processo di estrazione della conoscenza dalle basi di dati, in particolare per ciò che riguarda le fasi di pulizia e pre-elaborazione dei dati, analisi dei dati e validazione dei risultati.

Per quanto riguarda la parte di analisi dei dati, sarà dato maggior spazio alle tecniche basate su intelligenza artificiale e machine-learning, visto che le tecniche di natura più propriamente statistica sono argomento di altri insegnamenti del medesimo corso di studi. Le lezioni teoriche saranno alternate ad esercitazioni pratiche utilizzando il software KNIME Analytics Platform (https://www.knime.com/). Durante le esercitazioni pratiche verranno presentati alcuni casi di studio che sono di particolare interesse per il Digital Marketing Manager, come la market basket analysis.

Più in dettaglio, il contenuto del corso sarà il seguente:

• Il processo di estrazione della conoscenza dai dati: pulizia e integrazione dati, selezione e trasformazione, data mining, validazione, presentazione.
• Dati: tipi di dati, sorgenti dei dati e big data, pre-elaborazione dei dati, misure di similarità e dissimilarità.
• Analisi di classificazione: alberi decisionali, reti neurali artificiali, overfitting, valutazione delle prestazioni di un classificatore.
• Analisi di associazione: itemset frequenti, regole associative, valutazione delle regole associative.
• Analisi di raggruppamento: metodi di partizionamento, metodi gerarchici, metodi basati su densità, valutazione della bontà di un'analisi di raggruppamento.

Avvisi

Nessun avviso in evidenza

Documenti

Nessun documento in evidenza

Scopri cosa vuol dire essere dell'Ud'A

SEDE DI CHIETI
Via dei Vestini,31
Centralino 0871.3551

SEDE DI PESCARA
Viale Pindaro,42
Centralino 085.45371

email: info@unich.it
PEC: ateneo@pec.unich.it
Partita IVA 01335970693

icona Facebook   icona Twitter

icona Youtube   icona Instagram