Course 2011-2012 a.y.

Go to class group/s: 31

CLMG (6 credits - I sem. - OP  |  SECS-S/01) - M (6 credits - I sem. - OP  |  SECS-S/01) - IM (6 credits - I sem. - OP  |  SECS-S/01) - MM (6 credits - I sem. - OP  |  SECS-S/01) - AFC (6 credits - I sem. - OP  |  SECS-S/01) - CLAPI (6 credits - I sem. - OP  |  SECS-S/01) - CLEFIN-FINANCE (6 credits - I sem. - OP  |  SECS-S/01) - CLELI (6 credits - I sem. - OP  |  SECS-S/01) - ACME (6 credits - I sem. - OP  |  SECS-S/01) - DES-ESS (6 credits - I sem. - OP  |  SECS-S/01) - EMIT (6 credits - I sem. - OP  |  SECS-S/01)

Course Director:
LUCA MOLTENI

Obiettivi formativi del corso

Il corso propone di introdurre il concetto di Data Mining e di presentare le principali tecniche statistiche che possono essere utilmente impiegate in quest’ambito per la soluzione di problemi aziendali.

E’ strutturato in due principali moduli.

Il primo è incentrato sul tema delle previsioni delle vendite: sono presentati, a questo proposito, i metodi di decomposizione classica, di attenuazione esponenziale (Holt-Winters) e la modellistica ARIMA.

La seconda parte del corso è dedicata al Customer Relationship Management ed in particolare ai temi legati alla profilazione della clientela, all’analisi del comportamento d’acquisto dei consumatori e allo scoring della clientela.

Il corso è caratterizzato da un alternarsi di lezioni di natura metodologica e di lezioni di natura più applicativa, mediante ricorso a una serie di casi aziendali e all’uso di specifici software diffusi sul mercato (SPSS Statistics e Modeler).

Al termine del corso gli studenti devono essere in grado di realizzare ed interpretare in completa autonomia analisi evolute dei dati aziendali a supporto delle scelte di business.

Programma sintetico del corso

Il corso è strutturato in due principali moduli.

Il primo è incentrato sul tema delle previsioni delle vendite. A questo proposito sono presentati:

• metodi di decomposizione classica
• metodi di attenuazione esponenziale (Holt-Winters)
• modellistica ARIMA.

La seconda parte del corso è dedicata al Customer Relationship Management ed in particolare ai temi legati alla profilazione della clientela, all’analisi del comportamento d’acquisto dei consumatori e allo scoring della clientela. Tra le numerose tecniche statistiche multivariate che è possibile impiegare per rispondere agli obiettivi conoscitivi indicati, il corso propone:

• algoritmi di classificazione ad albero
• regressione lineare multipla
• reti neurali, mappe di Kohonen
• market basket analysis
• analisi discriminante lineare
• analisi di regressione logistica.

Descrizione dettagliata delle modalità d'esame

Studenti frequentanti
Lavoro individuale: peso 100%
Il progetto consiste nell’analizzare un database (che può essere scelto dallo studente oppure fornito dal docente) attraverso le tecniche trattate in aula.
Il lavoro deve essere discusso in un breve colloquio orale con esito individuale.

Studenti non frequentanti
Esame in forma scritta

Testi d'esame

Studenti frequentanti

• Slide a cura dei docenti
• Lettura consigliata: libri di testo

Studenti non frequentanti

• P. GIUDICI, Data Mining, McGraw-Hill, 2005
• J. HANKE, D. WICHERN, Business forecasting, Eight Edition, Prentice Hall, 2005
• K. TSIPTSIS , A. CHORIANOPOULOS, Data Mining Techniques in CRM: Inside Customer Segmentation, Wiley, 2009

Exam textbooks & Online Articles (check availability at the Library)

Prerequisiti

Conoscenza delle nozioni di base di Matematica e Statistica acquisite nei primi due anni di corso di laurea.

Modificato il 12/05/2011 11:07