Course 2009-2010 a.y.

8477 - DATA MINING


MM-LS - AFC-LS - CLAPI-LS - CLEFIN-LS - CLELI-LS - DES-LS - CLG-LS - M-LS - IM-LS - ACME-LS - EMIT-LS

Department of Decision Sciences

Course taught in Italian

Go to class group/s: 31
MM-LS (6 credits - II sem. - AI) - AFC-LS (6 credits - II sem. - AI) - CLAPI-LS (6 credits - II sem. - AI) - CLEFIN-LS (6 credits - II sem. - AI) - CLELI-LS (6 credits - II sem. - AI) - DES-LS (6 credits - II sem. - AI) - CLG-LS (6 credits - II sem. - AI) - M-LS (6 credits - II sem. - AI) - IM-LS (6 credits - II sem. - AI) - ACME-LS (6 credits - II sem. - AI) - EMIT-LS (6 credits - II sem. - AI)
Course Director:
LUCA MOLTENI

Classi: 31 (II sem.)
Docenti responsabili delle classi:
Classe 31: 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.
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 e Clementine).
Al termine del corso gli studenti dovranno 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 saranno 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

L’esame si svolge attraverso la combinazione di due distinte modalità.

  • La prima è costituita da un breve esame scritto con risposte multiple, composto da 10 domande, ciascuna con valore pari ad 1 punto.
  • La seconda parte, sostenibile previo raggiungimento di un punteggio di almeno 6/10 nella prova scritta, viene affrontata predisponendo un lavoro applicativo di gruppo. Tale parte peserà sul voto finale per un massimo di 21/30. Nella tesina dovranno essere applicate almeno una tecnica di analisi previsionale e due tecniche di data mining presentate nel corso.
    Il lavoro potrà essere svolto individualmente o da gruppi costituiti al massimo da tre studenti. I database su cui realizzare le analisi saranno scelti dallo studente oppure forniti dai docenti. La valutazione del lavoro applicativo sarà riferita all’intero gruppo di lavoro ma tuttavia il lavoro dovrà essere discusso individualmente, al fine del superamento dell’esame (con esito individuale approvato/respinto).

Testi d'esame

  • P. GIUDICI, Data Mining, McGraw-Hill, 2005
  • J. HANKE, D. WICHERN, Business Forecasting, Prentice Hall, 2005, 8th ed
  • Appunti e lucidi a cura dei docenti
  • Course packages a cura dei docenti
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 06/05/2009 14:34