DIMA

Lingua Insegnamento:

ITALIANO
Testi di riferimento:

Testi di riferimenti:

Levine DM, Krehbiel TC, Berenson ML (2018) Statistica, Apogeo, Milano.
per la parte relativa agli Intervalli di Confidenza, Verifica di Ipotesi, Modello di Regressione

Sergio Zani, Andrea Cerioli
Analisi Dei Dati e Data Mining per le Decisioni Aziendali.
Giuffrè Editore 2007

Capitoli
I I Le matrici dei dati e le analisi univariate
VI -L'analisi delle componenti Principali
VIII - Distanze ed Indici di Similarità
IX- Analisi dei gruppi

Approfondimenti:
-Chris Chapman and Elea McDonnell Feit, 2015. F for Marketing Research
and Analytics. Springer.
-Tonio Di Battista, 2014. Metodi statistici per la valutazione. Franco Angeli
Il materiale didattico integrativo per le esercitazioni con R sarà pubblicato dal docente sulla piattaforma fad.unich
Obiettivi formativi:

Il corso si propone di illustrare le tecniche statistiche per il trattamento
delle informazioni d’interesse aziendale, considerando
contemporaneamente più variabili, ed in particolare quelle di tipo
quantitativo. Tali tecniche comprendono: il modello di regressione
lineare, la regressione logistica, la cluster analysis gerarchica e non
gerarchica, l'analisi delle componenti principali, I dati possono essere di
fonte interna all’azienda, come ad esempio quelli riguardanti le vendite
dei beni o servizi prodotti, oppure possono essere ottenuti mediante
indagini campionarie (ricerche di mercato) o ricavati dal Web. L’obiettivo
dell’analisi dei dati multidimensionali è quello di fornire un supporto
conoscitivo razionale per le decisioni riguardanti le strategie di marketing
da perseguire.
Le competenze insegnate nel corso comprendono sia aspetti
metodologici, essenziali per la comprensione delle tecniche e per
l’interpretazione dei risultati, sia un impiego dell’approccio learning by
doing. La partecipazione alle attività d'aula e lo svolgimento di
esercitazioni, attraverso l'impiego dell'ambiente statistico R,
accresceranno nello studente la capacità di elaborare autonomamente
dati rilevanti per la soluzione di problemi di marketing e di digital
marketing. Al termine del corso, gli studenti dovranno acquisire
familiarità con i metodi statistici sopra indicati, per operare analisi
descrittive e predittive, individuare segmenti di clientela al quale
rivolgersi, analizzare dati comportamentali dei clienti per individuare e
prevenire l'abbandono con strategie di marketing ad hoc.
Prerequisiti:

Pur non essendo richiesta nessuna propedeuticità, si raccomanda la
conoscenza dei concetti fondamentali di statistica di base.
Metodi didattici:

L’insegnamento prevede 54 ore di lezione, che si volgeranno attraverso
la didattica frontale articolata in lezione teoriche e laboratori con R.
Per informazioni contattare la Prof.ssa Sarra Annalina: annalina.sarra@unich.it
Modalità di verifica dell'apprendimento:

La valutazione del livello di apprendimento degli studenti si basa su una
parte pratica e una teorica:
- La parte teorica può basarsi su una prova orale o scritta a seconda del
numero dei prenotati.
L’obiettivo è valutare la conoscenza delle tecniche statistiche trattate
durante il corso
- La parte pratica è rappresentata dalla presentazione del lavoro di
gruppo svolto attraverso l’impiego del software/linguaggio R volta a
verificare l’applicazione delle tecniche statistiche a casi di studio del
marketing, l’interpretazione dei risultati e la conoscenza delle principali
oggetti con cui R lavora.
Sostenibilità:
Altre Informazioni:

Gli studenti ERASMUS sono invitati a contattare il docente per il loro
programma. Gli studenti ERASMUS possono discutere l’esame in lingua
inglese.

Il corso si propone di far acquisire ai partecipanti le conoscenze teoriche
e tecniche necessarie per un’approfondita comprensione dei fenomeni
aziendali attraverso l’analisi dei dati di mercato disponibili. Rispetto al
profilo professionale che il corso di studio si propone di formare,
l’insegnamento è finalizzato a sviluppare le seguenti competenze:
1) Conoscenza e capacità di comprensione:
-raccogliere e organizzare i dati di mercato;
-analizzare i big data con il software statistico R;
-trarre informazioni a supporto delle strategie di marketing attraverso
metodologie statistiche avanzate.
2) Autonomia di giudizio:
-scegliere autonomamente il tipo di analisi più idoneo in base al contesto
di riferimento ed al tipo di dato disponibile;
-interpretare autonomamente i risultati ottenuti da un’analisi statistica
avanzata senza dover ricorrere ad esperti esterni.
3) Abilità comunicativa/applicativa:
-utilizzare la terminologia statistica appropriata rispetto al tipo di analisi
condotta;
-applicare le conoscenze acquisite per la diagnosi e la comprensione dei
fenomeni aziendali;
-comunicare abilmente i risultati di un’analisi statistica in base agli
obiettivi da perseguire ed al destinatario del report.

Matrici di dati e sintesi statistiche
• Introduzione all'ambiente statistico R.
• Prime analisi di dati multimensionali.
• Richiami di algebra lineare: vettori, matrici, relazioni, operazioni, rango,
determinante.
• Regressione lineare semplice e multipla. Stime dei minimi quadrati.
Misure di bontà del modello. Analisi dei residui. Inferenza sui parametri di
un modello di regressione.• La regressione logistica.
• La Cluster analysis: metodi gerarchici e non gerarchici di
classificazione.
• Metodi di riduzione dimensionale: analisi delle componenti principali.
Esercitazioni in R per la previsione della Customer Life Value, la Churn
Prevention in online Marketing, l'analisi delle componenti principali per i
dati della CRM,la segmentazione nel digital Marketing.