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. Giuffre Editore 2007 Capitoli I I Le matrici dei dati e le analisi univariate VI -L'analisi delle componenti Principali VIII - Distanze ed Indici di Similarita 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 sara pubblicato dal docente sulla piattaforma fad.unich
Obiettivi formativi:

Il corso ha l?obiettivo di presentare le principali tecniche statistiche per l?analisi di informazioni aziendali che coinvolgono contemporaneamente piu variabili, con particolare attenzione a quelle di tipo quantitativo. Tra le tecniche trattate figurano il modello di regressione lineare, la regressione logistica, la cluster analysis (gerarchica e non gerarchica) e l?analisi delle componenti principali. I dati analizzati possono provenire da fonti interne all?azienda, come ad esempio i dati sulle vendite di beni o servizi, oppure essere raccolti tramite indagini campionarie (ricerche di mercato) o estratti dal Web. L?obiettivo dell?analisi multidimensionale e fornire un supporto conoscitivo rigoroso e razionale per prendere decisioni strategiche di marketing efficaci, con particolare riferimento anche al marketing digitale e alle dinamiche dei canali online. Il corso combina l?approfondimento metodologico, fondamentale per comprendere le tecniche e interpretarne correttamente i risultati, con un approccio pratico basato sul learning by doing. La partecipazione attiva alle lezioni e lo svolgimento di esercitazioni pratiche, mediante l?utilizzo dell?ambiente statistico R, consentiranno agli studenti di sviluppare la capacita di analizzare autonomamente dati rilevanti per la risoluzione di problematiche legate sia al marketing tradizionale sia a quello digitale. Al termine del corso, gli studenti saranno in grado di utilizzare i metodi statistici appresi per effettuare analisi descrittive e predittive, identificare segmenti di clientela target, nonche analizzare i comportamenti dei clienti al fine di individuare e prevenire fenomeni di abbandono, elaborando strategie di marketing mirate e personalizzate anche nei contesti digitali.
Prerequisiti:

Pur non essendo richiesto alcun requisito propedeutico, si consiglia di possedere una conoscenza di base dei concetti fondamentali di statistica.
Metodi didattici:

L?insegnamento prevede 54 ore di lezione, svolte tramite didattica frontale, articolata in lezioni teoriche e laboratori pratici con R. Per ulteriori informazioni, e possibile contattare la Prof.ssa Annalina Sarra all?indirizzo: annalina.sarra@unich.it
Modalità di verifica dell'apprendimento:

La valutazione del livello di apprendimento degli studenti si articola in una parte teorica e una pratica: La parte teorica consiste in una prova orale o scritta, a seconda del numero di iscritti, con l?obiettivo di verificare la conoscenza delle tecniche statistiche trattate durante il corso. La parte pratica prevede la presentazione di un lavoro di gruppo realizzato utilizzando il software/language R. Tale attivita ha lo scopo di valutare l?applicazione delle tecniche statistiche a casi di studio nel marketing, l?interpretazione dei risultati ottenuti e la familiarita con i principali oggetti utilizzati in R.
Sostenibilità:
Obiettivi Agenda 2030 per lo sviluppo sostenibile:

obiettivo 4: istruzione di qualita obiettivo 8: lavoro dignitoso e crescita economica obiettivo 10: ridurre le disuguaglianze obiettivo 12: consumo e produzione responsabili
Altre Informazioni:

Gli studenti ERASMUS sono invitati a contattare il docente per concordare il proprio programma di studio. Inoltre, gli studenti ERASMUS hanno la possibilita di sostenere l?esame in lingua inglese.

Il corso si propone di fornire agli studenti le conoscenze teoriche e le competenze operative necessarie per analizzare in profondita i dati del marketing digitale, mediante l?utilizzo di tecniche di statistica multivariata. Particolare attenzione sara riservata all?uso del software R per l?esplorazione, la modellazione e l?interpretazione dei dati provenienti da fonti online. In coerenza con il profilo professionale del corso di studi, l?insegnamento mira allo sviluppo delle seguenti competenze: 1. Conoscenza e capacita di comprensione ? Raccogliere, organizzare e gestire dataset complessi e ad alta dimensionalita generati da attivita di marketing digitale. ? Applicare in modo appropriato tecniche di statistica multivariata (es. analisi delle componenti principali, cluster analysis, regressione multipla, regressione logistica) per individuare pattern e segmentazioni di mercato. ? Utilizzare il linguaggio R per implementare le principali procedure analitiche in contesti digitali reali. 2. Autonomia di giudizio ? Selezionare criticamente le tecniche multivariate piu adatte in base agli obiettivi di marketing e alla struttura del dataset. ? Interpretare in autonomia i risultati delle analisi statistiche, valutandone la robustezza e l?utilita per la decisione strategica. ? Formulare raccomandazioni data-driven, anche in contesti complessi o incerti. 3. Capacita comunicative e applicative ? Comunicare i risultati di un?analisi multivariata utilizzando un linguaggio statistico appropriato e adattato al target di riferimento (es. manager, clienti, team tecnici). ? Trasformare i risultati delle analisi in insight operativi per la definizione di campagne di marketing, personalizzazione dei contenuti, profilazione degli utenti e ottimizzazione della customer journey. ? Utilizzare le visualizzazioni dei dati in modo strategico per supportare

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 bonta 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.