DIMA

Lingua Insegnamento:

ITALIANO
Testi di riferimento:

Costituiscono materiale di studio le slide delle lezioni, che verranno rese disponibili sul portale e-learning di Ateneo, e le risorse (articoli, tutorial o parti di libri) che verranno indicate dal docente durante il corso.
Obiettivi formativi:

Il corso si propone di fornire le conoscenze di base e gli strumenti per selezionare ed applicare diverse tecniche di analisi dei dati allo scopo di soddisfare diversi bisogni informativi propri del marketing digitale.
Prerequisiti:

La conoscenza dei concetti base di statistica e delle tecniche di regressione lineare e logistica e di raggruppamento (clustering), sono consigliate per la corretta comprensione dei processi di analisi che si andranno ad implementare. Le suddette conoscenze, oggetto del corso di “Marketing statistics and metrics” saranno comunque richiamate e brevemente discusse durante il corso.
Metodi didattici:

L'insegnamento prevede 54 ore di lezione.
Il corso sarà organizzato in moduli, ciascuno dei quali costituito da lezioni teoriche, dimostrazioni ed esercitazioni guidate e progetti pratici di gruppo.

Il corso prevede un progetto di gruppo in cui gli studenti applicheranno gli strumenti introdotti nel corso.

L’organizzazione del corso è supportata dal progetto “l’Ascolto”, un modello sperimentale per il miglioramento continuo della qualità della didattica universitaria. Il progetto prevede la somministrazione di questionari di verifica dell'apprendimento che non costituiranno in alcun modo oggetto di valutazione.
Modalità di verifica dell'apprendimento:

La valutazione finale sarà espressa in trentesimi. La prova di esame consisterà nella valutazione del progetto di gruppo ed in un test.

Per gli studenti frequentanti:
La valutazione del progetto di gruppo costituirà il 40% del voto finale e considererà:
1) La discussione del progetto e le risposte ad eventuali domande sul progetto e sul programma del corso
2) La relazione di documentazione del progetto prodotta

La valutazione del test costituirà il 60% del voto finale. Il test sarà articolato in quiz e/o domande aperte e prove pratiche inerenti gli strumenti software dimostrati a lezione.

Per gli studenti non frequentanti:
Il progetto svolto durante il corso potrà essere sostituito, previo accordo con il docente, da un diverso progetto inerente il contenuto del corso, o da una prova orale su tutto il programma del corso.
Il test invece dovrà essere sostenuto nelle stesse modalità adottate per gli studenti frequentanti.
Sostenibilità:
Obiettivi Agenda 2030 per lo sviluppo sostenibile:
Altre Informazioni:

Il corso dapprima introduce i concetti base relativi alla rappresentazione, all'interrogazione ed all’analisi dei dati, concentrandosi poi sugli strumenti pratici e metodologie usate nell'ambito del marketing, ed in particolare del marketing digitale.
L’applicazione pratica di concetti e metodi illustrati sarà supportata da dimostrazioni ed esercitazioni con software commerciali e aperti, come Brandwatch, per il monitoraggio e analisi dei Social Media, Excel per la manipolazione e visualizzazione di dati di vario genere e KNIME per l'applicazione di tecniche di Machine Learning di base.

Data Analytics: introduzione ai concetti e alla rappresentazione dei dati
- Il processo di analisi dei dati, data-driven decision e tipologie di analisi
- Tipi di dati e formati di rappresentazione, dati strutturati e non strutturati
- Principi di database relazionali e SQL

Web e Social Media
- Strumenti di data analytics specifici per il digital marketing: Google Ads, Analytics, Trends, etc.
- Strumenti per il Social media listening/monitoring:
- Estrarre i dati dal web e dai social: API, scrapers e open data

Data visualisation e descriptive analytics
- Principi di data visualisation
- Analisi esplorative, grafici, report e dashboard interattive, fondamenti e casi pratici con Microsoft Excel.

Data Analytics workflows
- Introduzione a KNIME, preparazione dei dati e composizione di workflow di analisi
- Richiami di analisi regressiva e di raggruppamento (clustering)
- Esempi svolti in classe: Analisi di regressione per predire variabili di marketing (es. churn/buy probability), marketing mix
- Esempi svolti in classe: Cluster analysis per segmentare i clienti e il pubblico social