Il corso si propone di fornire agli studenti le conoscenze teoriche e le competenze operative necessarie per analizzare in profondità i dati del marketing digitale, mediante l’utilizzo di tecniche di statistica multivariata. Particolare attenzione sarà 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 capacità di comprensione • Raccogliere, organizzare e gestire dataset complessi e ad alta dimensionalità generati da attività 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 più 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’utilità per la decisione strategica. • Formulare raccomandazioni data-driven, anche in contesti complessi o incerti. 3. Capacità 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 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.