DIMA

Lingua Insegnamento:

ITALIANO
Testi di riferimento:

Dispense ed eventuale materiale di approfondimento fornite dal docente.
Obiettivi formativi:

L'insegnamento appartiene all'area quantitativo-informatica del percorso e concorre agli obiettivi formativi del Corso di Studio relativi all'uso dei dati a supporto delle decisioni di marketing (Art. 3, obiettivi 2 e 4): fornire conoscenze e tecniche per interpretare i dati provenienti dal monitoraggio degli indicatori di performance, dai trend di mercato e dagli insight generati dalle attivita digitali.

Coerentemente con il profilo del Digital Marketing Manager e con quello collegato di Digital Marketing Analyst, l'insegnamento mira a sviluppare la capacita di impostare una domanda di business, individuare i dati che possono rispondervi, calcolare le metriche pertinenti e riconoscere i limiti di cio che l'analisi consente di affermare.

Risultati di apprendimento attesi

Conoscenza e capacita di comprensione. Lo studente conosce le principali metriche di performance del marketing digitale, le sorgenti da cui i relativi dati provengono e i meccanismi di tracciamento che le alimentano, ed e in grado di individuare, tra queste, le metriche pertinenti alla domanda di analisi posta.

Capacita di applicare conoscenza e comprensione. Lo studente e in grado di analizzare un dataset attraverso gli indicatori pertinenti, utilizzando gli strumenti impiegati nel corso, e di costruire visualizzazioni coerenti con la domanda di analisi.

Autonomia di giudizio. Lo studente e in grado di valutare la coerenza tra le evidenze prodotte e le conclusioni che ne derivano, circoscrivendo queste ultime a quanto le evidenze sostengono.

Abilita comunicative. Lo studente e in grado di presentare i risultati di un'analisi a interlocutori di marketing non specialisti, in forma scritta e orale, e di argomentare le scelte analitiche compiute.
Prerequisiti:

Nessuno
Metodi didattici:

Lezioni frontali per introdurre i concetti base, alternate ad analisi di casi in ambito Digital Marketing svolte in aula su dati realistici. Sono inoltre previste attivita pratiche brevi e valutate (challenge) svolte in aula, attraverso cui gli studenti potranno ottenere punti "bonus" concorrenti alla valutazione finale. Il lavoro si svolge principalmente su fogli di calcolo (Excel) e talvolta con il supporto di strumenti di intelligenza artificiale generativa.

I materiali didattici saranno scaricabili dagli studenti dal sito dedicato al corso sulla piattaforma elearning.unich.it
Modalità di verifica dell'apprendimento:

La valutazione ordinaria e espressa in trentesimi ed e composta da due prove:

Progetto finale di gruppo (50%)
Gli studenti, organizzati in gruppi, dovranno sviluppare un progetto di analisi a partire da uno o piu dataset forniti dal docente.
I gruppi dovranno produrre una relazione scritta che documenti il lavoro svolto e presentare i risultati del progetto con il supporto di slides. Ulteriori dettagli verranno forniti durante il corso.
Alla discussione del progetto dovranno obbligatoriamente partecipare tutti i membri del gruppo.

La valutazione terra conto di:
- Analisi (5 punti) ? Pertinenza, correttezza e coerenza delle elaborazioni con i dati di partenza.
- Interpretazione (5 punti) ? Lettura critica delle evidenze prodotte; coerenza tra le conclusioni e i risultati ottenuti.
- Comunicazione (5 punti) ? Relazione: completezza della documentazione del lavoro svolto, organizzazione e leggibilita. Presentazione: appropriatezza delle rappresentazioni grafiche rispetto alla domanda, chiarezza dell'esposizione e capacita di sintesi.

La valutazione verra resa nota dopo la discussione del progetto tramite email ai componenti di ogni gruppo.

Prova pratica individuale (50%)
La prova pratica individuale e finalizzata a verificare l'effettiva acquisizione delle competenze operative e analitiche sviluppate durante il corso.
A partire da un dataset fornito dal docente, lo studente dovra svolgere autonomamente una serie di attivita di analisi utilizzando gli strumenti impiegati durante il corso, allo scopo di rispondere a domande pre-determinate, producendo tipicamente dei grafici e dei commenti pertinenti. La prova pratica avra una durata minima di un'ora.
La valutazione terra conto di:
Correttezza dell'analisi (9 punti) ? correttezza e coerenza delle elaborazioni con i dati forniti.
Rappresentazione e conclusioni (6 punti) ? Appropriatezza delle visualizzazioni rispetto alla domanda a cui rispondono; coerenza tra la sintesi finale e i risultati ottenuti.

La valutazione verra resa nota dopo la correzione degli elaborati tramite file scaricabile sul sito del corso (sulla piattaforma elearning.unich.it).

Ogni studente potra scegliere di sostenere la prova pratica individuale in un qualsiasi appello, indipendentemente da quando viene presentato il progetto del gruppo a cui appartiene. La valutazione finale verra registrata sulla piattaforma udaonline.unich.it in corrispondenza dell'appello in cui viene sostenuta la seconda delle due prove. L'esito della prima prova sostenuta resta valido per le sessioni dell'anno accademico in corso.

Challenge e punti bonus (fino a 5 punti)
Nel corso delle lezioni saranno proposte delle brevi "challenge" individuali da svolgere in aula, finalizzate a favorire la partecipazione attiva, l'applicazione continuativa dei concetti e delle tecniche affrontate e il consolidamento progressivo delle competenze.

Le challenge potranno assumere forme diverse, tra cui quiz, interpretazione di dati, tabelle o visualizzazioni, ed esercitazioni operative con gli strumenti utilizzati nel corso.

La partecipazione e la corretta risoluzione delle challenge consentira di accumulare fino a un massimo di 5 punti bonus, secondo le modalita che verranno esposte di volta in volta dal docente. I punti bonus ottenuti saranno aggiunti alla valutazione ordinaria, ottenuta attraverso il progetto di gruppo e la prova pratica individuale. I punti bonus non sono necessari per conseguire la valutazione massima, incluso 30 e lode, e non possono essere utilizzati per compensare una valutazione ordinaria complessivamente insufficiente.

In sintesi, la valutazione complessiva, da 0 a 30, e articolata come segue:
- Progetto finale di gruppo: 50% (massimo 15 punti)
- Prova pratica individuale: 50% (massimo 15 punti)
- Challenge in aula: fino a +5 punti bonus (assegnabili solo se la somma delle prove precedenti e maggiore di 18)

Gli studenti e le studentesse con disabilita, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative e necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell?appello, per conoscere le modalita di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall?Ateneo e possibile contattare il Docente Referente del Dipartimento: Prof.ssa Tania Masi tania.masi@unich.it
Sostenibilità:
Obiettivi Agenda 2030 per lo sviluppo sostenibile:
Altre Informazioni:

Il corso si propone di fornire gli strumenti per rispondere a domande di business a partire dai dati prodotti dai canali digitali. Vengono trattati i fondamenti dell'analisi dei dati, le tipologie di analisi e di domande, l'origine dei dati nel marketing digitale e i meccanismi che li generano, i principali ambiti di analisi con le relative metriche e le modalita di comunicazione dei risultati. Gli strumenti operativi adottati sono Microsoft Excel, Google Analytics 4 e gli agenti basati su AI generativa. I contenuti sono affrontati attraverso lezioni teoriche e l'analisi di casi realistici.

Dopo una introduzione ai concetti base e agli strumenti pratici usati nel corso, principalmente Microsoft Excel e, in alcuni casi, agenti AI generativi, i contenuti del corso sono affrontati attraverso l'analisi di casi realistici.

I contenuti possono essere cosi categorizzati:

Fondamenti di analisi dei dati.
Il processo di analisi dei dati. Dati, variabili e livelli di misurazione; unita di analisi e granularita; aggregazione e perdita di informazione. I tipi di analisi e le domande a cui rispondono: descrittiva (che cosa e successo), diagnostica ("perche" e successo), predittiva (che cosa e probabile che accada), prescrittiva (quale azione conviene intraprendere). Associazione e causalita: cenni. Analisi osservazionale e sperimentale. A/B test: che cos'e e a che cosa serve.

Nota: il corso opera sui primi due livelli di analisi: predittiva e prescrittiva sono presentate a fini di collocazione e non sono oggetto di trattazione operativa.

Origine dei dati nel digital marketing.
Meccanismi di tracciamento del comportamento online: cookie di prima e terza parte, pixel e tag, identificativi utente e dispositivo, fingerprinting. Piattaforme di web analytics: Google Analytics 4. Piattaforme di social media analytics: esempi di dashboard di piattaforma.

Ambiti di analisi e relative metriche.
Analisi di casi concreti attraverso dati realistici: canali di acquisizione; contenuti e campagne social; campagne a pagamento; email marketing; traffico organico e posizionamento nei motori di ricerca; base clienti e segmentazione RFM. Per ciascun ambito: definizione operativa delle metriche e loro limiti.

Strumenti.
Fogli di calcolo (con Excel): importazione e manipolazione dei dati, formule, tabelle pivot, grafici. Agenti AI generativi a supporto dell'analisi dei dati: modalita di interazione, ambiti di applicazione, limiti, rischi, verifica dei risultati.

Visualizzazione dati e comunicazione dei risultati.
Creazione e interpretazione di visualizzazioni comuni: bar chart e grouped/stacked bar chart, line chart, combo chart, istogrammi, boxplot. Costruzione di una sintesi argomentata.