BUSINESS ANALYTICS

Obbiettivo del corso è migliorare le competenze in ambito della modellazione predittiva e dell'uso di modelli predittivi in ambito applicativo economico-aziendale.

Una comprensione approfondita dei metodi predittivi utilizzati in Business Analytics e della loro applicazione. In particolare le attività del corso consentiranno agli studenti di raggiungere i seguenti obbiettivi di apprendimento:

1. Conoscenza e comprensione
- Comprendere le strutture matematico-statistiche alla base dei metodi analitico-predittivi presentati nel corso
2. Capacità di applicare conoscenza e comprensione
- Applicare in autonomia, correttamente e in maniera critica i metodi analitico-predittivi presentati nel corso
3. Capacità di giudizio
- Valutare quali metodi usare in diverse situazioni applicative con coscienza di quali possano essere i vantaggi e gli svantaggi di diversi metodi
4. Abilità comunicative
- Saper spiegare in maniera sia tecnica che colloquiale il funzionamento e i risultati dei analitico-predittivi presentati nel corso
- Saper creare visualizzazioni elucidative di dati grezzi e di elaborazioni di vari modelli analitico-predittivi

Il corso non ha pre-requisiti formali, ma farò uso di concetti e metodi presentati nei corsi del primo anno del Master in Data Analytics for Business and Society (per esempio Statistical learning for data science, Data analytics and artificial intelligence, Managerial decision making and modelling)

Il corso presenta il concetto di Business Analytics e coprirà temi quali:

- metodi predittivi ed elementi di base di analisi delle serie temporali (stagionalità e trends, medie mobili, lisciamento esponenziale)
- regressione quantilica
- modelli gerarchici e panel per dati con struttura
- simulazione e analisi montecarlo
- analisi di dati multivariati
- metodi di decision-making

Tutti gli argomenti verranno presentati usando il software R con un focus sulla ricerca riproducibile e sulla visualizzazione dei dati grezzi e dell'output dei modelli analitico-predittivi.

Slides e altro materiale reso disponibile su Moodle.
Per le diverse componenti del corso saranno utilizzati libri di testo diversi, tra cui:

James G, Witten D, Hastie T, Tibshirani R (2015). An Introduction to Statistical Learning. 6th version. Springer. Webpage http://www-bcf.usc.edu/~gareth/ISL/
Rob J Hyndman and George Athanasopoulos, Forecasting: Principles and Practice (3rd ed) https://otexts.com/fpp3/
Andrew Gelman and Jennifer Hill Data Analysis Using Regression and Multilevel/Hierarchical Models, Cambridge
Lingxin Hao and Daniel Q. Naiman, Quantile Regression, Sage
Camm et al, Essentials of Business Analytics, Cengage Learning
Yihui Xie, J. J. Allaire, Garrett Grolemund, R Markdown: The Definitive Guide - https://bookdown.org/yihui/rmarkdown/

L'esame si svolge in laboratorio informatico e di compone di due parti: una parte scritta e una parte in R. Entrambe le parti si compongono di due esercizi volti a valutare la comprensione teorica e pratica dei vari metodi presentati nel corso.

L'insegnamento comprende una combinazione di lezioni di teoria convenzionali focalizzate su descrizione dei metodi e sessioni pratiche che descrivono l'implementazione e l'applicazione dei metodi ai problemi reali. I metodi saranno implementati con il software statistico R (www.r-project.org). Gli studenti sono incoraggiati a portare i propri laptop (no tablet!) ed a sperimentare con il codice durante il corso.

Inglese

scritto