BUSINESS ANALYTICS

Il corso presenta alcuni degli strumenti utilizzati per l'analisi predittiva e prescrittiva per applicazioni in ambito aziendale e sociale, con un focus sui metodi di analisi di dati. Partendo dalle competenze acquisite nel primo anno di Master, il corso espande la gamma di metodi che possono essere utilizzati per la predizione e nei processi decisionali. Nel presentare i diversi approcci e metodi, saranno discussi sia gli aspetti teorici che quelli pratici.

Una comprensione approfondita dei metodi prescrittivi e 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 modelli analitico-predittivi presentati nel corso  
- Saper creare visualizzazioni delucidative di dati grezzi e di elaborazioni di vari modelli analitico-predittivi 

Il corso non ha pre-requisiti formali, ma si fa 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). In particolare si farà uso del linguaggio di programmazione statistica R.

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)
- simulazione e analisi montecarlo
- metodi di decision-making
- regressione quantilica
- modelli gerarchici e panel per dati con struttura

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 utilizzati.

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 dura 90 minuti, si svolge in laboratorio informatico e si compone di due parti: una parte scritta (che vale 16 punti) e una parte in R (che vale 18 punti). Entrambe le parti si compongono di diversi esercizi volti a valutare
1. le conoscenze della teoria degli argomenti del corso,
2. la capacità di applicare la teoria per risolvere problemi reali.
3. la capacità di usare il software R e interpretare l'output del software per risolvere problemi reali.
4. la capacità di usare il software R per presentare i risultati di un'analisi.

La gradazione dei voti si basa sul livello delle capacità dimostrato dalla studente per i punti precedenti tramite la prova d'esame.

scritto

L'insegnamento comprende una combinazione di lezioni di teoria convenzionali centrate sulla 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 e a sperimentare con il codice durante il corso.