STRUMENTI PER LA BUSINESS ANALYTICS-2

Il corso di Strumenti per la Business Analytics costituisce un insegnamento caratterizzante dell’area quantitativa del Corso di Laurea in Economia aziendale e contribuisce in modo significativo alla formazione di competenze metodologiche e applicative relative alla rilevazione, all’elaborazione, all’analisi e all’interpretazione di dati a supporto delle decisioni aziendali, con particolare attenzione all’impatto dell’innovazione tecnologica e della digitalizzazione sui processi gestionali.
Nel piano di studi, l’insegnamento è collocato al secondo anno e attribuisce complessivamente 12 CFU. Esso si articola in due parti. La prima parte, Fondamenti di statistica inferenziale (6 CFU, SECS‑S/01), è dedicata ai fondamenti della statistica inferenziale. La seconda parte (6 CFU, MAT/09) si articola in due moduli integrati: (i) Business Analytics & Data Analysis e (ii) Decision Modelling & Optimization for Analytics.

Dopo una prima introduzione metodologica svolta nel primo modulo del corso finalizzata a fornire le basi concettuali e operative necessarie, il corso assume una marcata impostazione applicativa ed è orientato al problem solving: a partire da un problema di business, gli studenti sono guidati nell’individuazione dei KPI rilevanti, nella costruzione di un dataset idoneo all’analisi, nello sviluppo di analisi descrittive e di modelli previsivi di base, nonché nella formulazione di raccomandazioni decisionali di tipo prescrittivo (prescriptive), mediante strumenti implementabili in ambiente Excel.

Al termine del corso, la studentessa e lo studente dovranno essere in grado di impostare e realizzare un’analisi di business “end‑to‑end” lungo l’intero processo, dalla definizione del problema all’interpretazione dei risultati e alla formulazione di raccomandazioni operative, utilizzando strumenti di Business Analytics con particolare enfasi su Excel e al decision modelling.
In particolare, gli studenti dovranno avere acquisito i seguenti risultati di apprendimento.
1. Conoscenza e comprensione
- Conoscere le metodologie base della statistica inferenziale.
- Conoscere il framework della Business Analytics nelle sue principali articolazioni (descriptive → diagnostic → predictive → prescriptive) e il ruolo dei KPI nei processi decisionali aziendali.
- Conoscere i principi fondamentali di data preparation e data quality necessari alla costruzione di dataset idonei all’analisi.
- Conoscere i fondamenti dei metodi di forecasting e dei modelli di regressione utilizzabili a fini previsivi e di analisi di scenario.
- Conoscere i concetti base del decision modelling e dell’ottimizzazione, con particolare riferimento a funzione obiettivo, vincoli, trade‑off e analisi di sensitività.
- Comprendere, a livello introduttivo e manageriale, le logiche di funzionamento degli strumenti di AI/ML, nonché i principali rischi associati al loro impiego, quali bias, leakage, drift e problematiche di uso responsabile.
2. Capacità di applicare conoscenza e comprensione
- Capacità di applicare in modo critico le principali tecniche di statistica inferenziali.
- Tradurre un problema di business in obiettivi analitici, vincoli decisionali, KPI rilevanti e criteri di valutazione del “costo degli errori”.
- Preparare dati in ambiente Excel attraverso operazioni di pulizia, trasformazione e controllo di coerenza, producendo analisi descrittive e diagnostiche mediante tabelle, tabelle pivot e grafici.
- Costruire in Excel modelli previsivi di base e strumenti di scoring decisionale, valutandone le prestazioni mediante appropriate metriche di errore e matrici di confusione.
- Impostare e risolvere problemi di prescriptive analytics mediante analisi di scenario, analisi what‑if e utilizzo del Solver, con riferimento, ad esempio, a problemi di allocazione di budget, product mix e capacity planning.
- Organizzare e presentare i risultati dell’analisi attraverso dashboard e brevi documenti decisionali strutturali.
3. Capacità di giudizio
- Valutare criticamente la qualità dei dati, la coerenza dei risultati e la robustezza delle conclusioni, esplicitando ipotesi, limiti e sensibilità rispetto a scenari alternativi.
- Selezionare strumenti e metodi analitici coerenti con il contesto decisionale, con i vincoli operativi e con le possibili conseguenze degli errori di analisi o previsione.
4. Capacità di apprendimento
- Consultare in autonomia materiale tecnici, manuali, tutorial e documentazione per applicare in modo consapevole strumenti analitici a nuovi casi aziendali.
- Aggiornare progressivamente le proprie competenze in relazione all’evoluzione degli strumenti digitali e delle pratiche di business analytics.
5. Capacità comunicative
- Comunicare in modo chiaro ed efficace risultati analitici, ipotesi, limiti e implicazioni decisionali, adattando il linguaggio a interlocutori manageriali non specialisti.
- Sintetizzare evidenze quantitative in forme comunicative orientate al supporto delle decisioni, anche mediante dashboard, grafici e note decisionali.

Avere sostenuto esame di Statistica.
Inoltre è richiesta una preparazione di base in: Matematica e algebra matriciale.

Il corso si articola in due parti.
La prima parte, di carattere metodologico e propedeutico agli sviluppi applicativi successivi, è dedicata ai fondamenti dell’analisi inferenziale.

Fondamenti di statistica inferenziale
1. Teoria della stima e intervalli di confidenza
2. Test d’ipotesi sulla media di una popolazione e sulle proporzioni
3. Test d’ipotesi per il confronto fra due popolazioni
4. Test d’indipendenza tra due variabili categoriche
5. Regressione lineare

La seconda parte si articola in due moduli integrati e combina lezioni teoriche con esercitazioni pratiche su casi aziendali.
Business Analytics & Data Analysis
1. Il framework della Business Analytics: descriptive, diagnostic, predictive e prescriptive analytics; definizione di obiettivi, vincoli decisionali, KPI e costo degli errori.
2. Data preparation: qualità del dato, pulizia, trasformazioni, controlli di coerenza e costruzione di dataset “analysis‑ready”, idonei all’analisi.
3. Analisi esplorativa dei dati (EDA) e analisi descrittiva/diagnostica mediante tabelle, tabelle pivot e grafici; prime analisi dei principali driver.
4. Analisi inferenziale in Excel tramite add-in e strumenti di supporto[MP1.1].
5. Regressione lineare in Excel per finalità previsive e interpretative: coefficienti, bontà di adattamento R², residui e principali applicazioni operative. Decision Modelling for Analytics
6. Customer analytics: analisi RFM (Recency, Frequency, Monetary) e segmentazione a fini gestionali.
7. Scoring e supporto alle decisioni: matrici di confusione, scelta delle soglie e valutazione dei costi degli errori.
8. Cenni introduttivi all’uso dell’intelligenza artificiale nella Business Analytics: lettura degli output dei modelli, principali rischi (bias/leakage/drift) e uso responsabile.
9. Prescriptive analytics e decision modelling: formulazione di problemi decisionali, funzione obiettivo, vincoli e analisi what-if/ analisi di scenario.
10. Utilizzo del Solver in Excel per la formulazione e la soluzione di semplici problemi di allocazione, pianificazione e ottimizzazione

Testo/risorse principali (a supporto delle lezioni e delle esercitazioni):
- Betty Thorne - Paul Newbold - William L. Carlson, STATISTICA - 9/Ed (2021), Cap. 8-13, Pearson
- Dispense e file Excel forniti dal docente tramite Moodle.

esame mira a verificare l’acquisizione degli strumenti concettuali e operativi e la capacità di applicarli a casi di business.

L’esame è composto da due parti:
- La prima parte consiste in una prova scritta composta da 6 quiz e 1 esercizio strutturato, per una valutazione complessiva di 22 punti.
- La seconda parte prevede una prova pratica di analisi empirica su un caso studio fornito dal docente, da sostenere successivamente alla prima parte, per una valutazione complessiva di 10 punti.
Alla seconda parte si accede solo se si ottiene un punteggio uguale o superiore a 14 nella prima prova.

scritto

Il/la docente ha il dovere di vigilare affinché siano rispettate le regole di autenticità e originalità delle prove d'esame. Di conseguenza, nei casi in cui vi sia il sospetto di un comportamento irregolare, l'esame può prevedere un ulteriore approfondimento, contestuale alla prova d'esame, che potrà essere realizzato anche in modalità differente rispetto alle modalità sopra riportate.

A. voti nella fascia 18–22: comprensione sufficiente dei concetti e applicazione guidata degli strumenti; analisi e comunicazione essenziali.
B. voti nella fascia 23–26: buona comprensione e applicazione corretta nella maggior parte dei casi; discreta autonomia di giudizio; comunicazione chiara.
C. voti nella fascia 27–30 (e lode): comprensione ottima, applicazione autonoma e robusta; capacità di valutare trade‑off e limiti; comunicazione efficace e professionale (dashboard + decision memo).

Il corso si svolge attraverso una combinazione di lezioni frontali, esercitazioni applicative e discussione di casi. Ciascun argomento è introdotto a partire da un problema di business e sviluppato mediante esempi, dataset reali o realistici e attività guidate in ambiente Excel, con l’obiettivo di favorire l’applicazione operativa degli strumenti di Business Analytics e decision modelling.
Sono inoltre previste attività progettuali di gruppo e momenti di confronto in aula, finalizzati a sviluppare la capacità di interpretare i risultati, argomentare le scelte analitiche e comunicarne efficacemente le implicazioni decisionali.

Gli studenti sono tenuti a registrarsi alla pagina dell’insegnamento sulla piattaforma Moodle di Ateneo per accedere ai materiali didattici, ai dataset e alle eventuali consegne previste nel corso.
Durante le lezioni saranno inoltre comunicate le modalità di ricevimento, il calendario delle eventuali consegne e le indicazioni operative relative agli strumenti software utilizzati.