Postgrado en Big data Management for Executive

1° MODULO

Introduzione al Data Management

Obiettivi
La gestione dei dati e la definizione di soluzioni di Big Data Analytics richiedono un approccio multidisciplinare, che include competenze tecnologiche, metodologiche, conoscenza delle sorgenti dati, dei loro formati, delle modalità di acquisizione e trasformazione e di valutazione della loro qualità. Questo modulo è dedicato a presentare le competenze base che permettono di affrontare in modo organico la gestione di soluzioni Big Data Analytics.

Contenuti

• Come e perché sono nate le soluzioni Big Data Analytics
• Cosa costituisce i Big Data
• Concetti base di Data Governance
• Introduzione al Data Modelling
• Le tecnologie abilitanti:
  • Caratteristiche dei DB relazionali e NoSQL
  • Panoramica dell’ecosistema Hadoop
  • Panoramica degli strumenti analitici disponibili
• Le architetture big data: DWH, Data Lake, Ibridi

Introduzione al linguaggio R

Obiettivi
Permettere agli studenti di conoscere le basi di R, al fine di essere efficaci nelle successive esercitazioni pratiche, dove la conoscenza verrà approfondita su casi specifici.

Contenuti

• Installazione di R e di RStudio, uso di IBM Cloud
• Elementi base del linguaggio R (variabili, matrici, Array, Dataframe, Liste, ecc.)
• Costruzione di funzioni
• Importazione e manipolazione di dati
• Data cleaning ed analisi esplorativa

Introduzione al Machine Learning

Obiettivi

• Richiamare concetti base di statistica
• Introdurre agli studenti le caratteristiche dei modelli supervisionati e non supervisionati
• Acquisire una prima familiarità nell’utilizzo di R per costruire modelli supervisionati e non supervisionati e nell’analisi di serie temporali
• Conoscere come costruire modelli con SPSS

Contenuti

• Introduzione ai modelli supervisionati. Regressione lineare multipla e regressione logistica
• Support vector machine, Classification And Regression Trees, k-nn, naïve bayes
• Modelli non supervisionati Analisi in componenti principali, Cluster analysis (gerarchica, k-means, db-scan)
• Analisi delle corrispondenze
• Introduzione alle Time Series
• Esperienze nel linguaggio R e con il software SPSS

Big Data in practice: Predictive Maintenance

Obiettivi
Comprendere l’intero ciclo di progettazione ed implementazione di una soluzione di predictive maintenance attraverso la realizzazione di un caso pratico.

Contenuti
Analisi di base sulla manutenzione predittiva all’interno di una specifica linea produttiva di un impianto industriale, al fine di garantire un’idonea manutenzione preventiva.

Nello specifico, una volta acquisiti i dati dai sensori relativi al componente/macchinario del quale si vuole predire il guasto, mediante opportuni modelli matematici si lavora a:

• individuare uno o più parametri significativi (es. temperatura d’esercizio, fornitore del pezzo, ecc.)
• calcolare la probabilità di rottura del pezzo
• determinare il tempo residuo prima del guasto, definendo una priorità d’intervento per la manutenzione

Big Data in Practice: Marketing Analytics

Obiettivi
Far comprendere agli studenti quali sono gli strumenti metodologici necessari alla progettazione e costruzione di modelli per il marketing analitico a fronte degli obiettivi di business tipici nella pianificazione di campagne di marketing di acquisizione, up/cross-selling, risveglio, prevenzione del churn, win-back, ecc.

Contenuti

• Analisi di dataset reali, contenenti comportamenti di acquisto e di usage di un set di clienti
• Creazione di indicatori comportamentali per il clustering e la segmentazione della clientela
• Introduzione e sperimentazione delle varie fasi di un processo di sviluppo di modelli analitici
• Creazione e valutazione di modelli RFM, di clustering e di propensione all’acquisto

Big Data in Practice: HR analytics

Obiettivi
Permettere agli studenti di valutare praticamente le tecniche di:

• Descriptive analytics
• Predictive analytics

nel contesto di un caso concreto in ambito HR con il supporto di uno strumento abilitante la Data Science (RapidMiner)

Contenuti

Obiettivo di business: minimizzare il turn-over dei talent, sulla base di dati sulla storia lavorativa e di formazione di un gruppo di impiegati

Come: identificare le caratteristiche più importanti ai fini dell’attrition e sviluppare un algoritmo che ne calcoli la probabilità

Fasi dello sviluppo:

• Business understanding
• Data understanding

Data preparation e creazione feature aggiuntive:

• Data modeling
• Data standardization
• Algoritmi predittivi

Big Data in Practice: Text mining and Social Analytics

Obiettivi
Accompagnare lo studente attraverso i vari approcci al text mining, modelli POS, Bag of Words e reti neurali.

Contenuti

• Cleaning del testo e preparazione per la fase di analisi
• Analisi esplorativa dei testi e approccio tramite tm e tramite tidyverse
• Estrazione dati social da Twitter o da Facebook
• Problemi di codifica e di lingue diverse dall’inglese
• Analisi di sentiment tramite metodi supervisionati e non supervisionati, e classificazione automatica testi tramite naive bayes