Course Syllabus
Obiettivi
L'insegnamento si propone di fornire allo studente le conoscenze e competenze professionalizzanti riguardanti:
- Analisi delle principali funzioni nell'organizzazione e gestione di un’azienda
- Lettura e interpretazione dei documenti finanziari di un’azienda.
- Tecniche di marketing data analytics basate su Machine Learning con particolare attenzione sui Reccommender Systems
- Analisi di problemi specifici con sviluppo di applicativi di data analytics in R/Python.
In laboratorio lo studente acquisirà competenze sugli aspetti di business analytics più rilevanti per la funzione “marketing” dell’azienda, approfondendo in particolare i linguaggi R/Python per la modellazione dei dati e gli aspetti computazionali.
Rilievo particolare sarà dato all'analisi di problemi specifici, alla presentazione di set specifici di dati, allo sviluppo di applicativi di machine learning per marketing data analysis in R/Python e alla valutazione dei risultati.
Contenuti sintetici
Il corso si articola in quattro moduli:
- Organizzazione e gestione aziendale
- Tecniche di Marketing analytics
- Recommender systems
- Esercitazioni e laboratorio: analisi di problemi specifici nell'ambito marketing e sviluppo di applicativi in R/Python
Programma esteso
1. Organizzazione e gestione aziendale
- Elementi di economia e organizzazione aziendale
- La contabilità e il bilancio
- La finanza aziendale
2. Tecniche di Marketing analytics
- Key Performance Indicators (KPIs)
- Product /Consumer analytics
- Marketing mix and attribution modelling
3. Recommender systems
- collaborative filtering
- matrix factorization
- machine learning
4. Esercitazioni e laboratorio
4.1 Analisi di problemi specifici nell'ambito marketing
- Presentazione e discussione di casi specifici di problemi di marketing
- Preparazione e visualizzazione del dato: Business Intelligence (BI) e Data Modelling in ambito aziendale
- Elaborazione del dato: introduzione alle principali tecniche di machine learning per l'analisi dati marketing (es. regressione, classificazione, clustering
- Introduzione a R/Python
- Analisi esplorativa/descrittiva di dataset relativi a problemi di marketing
- Sviluppo applicativi di machine learning in R/Python
Prerequisiti
- Probabilità e statistica per l'Informatica
- Analisi e progettazione del software
Modalità didattica
L'attività formativa si articolerà in:
- lezioni frontali: in cui verranno presentati gli argomenti relativi ai punti 1,2 e 3.
- esercitazioni e laboratori: in cui verranno approfonditi gli argomenti di marketing data analytics con sviluppo in R/Python di applicazioni specifiche con dati reali. Queste attività saranno propedeutiche all'impostazione e allo sviluppo del progetto di fine corso che per esempio potrà consistere nella realizzazione di un sistema di raccomandazione. (recommender systems).
L'insegnamento sarà erogato in lingua italiana
Materiale didattico
Durante le lezioni sarà reso disponibile il seguente materiale didattico:
- Slide realizzate dai docenti
- Materiale aggiuntivo es. link a news, forum, risorse web specifiche sugli argomenti trattati a lezione
Periodo di erogazione dell'insegnamento
Primo semestre
Modalità di verifica del profitto e valutazione
- Tradizionale: prova orale a fine corso che verte sugli argomenti svolti a lezione dai due docenti del corso. La prova orale per quanto riguarda gli argomenti dei punti 1,2 e 3 non verrà richiesta per gli studenti che hanno superato la verifica intermedia.
- Verifica Intermedia: (verso la metà di Dicembre): la verifica consiste in un test con un insieme di domande (al massimo 10) a risposta aperta riguardanti gli argomenti presentati nei punti 1,2 e 3. Ad ogni domanda sarà associato un punteggio, da 3 a 5. Lo studente può rispondere ad un qualsiasi numero di domande. La valutazione del parziale sarà espressa attraverso un giudizio quali-quantitativo: Insufficiente [<18], Sufficiente [18->22], Buono [23->26], Eccellente [27->30], Top [ >30]
Progetto di Laboratorio in R/Python:
Il progetto si articola in:
- Realizzazione di un applicativo in R/Python per l'analisi di dati di marketing e recommender systems.
- Relazione scritta
- Discussione orale del progetto avvalendosi di un set di slide
.
Le tempistiche di consegna verranno comunicate su Moodle
Orario di ricevimento
I due docenti sono disponibili a incontrare gli studenti o subito dopo le lezioni oppure su appuntamento.
Nel periodo di emergenza COVID gli esami orali saranno solo telematici.
Verranno svolti utilizzando la piattaforma Webex e nella pagina e-learning dell’insegnamento verrà riportato un link pubblico per l’accesso all’esame di possibili spettatori virtuali.
Aims
The course aims to provide the student with professional knowledge and skills regarding:
- Analysis of the main functions in the organization and management of a company
- Reading and interpretation of a company's financial documents.
- Marketing data analytics techniques based on Machine Learning with particular attention on Reccommender Systems
- Analysis of specific problems with the development of data analytics applications in R / Python.
During the labs, business analytics skills are acquired, specifically focusing on the R/ Python languages for marketing data modelling and analysis.
Particular emphasis will be given to the analysis of specific problems in the marketing field, to the presentation of specific data sets, to the development of machine learning applications for marketing data analysis in R / Python and to the evaluation of the results.
Contents
The course is divided into four modules:
- Business organization and management
- Marketing analytics techniques
- Recommender systems
- Exercises and laboratory: analysis of specific problems in the marketing and development of applications in R / Python
Detailed program
1. Organization and business management
- Elements of economics and business organization
- Accounting and budget
- Corporate finance
2. Marketing analytics techniques
- Key Performance Indicators (KPIs)
- Product / Consumer analytics
- Marketing mix and attribution modeling
3. Recommender systems
- collaborative filtering
- matrix factorization
- machine learning
4. Exercises and Lab
4.1 Analysis of specific problems in the marketing field
- Presentation and discussion of specific cases of marketing problems
- Data preparation and visualization: Business Intelligence (BI) and Data Modeling in the corporate environment
- Data processing: introduction to the main machine learning techniques for marketing data analysis (e.g. regression, classification, clustering)
4.2 Laboratory: development of applications in R / Python
- Introduction to R / Python
- Exploratory / descriptive analysis of datasets related to marketing problems
- Machine learning application development in R / Python
Prerequisites
- Probability and statistics for computer science
- Software analysis and design
Teaching form
The training activity will be divided into:
- lectures: in which the topics relating to points 1,2 and 3 will be presented.
- exercises and laboratories: in which the topics of marketing data analytics will be explored with development in R / Python of specific applications with real data. These activities will be preparatory to the setting up and development of the end-of-course project which, for example, may consist in the creation of a recommendation system. (recommender systems).
The course will be delivered in Italian.
Textbook and teaching resource
During the lessons the following didactic material will be made available:
- Slides created by the teachers
- Additional material eg. links to news, forums, specific web resources on the topics covered in class
Semester
First semester
Assessment method
- Traditional: oral exam at the end of the course that focuses on the topics covered in class by the two teachers. The oral exam regarding the topics of points 1,2 and 3 will not be required for students who have passed the intermediate test.
- Intermediate Check: (mid-December): the test consists of a test with a set of questions (maximum 10) with open answers regarding the topics presented in points 1, 2 and 3 . Each question will be associated with a score, from 3 to 5. The student can answer any number of questions. The evaluation of the partial will be expressed through a quali-quantitative judgment: Insufficient [<18], Sufficient [18-> 22], Good [23-> 26], Excellent [27-> 30], Top [> 30]
Laboratory Project in R / Python:
The project is divided into:
- Implementation of an application in R/Python for the analysis of marketing data
- Report
- Oral discussion of the project using a set of slides
Delivery times will be communicated on Moodle
Office hours
The two instructors are available for meet students or immediately after the lectures or setting up a meeting anytime in office hours by email.
During the COVID emergency period oral examinations will take place remotely through thr Webex platform.On the e-learning page of the coursethere will be apublic linkfor accessing to the examination of possible virtual spectators.