Syllabus del corso
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
- Analisi di problemi specifici con sviluppo di applicativi di data analytics in Python
- Progettazione e realizzazione di applicativi in Python di Reccommender Systems
In laboratorio lo studente acquisirà competenze di Python per la modellazione dei dati e gli aspetti computazionali di business analytics.
Focus del laboratorio sarà: - analisi di problemi specifici e presentazione di set specifici di dati
- sviluppo di applicativi di machine learning per marketing data analysis in Python
- validazione e valutazione dei risultati.
Contenuti sintetici
Il corso si articola in quattro moduli:
- Organizzazione e gestione aziendale
- Tecniche di analisi dati e machine learning applicate al marketing
- Recommender systems
- Esercitazioni e laboratorio: realizzazione di applicativi in Python su problemi specifici
Programma esteso
- Organizzazione e gestione aziendale
• Elementi di economia e organizzazione aziendale
• Come leggere il bilancio di un’azienda
• Elementi di finanza aziendale
- Tecniche di analisi dati e machine learning applicate al marketing
• Product /Consumer analytics
• Key Performance Indicators (KPIs)
• Elaborazione del dato: introduzione alle principali tecniche di machine learning per l'analisi dati marketing (es. regressione, classificazione, clustering
- Recommender systems
• Le principali tipologie di recommender systems: collaborative based e content based
• Matrice di rating e problem di sparsità
• Principali algoritmi: KNN, matrix factorization
• Elementi di ottimizzazione per recommender systems
- 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
4.2 Laboratorio: sviluppo di applicativi in Python
• Introduzione a Python
• Analisi esplorativa/descrittiva di dataset relativi a problemi di marketing
• Sviluppo applicativi di machine learning in Python
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 Python di applicazioni specifiche con dati reali. Queste attività saranno propedeutiche all'impostazione e allo sviluppo del progetto che consisterà 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 Python:
Il progetto si articola in:
- Realizzazione di un applicativo in 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.
Sustainable Development Goals
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
- Analysis of specific problems with the development of data analytics applications in Python
- Design and implementation of applications in Python by Reccommender Systems
In the laboratory the student will acquire Python skills for data modeling and computational aspects of business analytics.
Focus of the lab will be: - analysis of specific problems and presentation of specific data sets
- development of machine learning applications for marketing data analysis in Python
- validation and evaluation of results.
Contents
The course is divided into four modules:
- Organization and business management
- Data analysis and machine learning techniques applied to marketing
- Recommender systems
- Exercises and laboratory: implementation of applications in Python on specific problems
Detailed program
**1 . * Organization and business management ***
• Elements of economics and business organization
• How to read the financial statements of a company
• Elements of corporate finance
-
Data analysis and machine learning techniques applied to marketing
• Product / Consumer analytics
• Key Performance Indicators (KPIs)
• Data processing: introduction to the main machine learning techniques for marketing data analysis (eg regression, classification, clustering -
Recommender systems
• The main types of recommender systems: collaborative based and content based
• Rating matrix and sparsity problems
• Main algorithms: KNN, matrix factorization
• Optimization elements for recommender systems -
Esercitazioni e laboratorio
4.1 Analysis of specific problems in the marketing field
• Presentation and discussion of specific cases of marketing problems
• Preparation and visualization of the data: Business Intelligence (BI) and Data Modeling in the company environment
4.2 Laboratorio: sviluppo di applicativi in Python
• Introduction to Python
• Exploratory / descriptive analysis of datasets related to marketing problems
• Application development of machine learning in Python
Teaching form
The training activity will be divided into:
- lectures : in which the topics related 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 Python of specific applications with real data. These activities will be preparatory to the setting up and development of the project which will consist in the creation of a recommendation system. (recommender systems).
The course will be delivered in Italian language *
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 Python:
The project is divided into:
- Implementation of an application in 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.
