Course Syllabus
Obiettivi formativi
Il corso insegna a leggere il comportamento delle persone sulle piattaforme social come evidenza e a trasformare quell'evidenza in una decisione di servizio.
Al termine del corso lo studente è in grado di:
- impostare una domanda di ricerca su dati social definendo unità di analisi, campione, costrutti e limiti;
- reperire dati social in modo lecito nel quadro europeo attuale (termini delle piattaforme, GDPR, art. 40 DSA) e documentare ciò che non è ottenibile;
- costruire e applicare uno schema di codifica dei contenuti, verificarne l'affidabilità e validare la classificazione assistita da AI contro una codifica umana;
- leggere una community con metodo etnografico, distinguendo un pattern culturale da un artefatto di campionamento;
- distinguere una correlazione da un effetto e specificare un test di incrementalità;
- tradurre l'evidenza in un intervento collocato sul service blueprint, con responsabile, costo e metrica;
- presentare risultati e incertezza a un decisore non tecnico e difenderli nella discussione.
Conoscenza e comprensione. Lo studente acquisisce i modelli del comportamento del consumatore online (fiducia e rischio, self-disclosure, decisione d'acquisto, e-WOM, community, status e visibilità) sempre presentati insieme allo stato dell'evidenza empirica e a casi reali di campagna, in modo da apprendere lo stato della ricerca e non un elenco di nomi.
Capacità di applicare conoscenza e comprensione. Il corso è organizzato in 12 blocchi da 4 ore, ciascuno diviso tra una parte frontale e un laboratorio in cui i gruppi applicano al proprio caso reale gli strumenti appena introdotti. Le quattro consegne intermedie sono costruite sugli stessi dati raccolti dagli studenti.
Autonomia di giudizio. Ogni consegna contiene una sezione obbligatoria di contro-evidenza: lo studente deve dichiarare i limiti del proprio dato, individuare la spiegazione alternativa che smentirebbe la sua conclusione e indicare il test che deciderebbe la questione.
Abilità comunicative. Gli studenti presentano tre volte durante il corso, di cui una davanti a una giuria esterna, e producono un brief esecutivo di una pagina. Ricevono feedback strutturato su ordine dell'argomentazione, visualizzazione dei dati e design delle slide. La comunicazione dell'incertezza è oggetto di una lezione dedicata.
Capacità di apprendimento. Lo studente esce con un protocollo di ricerca riutilizzabile (disegno, codebook, verifica di affidabilità, contro-evidenza) trasferibile a qualsiasi piattaforma, comprese quelle che oggi non esistono.
Contenuti sintetici
Il corso affronta il comportamento del consumatore online e i metodi di analisi dei dati social, applicati all'innovazione di servizio e all'esperienza utente.
Prima parte: come funziona oggi l'ecosistema dei contenuti, che cosa un brand compra davvero quando lavora con i creator, come il feed determina ciò che poi si misura, e che cosa significano realmente le metriche disponibili.
Seconda parte: i metodi. Ascolto della rete con strumenti no-code, analisi del contenuto con schema di codifica e verifica di affidabilità, classificazione assistita da AI e sua validazione, netnografia, analisi della reputazione.
Terza parte: la decisione. Attribuzione e incrementalità, e traduzione dell'evidenza in un intervento di servizio con responsabile e metrica.
L'insegnamento è costruito su casi e dati di campagna reali provenienti dalla gestione di creator e dalla consulenza di brand in settori diversi (lusso, food, industria B2B, non profit). Non è richiesta alcuna competenza di programmazione.
Programma esteso
Il corso si articola in 12 blocchi da 4 ore. Ogni blocco alterna una parte frontale e un laboratorio sul caso reale assegnato al gruppo.
- Ogni brand è un creator. Perché i brand perdono sulle piattaforme che trattano come un archivio. Assegnazione dei casi e formazione dei gruppi.
- Che cosa si compra davvero da un creator: testimonial, contenuto, community. Tre prodotti, un prezzo. Scouting e costruzione di una matrice di selezione basata sui dati e non sul numero di follower.
- Come decide il feed. Ranking, copertine e titoli, e perché gran parte del lavoro avviene prima del video. Leggere la traccia: che cosa misurano davvero un like, un salvataggio e un commento, e che cosa nascondono.
- Disegno della ricerca. Domanda, unità di analisi, campione, costrutti, minacce alla validità. Accesso ai dati nel quadro europeo attuale: termini delle piattaforme, GDPR, art. 40 DSA.
- Hero, Hub, Hygiene. Architettura dei contenuti per un brand di servizi. Rinunciare al controllo editoriale: evidenza di campagna sul perché i brief sceneggiati rendono meno.
- La community come infrastruttura. Audience di proprietà, migrazione fuori dalla piattaforma, creator diventati aziende. Distribuzione del costo della visibilità online e carico della moderazione.
- Ascoltare senza budget. Strumenti no-code applicati al caso del gruppo: raccolta, registro di campionamento, prima lettura descrittiva.
- Codificare quello che le persone dicono. Costruire uno schema di categorie, verificare l'accordo tra codificatori, validare la classificazione assistita da AI contro la codifica umana.
- Netnografia. Leggere una community invece di contarla: ingresso, immersione, note di campo, categorie native contro categorie importate.
- Reputazione sotto attacco. Pile-on, polarizzazione, disinformazione e un protocollo di crisi che regge all'urto. La fama si fabbrica, la fiducia no: che cosa prende l'AI e che cosa lascia.
- Dimostrare che ha funzionato. Attribuzione, incrementalità e i numeri che le agenzie evitano di mostrare. Dall'insight al servizio: dove atterra il risultato sul service blueprint, con un responsabile, un costo e una data. Comunicare l'incertezza.
- Pitch finale davanti a una giuria interna ed esterna.
Consegne del progetto: blocco 4 (disegno della ricerca), blocco 7 (raccolta dati e accesso), blocco 10 (brief di evidenza), blocco 12 (intervento, piano di misurazione e pitch).
Obiettivi di sviluppo sostenibile. Il tema del consumo responsabile (SDG 12) è trattato nei blocchi su metriche, dark pattern e misurazione degli effetti reali di una campagna. Il tema della parità di genere (SDG 5) è trattato nel blocco sulla community e sul lavoro dei creator, con riferimento alla distribuzione del costo della visibilità online e al carico della moderazione.
Prerequisiti
Nessun prerequisito formale. È utile la familiarità con i fogli di calcolo e con la statistica descrittiva di base (media, mediana, distribuzione, variazione percentuale). Non è richiesta alcuna competenza di programmazione.
Metodi didattici
Circa 30% di didattica erogativa e 70% di didattica interattiva: discussione di casi, analisi di articoli scientifici, laboratorio con strumenti e lavoro di gruppo.
Il corso si articola in 12 blocchi da 4 ore. Ogni blocco alterna una parte frontale e un laboratorio in cui i gruppi lavorano sul proprio caso reale, così che il progetto avanzi durante le ore di lezione. Il formato lungo consente di chiudere in aula un ciclo completo di lavoro: introduzione del metodo, applicazione sui dati del gruppo, confronto in plenaria.
Gli studenti presentano tre volte durante il corso: difesa del disegno di ricerca nel blocco 4, brief di evidenza nel blocco 10, pitch finale nel blocco 12. Ogni volta ricevono un feedback strutturato su argomentazione e design della presentazione.
Fino al 10% delle ore complessive può essere erogato a distanza.
Tutti gli strumenti utilizzati sono gratuiti o freemium e non richiedono programmazione.
Modalità di verifica dell'apprendimento
La valutazione è interamente basata su un progetto applicato. Non è previsto esame scritto per gli studenti frequentanti.
Gruppi di 3 o 4 studenti seguono per tutto il corso un brand di servizi reale e consegnano:
- disegno della ricerca, massimo 2 pagine (15%): domanda, unità di analisi, campione, costrutti, minacce alla validità, ciò che lo studio non può stabilire;
- raccolta dati e accesso (15%): corpus, registro di campionamento, mappa delle fonti, ciò che non è stato ottenibile e perché, prima lettura descrittiva;
- brief di evidenza, massimo 8 pagine (30%): schema di codifica, dati codificati, indice di accordo tra codificatori, appendice di validazione dell'eventuale classificazione AI, note etnografiche, più una sezione obbligatoria di contro-evidenza;
- intervento e piano di misurazione (30%): collocazione sul service blueprint, responsabile, costo, disegno del test di incrementalità, presentazione finale di 12 minuti con 8 minuti di discussione;
- nota critica individuale di 800 parole (10%): l'argomento più forte contro la conclusione del proprio gruppo, redatta singolarmente.
Criteri di valutazione, di peso uguale: onestà dell'evidenza (limiti dichiarati, spiegazione alternativa individuata, incertezza quantificata o delimitata); correttezza metodologica (campionamento, codifica, affidabilità, inferenza, procedura documentata e ripetibile); rilevanza per la decisione (l'esito cambia un comportamento aziendale e ne indica responsabile e costo); qualità della comunicazione (ordine dell'argomentazione, chiarezza visiva, tenuta nella discussione).
Il contributo individuale è dichiarato a ogni consegna e verificato in sede di discussione finale: lo studente che non sappia rispondere sul metodo del proprio gruppo non riceve il voto di gruppo.
Studenti non frequentanti. Stesso progetto in forma individuale e con perimetro ridotto (una sola piattaforma, un solo metodo, minimo 200 unità codificate), consegna unica seguita da un colloquio orale di 20 minuti esteso a tutto il programma. Contattare il docente entro le prime tre settimane del semestre per concordare il caso.
Testi di riferimento
Slide del corso, dataset di campagna e un pacchetto di letture per ciascuna lezione, pubblicati sulla piattaforma.
Volumi di riferimento:
- A. Mininno, M. Ascani, M. Pagani, Ogni brand è un creator, 2025.
- M. J. Salganik, Bit by Bit. Social Research in the Digital Age, Princeton University Press, 2018 (capitoli scelti; disponibile gratuitamente online).
- M. Stickdorn, M. Hormess, A. Lawrence, J. Schneider, This is Service Design Doing, O'Reilly, 2018 (sezioni scelte).
Letture di approfondimento indicate lezione per lezione, tra cui articoli su affidabilità della codifica, accesso ai dati delle piattaforme, misurazione degli effetti pubblicitari e ricerca qualitativa in ambienti digitali.
Periodo di erogazione dell'insegnamento
Primo semestre
Lingua di insegnamento
Inglese
Sustainable Development Goals
Learning objectives
The course teaches students to read what people do on social platforms as evidence, and to turn that evidence into a service decision.
By the end of the course students are able to:
- specify a research question on social data with an explicit unit of analysis, sampling frame, constructs and limits;
- obtain social data lawfully under the current European regime (platform terms, GDPR, DSA Art. 40) and document what could not be obtained;
- build and apply a content coding scheme, report an inter-coder agreement figure, and validate AI-assisted classification against human coding;
- read a community ethnographically, telling a cultural pattern from a sampling artefact;
- distinguish a correlation from an effect and specify an incrementality test;
- turn evidence into an intervention placed on a service blueprint, with an owner, a cost and a metric;
- present findings and uncertainty to a non-technical decision maker and defend them under challenge.
Knowledge and understanding. Students acquire the models of online consumer behaviour (trust and risk, self-disclosure, purchase decision, e-WOM, community, status and visibility), always presented together with the state of the empirical record and with real campaign cases, so that they learn the state of the evidence rather than a list of names.
Applying knowledge and understanding. The course is organised in 12 blocks of 4 hours, each split between a lecture part and a laboratory in which teams apply the tools just introduced to their own live case. The four staged deliverables are built on data the students collected themselves.
Making judgements. Every deliverable includes a mandatory counter-evidence section: students must state the limits of their own data, identify the alternative explanation that would defeat their conclusion, and specify the test that would settle it.
Communication skills. Students present three times during the term, once before an external jury, and produce a one-page executive brief. They receive structured feedback on argument order, data visualisation and slide design. Communicating uncertainty is the subject of a dedicated session.
Learning skills. Students leave with a reusable research protocol (design, codebook, reliability check, counter-evidence) that transfers to any platform, including platforms that do not exist yet.
Contents
The course covers online consumer behaviour and social data analysis methods, applied to service innovation and user experience.
Part one: how the content ecosystem works today, what a brand actually buys when it works with creators, how the feed determines what you later measure, and what the available metrics really mean.
Part two: methods. Social listening with no-code tools, content analysis with a coding scheme and a reliability check, AI-assisted classification and its validation, netnography, reputation analysis.
Part three: the decision. Attribution and incrementality, and translating evidence into a service intervention with an owner and a metric.
Teaching is built on real cases and campaign data from creator management and brand consulting across different sectors (luxury, food, B2B industrial, non-profit). No programming skills are required.
Detailed program
The course runs over 12 blocks of 4 hours. Each block alternates a lecture part and a laboratory on the team's own live case.
- Every brand is a creator. Why brands lose on platforms they treat as a repository. Case assignment and team formation.
- What you actually buy from a creator: testimonial, content, community. Three products, one price. Scouting and building a selection matrix from data rather than from follower count.
- How the feed decides. Ranking, thumbnails and titles, and why most of the work happens before the video starts. Reading the trace: what a like, a save and a comment really measure, and what they hide.
- Research design. Question, unit of analysis, sampling frame, constructs, validity threats. Data access under the current European regime: platform terms, GDPR, DSA Art. 40.
- Hero, Hub, Hygiene. Content architecture for a service brand. Giving up editorial control: campaign evidence on why scripted briefs underperform.
- Community as infrastructure. Owned audience, off-platform migration, creators who became companies. The distribution of the cost of online visibility and the moderation burden.
- Listening without a budget. No-code tools applied to the team's case: collection, sampling log, first descriptive read.
- Coding what people say. Building a category scheme, checking inter-coder agreement, validating AI-assisted classification against human coding.
- Netnography. Reading a community instead of counting it: entry, immersion, field notes, native categories against imported ones.
- Reputation under attack. Pile-ons, polarisation, misinformation and a crisis protocol that survives contact. Fame can be manufactured, trust cannot: what AI takes and what it leaves.
- Proving it worked. Attribution, incrementality and the numbers agencies avoid showing. From insight to service: where the finding lands on the service blueprint, with an owner, a cost and a date. Communicating uncertainty.
- Final pitch before an internal and external jury.
Project deliverables: block 4 (research design), block 7 (data collection and access), block 10 (evidence brief), block 12 (intervention, measurement plan and pitch).
Sustainable Development Goals. Responsible consumption (SDG 12) is addressed in the blocks on metrics, dark patterns and the measurement of a campaign's real effects. Gender equality (SDG 5) is addressed in the block on community and creator labour, covering the distribution of the cost of online visibility and the moderation burden.
Prerequisites
No formal prerequisites. Familiarity with spreadsheets and with basic descriptive statistics (mean, median, distribution, percentage change) is useful. No programming skills are required.
Teaching methods
Roughly 30% lecture and 70% interactive teaching: case discussion, analysis of scientific articles, tool laboratory and team work.
The course runs over 12 blocks of 4 hours. Each block alternates a lecture part and a laboratory in which teams work on their own live case, so that the project advances during class hours. The longer format allows a full work cycle to be completed in class: method introduction, application to the team's data, plenary review.
Students present three times during the term: research design defence in block 4, evidence brief in block 10, final pitch in block 12. Each time they receive structured feedback on argument and presentation design.
Up to 10% of total hours may be delivered at a distance.
All tools used are free or freemium and require no programming.
Assessment methods
Assessment is entirely based on an applied project. There is no written examination for attending students.
Teams of 3 or 4 students follow one real service brand throughout the term and submit:
- research design, max 2 pages (15%): question, unit of analysis, sampling frame, constructs, validity threats, what the study cannot establish;
- data collection and access (15%): corpus, sampling log, source map, what could not be obtained and why, first descriptive read;
- evidence brief, max 8 pages (30%): coding scheme, coded data, inter-coder agreement figure, validation appendix for any AI-assisted classification, ethnographic notes, plus a mandatory counter-evidence section;
- intervention and measurement plan (30%): placement on the service blueprint, owner, cost, incrementality test design, 12-minute final presentation with 8 minutes of challenge;
- individual critical note of 800 words (10%): the strongest argument against your own team's conclusion, written alone.
Grading criteria, equally weighted: evidential honesty (limits stated, alternative explanation named, uncertainty quantified or bounded); methodological correctness (sampling, coding, reliability, inference, procedure documented and repeatable); decision relevance (the output changes a company behaviour and names its owner and cost); communication quality (argument order, visual clarity, performance under challenge).
Individual contribution is declared at each deliverable and verified at the final discussion: a student who cannot answer questions about their team's method does not receive the team grade.
Non-attending students. The same project individually and with reduced scope (one platform, one method, minimum 200 coded items), submitted as a single deliverable followed by a 20-minute oral discussion covering the whole programme. Contact the lecturer within the first three weeks of the term to agree the case.
Textbooks and Reading Materials
Course slides, campaign datasets and a reading pack for each session, posted on the platform.
Reference books:
- A. Mininno, M. Ascani, M. Pagani, Ogni brand è un creator, 2025.
- M. J. Salganik, Bit by Bit. Social Research in the Digital Age, Princeton University Press, 2018 (selected chapters; freely available online).
- M. Stickdorn, M. Hormess, A. Lawrence, J. Schneider, This is Service Design Doing, O'Reilly, 2018 (selected sections).
Further readings assigned session by session, including articles on coding reliability, platform data access, advertising effect measurement and qualitative research in digital environments.
Semester
First semester
Teaching language
English
Sustainable Development Goals
Staff
-
Alessandro Mininno
