Laboratorio informatico per le decisioni aziendali:
Appunti relativi al corso informatico per le decisioni aziendali. La business intelligence si avvale della statistica e dei supporti informatici per essere efficiente e competitiva: vengono esplicitate modalità, modelli di riferimento e processi di individuazione, analisi e interpretazione dei dati.
Dettagli appunto:
-
Autore:
Valentina Minerva
[Visita la sua tesi: "Le strategie di contrasto al fenomeno del riciclaggio: tutela penale e tutela amministrativa"]
- Università: Università Cattolica del Sacro Cuore di Milano
- Facoltà: Economia
- Esame: Laboratorio informatico per le decisioni aziendali
- Docente: Mamino Massimo, Cantaluppi Gabriele
Indice dei contenuti:
- 1. Definizione di business intelligence
- 2. Il contesto della business intelligence
- 3. Natura della business intelligence
- 4. Approccio multidimensionale della business intelligence
- 5. Esempi di decisioni efficaci e tempestive in ambito di business intelligence
- 6. Differenza tra concetti di: dati, informazioni e conoscenza - esempi
- 7. Ruolo dei modelli matematici nella gestione organizzativa
- 8. Definizione di modello nel contesto di gestione organizzativa
- 9. Architettura del sistema di business intelligence
- 10. Componenti del sistema di business intelligence
- 11. Problemi tipici della ricerca operativa
- 12. Ciclo di business intelligence
- 13. Ciclo di business intelligence
- 14. Realizzazione del sistema di business intelligence
- 15. Metodologie di analisi tipiche di un sistema di BI
- 16. Definizione di data warehousing
- 17. Definizione di sistemi OLTP E OLAP
- 18. Definizione di data wareahouse
- 19. Definizione di strumenti ETL
- 20. Definizione di deposito di metadati
- 21. Accesso al data warehouse – operazioni di front-end
- 22. Definizione e caratteristiche di analisi multidimensionale
- 23. Il modello multidimensionale in sintesi
- 24. Esempi di analisi secondo il modello multidimendsionale
- 25. Definizione di analisi multidimensionale OLAP
- 26. Definizione di cubi OLAP
- 27. Contenuto informativo di un ipercubo
- 28. Gerarchie di concetti e operazioni OLAP
- 29. Fondamenti di data mining: definizione
- 30. Modelli matematici di apprendimento
- 31. Prospettiva classica nella definizione di regole nel data mining
- 32. Prospettiva probabilistica nella definizione di regole nel data mining
- 33. Prospettiva casistica nella definizione di regole nel data mining
- 34. Esempi di diverse prospettive nel data mining
- 35. Confronto con statistica classica e OLAP
- 36. Rappresentazioni dei dati in ingresso nelle analisi di data mining
- 37. I processi di data mining
- 38. Standardizzazione del processo di data mining
- 39. Competenze implicate nel processo di data mining
- 40. Metodologie di analisi: apprendimento supervisionato
- 41. Esempio 1 – apprendimento supervisionato
- 42. Esempio 2 – Apprendimento non supervisionato clustering
- 43. Quanto il data mining è adatto a risolvere un problema
- 44. Tecniche di data mining – introduzione
- 45. Tecniche di data mining – classificazione
- 46. Tecniche di data mining – stima
- 47. Tecniche di data mining – previsione
- 48. Definizione di clusterizzazione non supervisionata
- 49. Regole associative - market basket analysis
- 50. Punti fondamentali dell'attività di data mining
- 51. Tecniche di data mining – parte avanzata
- 52. Definizione di alberi decisionali
- 53. Esempio di albero decisionale
- 54. Criteri per la costruzione degli alberi decisionali - controllo della crescita
- 55. Scelta dei nodi: entropia e guadagno di informazione
- 56. Indice di Gini e indice di misclassificazione
- 57. Algoritmi per gli alberi decisionali
- 58. Vantaggi e svantaggi degli alberi decisionali
- 59. Reti neurali artificiali - introduzione
- 60. Reti neurali – formato di input
- 61. Reti neurali – formato di output
- 62. Reti neurali – funzione di attivazione
- 63. Reti neurali artificiali: vantaggi e svantaggi
- 64. Introduzione ai criteri di valutazione di una classificazione
- 65. Definizione di matrice di confusione
- 66. Definizione di lift
- 67. Introduzione alle regole associative
- 68. Esempio applicativo di regole associative
- 69. Clusterizzazione non supervisionata - Introduzione algoritmo della k – medie
- 70. Esempio applicativo di clusterizzazione non supervisionata
- 71. Considerazioni generali sul metodo delle k-medie
- 72. Introduzione ai metodi di preparazione dei dati per le business analysis
- 73. Qualità dei dati in ingresso: dati incompleti
- 74. Qualità dei dati in ingresso: dati soggetti a rumore
- 75. Qualità dei dati in ingresso: dati inconsistenti
- 76. Trasformazione dei dati in ingresso
- 77. Criteri per stabilire l’opportunità di una tecnica di riduzione dei dati
- 78. Logiche di riduzione dei dati all'ingresso
- 79. Introduzione all'esplorazione dei dati oggetto di un'analisi di business
- 80. Utilità dell’approccio esplorativo: l'analisi univariata
- 81. Caratteristiche dell'analisi bivariata
- 82. I momenti di un’indagine statistica
- 83. Modalità informatica di archiviazione dei dati
- 84. Comandi rapidi della tastiera del computer
- 85. Modalità di creazione serie-seriazione statistica
- 86. Formule per calcolare la regressione
- 87. Serie temporali
- 88. Analisi: vari modelli
- 89. Stima e utilizzo delle differenze-coefficiente di stagionalità
Questa è solo un’anteprima: 29 pagine mostrate su 149 totali. Registrati e scarica gratis il documento.
Questa è solo un’anteprima: 29 pagine mostrate su 149 totali. Registrati e scarica gratis il documento.