MBA

Lingua Insegnamento:

Italiano
Testi di riferimento:

- Appunti del corso.

- PICCOLO D. (2010). Statistica. Edizioni Il Mulino.
-James G, Witten D, Hastie T, Tibshirani R (2021). An Introduction to Statistical Learning with Applications in R. Second Edition. Springer.
-MONTGOMERY D.C. (2020). Introduction to Statistical Quality Control, eight ed. Wiley.
Obiettivi formativi:

L'insegnamento di Data Analytics for Business vuole contribuire al processo formativo dello studente fornendo strumenti per le analisi quantitative che siano utili per le decisioni economiche ed aziendali. In particolare, detti obiettivi formativi sono associabili ai seguenti risultati di apprendimento attesi:

Conoscenza e capacità di comprensione
Il corso intende fornire le conoscenze metodologiche e applicative di base del data analytics. Inoltre, si vuole fornire utili strumenti per l’analisi statistica di alcune tipologie di dati economici e aziendali. Infine, grande attenzione sarà data al pacchetto statistico open source R.

Capacità di applicare conoscenza e comprensione
Al termine del corso di insegnamento, lo studente anche con l’aiuto di casi di studi concreti svolti con il software statistico R, sarà in grado di analizzare data-base con le moderne tecniche statistiche. Le conoscenze acquisite gli consentiranno di interpretare in modo critico le dinamiche economiche e/o aziendali.
Prerequisiti:

Lo studente deve possedere le conoscenze della statistica di base.
Metodi didattici:

Lezioni frontali. Casi studio ed esercizi su dati reali con R.
Modalità di verifica dell'apprendimento:

Conoscenza e capacità di comprensione
La verifica dei risultati di apprendimento sarà effettuata mediante una prova scritta e una prova orale. La prova scritta riguarderà l’intero programma, con particolare attenzione all’utilizzo del software R. Essa potrà essere svolta anche durante il corso sotto forma di prove intermedie.
La prova orale, facoltativa, consisterà in domande finalizzate ad approfondire gli argomenti trattati nel programma. Potrà essere richiesta sia dal docente sia dallo studente.
Gli studenti dovranno inoltre predisporre due elaborati di analisi statistica, realizzati mediante il software R e riferiti a casi di studio reali; i relativi dataset potranno essere reperiti da fonti disponibili online.
Gli elaborati dovranno essere inviati al docente almeno una settimana prima della data dell’esame. La valutazione finale, espressa in trentesimi, terrà conto dell’esito della prova scritta, dell’eventuale colloquio orale e della qualità degli elaborati realizzati con R.

Capacità di applicare conoscenza e comprensione
Attraverso le prove d’esame e la realizzazione degli elaborati, il docente verificherà la capacità degli studenti di applicare le conoscenze e gli strumenti della data analytics all’analisi di problemi concreti in ambito economico e aziendale. In particolare, sarà valutata la capacità di utilizzare metodi e modelli statistici per interpretare dati reali, formulare conclusioni appropriate e supportare i processi decisionali.

Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: Prof. Domenico Raucci (email: domenico.raucci@unich.it)
Sostenibilità:
Obiettivi Agenda 2030 per lo sviluppo sostenibile:

Questo insegnamento concorre alla realizzazione degli obiettivi ONU dell'Agenda 2030 per lo Sviluppo Sostenibile.
Altre Informazioni:

E-mail: paolo.postiglione@unich.it.
Per maggiori dettagli e per scaricare le slides: fad.unich.it, pagina del Corso di Data Analytics for Business.

Giorni ed orari di ricevimento studenti: Nel I semestre il docente riceve per appuntamento (paolo.postiglione@unich.it). Nel II semestre il ricevimento è fissato per il giovedì dalle ore 14:00 alle ore 16:00, scala verde 1° Piano, Viale Pindaro, 42, Studio n.33.

6 CFU (Percorso in Business e Consulting).

1. Brevi richiami di inferenza statistica.

2. Brevi richiami sul software R.

3. Il modello di regressione lineare.

4. Il modello di regressione lineare ed R.

5. Il modello di regressione logistica.

6. Il modello di regressione logistica ed R.

9 CFU (Percorso in Business e Governance).

1. Brevi richiami di inferenza statistica.

2. Brevi richiami sul software R.

3. Il modello di regressione lineare.

4. Il modello di regressione lineare ed R.

5. Il modello di regressione logistica.

6. Il modello di regressione logistica ed R.

7. Il controllo statistico della qualità.

8. Il controllo statistico della qualità ed R.

6 CFU (Percorso in Business e Consulting).

1. Brevi richiami di inferenza statistica.

Richiami su intervalli di confidenza e test di ipotesi su medie. Il p-value.

2. Brevi richiami sul software R.

Caricamento e gestione dei dati su R. Statistiche di base su R.

3. Il modello di regressione lineare.

Regressione lineare semplice e multipla. Stima dei parametri. Misura della bontà di adattamento. Variabili dummy. Test di Jarque-Bera, Breusch-Pagan e Durbin Watson. Cenni sull'analisi dell'eteroschedasticità.

4. Il modello di regressione lineare ed R.

5. Il modello di regressione logistica.

Regressione logistica semplice e multipla. Intepretazione dei parametrici. Classificazione e matrice di confusione.

6. Il modello di regressione logistica ed R.

9 CFU (Percorso in Business e Governance).

1. Brevi richiami di inferenza statistica.

Richiami su intervalli di confidenza e test di ipotesi su medie. Il p-value.

2. Brevi richiami sul software R.

Caricamento e gestione dei dati su R. Statistiche di base su R.

3. Il modello di regressione lineare.

4. Il modello di regressione lineare ed R.

5. Il modello di regressione logistica.