Data Mining e Marketing Intelligence

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Data Mining e Marketing Intelligence"

Transcript

1 Data Mining e Marketing Intelligence Alberto Saccardi * Abstract L evoluzione tecnologica ha reso possibile la costruzione di basi dati dedicate per la Marketing Intelligence, con la disponibilità di patrimoni informativi estesi. Il Data Mining è il processo di selezione, esplorazione, e modellazione di grandi masse di dati per scoprire relazioni non note allo scopo di ottenere un vantaggio competitivo. L attività di Data Mining segue un approccio esplorativo nell analisi dei dati: ricercare associazioni non note a priori, al fine di individuare relazioni senza formulare ipotesi a priori sul fenomeno indagato. Keywords: Ricerche di marketing; Ricerche di mercato; Data Mining; Marketing Intelligence; Modelling of Data Bases; Applicazioni di Data Mining 1. Data Mining: un semplice neologismo o un valido supporto per la Marketing Intelligence? L ottimizzazione di una campagna commerciale, la creazione di nuovi prodotti o servizi, l apertura di nuovi punti vendita, il disegno di un attività di cross-selling sono, in genere, problemi affrontati utilizzando la conoscenza del settore, l esperienza accumulata nel corso degli anni, gli errori fatti nel passato. Di contro, l evoluzione tecnologica ha reso possibile la costruzione di basi dati dedicate per la Marketing Intelligence, pertanto la disponibilità di patrimoni informativi estesi pone alcuni quesiti, ad esempio: Quali sono le linee guida che consentono di poter svolgere proficuamente un attività di analisi quantitativa orientata alle problematiche di business? Quali le caratteristiche e quali le competenze necessarie per estrarre ricchezza informativa dai vasti e complessi database aziendali? In che misura una corretta metodologia, supportata da un adeguata scatola degli attrezzi inserita in un ambiente software dedicato e di facile accesso, possono portare consistenti vantaggi economici? Il Data Mining, ovvero il processo di selezione, esplorazione, e modellazione di grandi masse di dati per scoprire relazioni non note allo scopo di ottenere un vantaggio di business 1, vuole essere una risposta completa ai quesiti sopra esposti. 2. Query, Reporting, Data Mining Nel passato recente, il termine Data Mining è stato talvolta utilizzato come sinonimo di altri tipi di analisi quali, ad esempio, Data Retrieval o OLAP. Questi tipi di analisi, tuttavia, si differenziano sia per le modalità di esecuzione che * Amministratore Delegato Nunatac Srl, Professore di Metodi Quantitativi per il Marketing, Università Commerciale L. Bocconi, Milano.

2 62 per gli obiettivi. Il Data Retrieval si caratterizza come una semplice attività di interrogazione di una banca dati: viene formulata una richiesta di estrazione, tradotta in una query, e rispetto a questa vengono selezionati tutti i casi che soddisfano le condizioni precedentemente impostate. L attività di Data Retrieval, dunque, permette di ottenere risposte precise a fronte di richieste altrettanto precise: quali e quanti sono, ad esempio, i clienti di età compresa tra i 40 e i 50 anni che hanno sottoscritto la polizza XY nel primo trimestre L attività di Data Mining, invece, si pone l obiettivo di ricercare associazioni non note a priori, ad esempio quali sono i clienti con maggior propensione all acquisto della polizza XY. Potremmo sostenere che l attività di Data Mining segue un approccio esplorativo nell analisi dei dati: ricercare relazioni senza formulare ipotesi a priori sul fenomeno indagato 2. Il Data Retrieval, invece, segue un approccio meramente verificativo. L attività di Data Mining, inoltre, non può essere confusa con quella volta alla realizzazione di strumenti di reportistica multidimensionale. Infatti, il Data Mining permette di andare oltre alla visualizzazione di semplici riassunti presenti nelle applicazioni di tipo OLAP, formulando modelli funzionali all attività di business. 3. Come impostare correttamente un progetto di Data Mining Un elemento caratterizzante l attività di Data Mining consiste nel portare in produzione i risultati ottenuti: la conoscenza del business, da un lato, la costruzione di regole ed il loro inserimento nelle procedure gestionali, dall altro, costituiscono i requisiti necessari per la costruzione di un motore decisionale. I risultati ottenuti dall attività di analisi, dunque, non si traducono in studi di fattibilità o in rapporti che descrivono un determinato fenomeno; si trasformano, bensì, in regole operative funzionali alla selezione di un target specifico da passare ad un gestore di campagne di marketing, oppure al calcolo dello score di insolvenza di un prestito o di abbandono di un contratto telefonico. Tali regole sono gli output di progetti finalizzati ad attività di business. Vediamo, quindi, le principali problematiche che si incontrano nella conduzione di questi progetti. In particolare affronteremo i seguenti temi: la formalizzazione del problema di business; la modellazione delle strutture dati; la scelta degli strumenti; la composizione del gruppo di lavoro. 3.1 La formalizzazione del problema di business Il buon esito di un progetto di Data Mining consiste nel tradurre correttamente un esigenza di business in un problema di analisi quantitativa. Ad esempio, una delle richieste maggiormente ricorrenti in ambito marketing concerne la selezione dei migliori destinatari di una promozione commerciale. La scelta di tali destinatari non sempre può essere effettuata in base a criteri di estrazione dettati dall esperienza o dalla conoscenza del prodotto. L applicazione di criteri di tipo Data Retrieval, talvolta, porta alla selezione di target troppo numerosi rispetto al budegt disponibile per la campagna,

3 63 soprattutto se il costo per contatto è elevato. In casi di questo tipo, è necessario classificare la clientela in modo da identificare fasce caratterizzate da una diversa propensione di adesione ad un iniziativa commerciale o all acquisizione di determinati prodotti-servizi. Una classificazione di questo tipo viene determinata sulla base di un modello di scoring 3 che assegni a ciascun cliente la probabilità di assumere un determinato stato: aderire o meno alla promozione, acquisire o meno il prodotto-servizio. È, quindi, possibile classificare ed ordinare la popolazione dei potenziali destinatari di una campagna commerciale in base ad una propensione stimata. Classificata la popolazione di riferimento, si pone il problema di quanti clienti contattare. La scelta del numero di destinatari è funzionale agli obiettivi di business della campagna, i quali possono variare dalla massimizzazione del revenue, al raggiungimento del break even point, alla massimizzazione dei contatti utili. Ai fini di tale scelta è necessario integrare i dati di risposta attesa, derivabili dagli score associati ai potenziali destinatari, con i dati economici: i costi da sostenere relativi all impianto della campagna i costi per singolo contatto; i ricavi attesi dalla vendita del prodotto-servizio promozionato. In questo modo è possibile costruire una simulazione dell esito della campagna e costruire la Campaign Chart, ovvero la curva dei ritorni attesi in funzione della numerosità dei target da contattare. A titolo esemplificativo riportiamo un esempio di Campaign Chart (si veda la Figura 1) in cui si evince che la scelta di promuovere il 12% di clienti con maggior propensione d acquisto garantisce l ottimizzazione in termini di revenue, l estensione della campagna al miglior 27% permetterebbe di raggiungere il punto di pareggio, mentre un ulteriore estensione al 35% ci porterebbe in un area di investimento dell operazione, in quanto i ritorni economici attesi della campagna non andrebbero a coprirne i costi. 3.2 La modellazione delle strutture dati Chi ha avuto importanti esperienze in progetti di Data Mining sa quanto sia fondamentale la predisposizione di ambiente dati dedicato per l attività di analisi quantitativa dei dati (si veda la figura 2). In particolare la costruzione e l utilizzo di un Customer Database (CDB), aggiornato nel tempo e contenente le informazioni rilevanti sui clienti attuali e/o potenziali, svolge un ruolo decisivo nel portare a compimento con successo l attività di Data Mining. Il CDB è il luogo in cui i clienti vengono riconosciuti e dove vengono immagazzinati (secondo una logica cliente-centrica e aderente al business) i dati significativi per le successive fasi di analisi. Detto con altre parole il CDB è la condizione necessaria, lo strumento, per la conta e la misurazione degli indicatori elementari che vengono dati in input ai processi di analisi, propri del Data Mining. Il disegno logico e concettuale del CDB deve riprodurre, nello specchio dei dati riclassificati secondo le categorie del business, la complessità delle relazioni clienti-azienda: non si può banalizzare, ma altrettanto non è corretto mettersi in cappa, sottolineando l importanza dei dati che mancano.

4 64 Figura 1: Campaign Chart Semplificando, la struttura di un CDB può essere schematizzata su due livelli: Livello 1: tabelle tematiche fatti per dimensioni (Detail Tables) con il massimo dettaglio che si vuole mantenere per i fatti selezionati. A queste strutture dati possono puntare gli strumenti di Query-Reporting per effettuare estrazioni e/o visualizzare in modo multidimensionale informazioni, inoltre alle stesse tabelle puntano i processi di creazione ed aggiornamento delle Customer Table. Livello 2: tabelle tematiche organizzate per unità logica di riferimento (Customer Table: un record per un cliente), che consentano di misurare tutte le dimensioni interessanti per le analisi di mining. Esse rappresentano le matrici dei dati elementari prese in input dai processi di sintesi/previsione, propri dell attività di Data Mining. Il passaggio dalle tabelle di primo livello (Detail Table) alle Customer Table comporta l assunzione di decisioni sulla perdita di dettaglio, tollerabile a vantaggio di chiarezza ed esaustività di determinate sintesi; se infatti la chiave logica cliente è già definita, non è così per le operazioni di derivazione di nuovi campi, che di quelli originali sono una riorganizzazione in categorie o il risultato di operazioni algebriche: errori a questo punto possono pregiudicare la costruzione delle applicazioni statistiche.

5 65 Figura 2: L ambiente operativo per l attività di Data Mining 3.3 La scelta degli strumenti Uno strumento di Data Mining deve soddisfare determinate caratteristiche di utilizzo: potenza di calcolo: deve essere un strumento in grado di operare su ambienti multipiattaforma, con architettura client/server, in grado di risolvere in modo rapido algoritmi di calcolo ed implementare percorsi di analisi; analisi esplorativa: deve consentire all analista di ottenere statistiche descrittive sulle variabili di analisi (es. media, mediana, moda, quantili della distribuzione, distribuzioni di frequenza, tabelle a doppia entrata) in modo da poter scoprire in anticipo potenziali relazioni ed anomalie nei dati; preparazione dei dati: devono essere presenti funzionalità per il calcolo di nuove variabili, per la sostituzione dei valori mancanti, per individuazione e l eventuale eliminazione dei valori anomali (outliers) per consentire all analista la costruzione della base dati finale su cui procedere con la modellizzazione; molteplicità di tecniche: deve mettere a disposizione dell analista un ampia gamma di strumenti di analisi che gli consentano di scegliere la soluzione migliore sia in termini di performance sia dal punto di vista del rispetto degli obiettivi aziendali. In questa fase, può essere di supporto la presenza di tecniche per la selezione automatica delle variabili maggiormente correlate con il target e di metodi per la riduzione della dimensionalità dell infor-

6 66 mazione mediante la definizione di combinazioni lineari delle variabili (es. analisi delle componenti principali, analisi fattoriale); confronto: deve fornire indici di valutazione coerenti per i diversi modelli prodotti in modo da permettere all analista di effettuare un veloce confronto delle performance. Sicuramente utile è la possibilità di confrontare graficamente le performance dei diversi modelli prodotti mediante grafici quali: lift chart, response threshold chart, roc chart; generalizzazione: la stima dei modelli deve essere condotta secondo approcci di validazione dei risultati tali da garantire la capacità di generalizzazione dei modelli stimati; ambiente di produzione: deve essere in grado di interfacciarsi con il CDB aziendale, o con eventuali altri ambienti dati alimentanti, e deve permette l esportazione delle regole decisionali individuate in un ambiente di produzione che permetta la replica periodica dell intero processo. Figura 3: SAS Enterprise Miner. Un esempio applicativo Le soluzioni software oggi presenti sul mercato coprono, chi più, chi meno, le caratteristiche sopra riportate. In particolare quelle più complete sono i pacchetti offerti da SPSS, con Celementine, e da SAS, con SAS Enterprise Miner. 3.4 La composizione del gruppo di lavoro Indipendentemente dal tipo di applicazione specifica, l attività di Data Mining si caratterizza in una serie di fasi che vanno dalla definizione degli

7 67 obiettivi dell analisi, fino alla valutazione dei risultati, all interno di un processo che si autoalimenta in termini di ridefinizione degli obiettivi e di conseguimento di risultati. Sinteticamente le fasi di questo processo possono essere schematizzate nel seguente modo: predisposizione dei Dati di Input; campionamento; analisi preliminari; costruzione del modello; scelta del modello finale; implementazione delle regole nei Processi Decisionali. Inoltre, non dobbiamo dimenticare che tale processo è funzionale ad obiettivi di Marketing Intelligence, quali la realizzazione di una campagna commerciale, indirizzata su clienti/prospect ad elevata propensione di risposta. Pertanto, l organizzazione di un progetto di Data Mining è funzionale a mettere insieme diverse competenze specifiche. In particolare il buon esito del progetto richiede la costituzione di un gruppo di lavoro interdipartimentale che coinvolge le seguenti funzioni: sponsor del progetto; esperto della problematica di business; esperto dei contenuti e delle logiche dell ambiente dati; esperto delle tecniche di analisi dei data (Data Miner). Lo sponsor del progetto deve essere di alto livello: un progetto di Data Mining può coinvolgere diverse aree dell azienda e può avere impatti significativi sulle modalità operative della stessa. Quindi occorre la necessaria influenza aziendale per poter raggiungere l obiettivo preposto. Gli altri componenti del gruppo hanno un mandato più operativo che può essere così sintetizzato: corretto funzionamento degli strumenti informatici a supporto del progetto e delle modalità di passaggio in produzione delle regole prodotte dall analisi dei dati. costruzione dei modelli di analisi; interpretazione dei modelli di analisi ed applicazione al business; pianificazione delle campagne commerciali; predisposizione delle procedure operative per l effettuazione delle campagne; predisposizione delle procedure operative per la misurazione degli esiti delle campagne. 4. Gli ambiti applicativi del Data Mining Abbiamo definito il Data Mining come un processo, all interno del quale si utilizzano una o più tecniche per estrarre dai dati indicazioni a supporto ell attività di business: la scelta di quale tecnica utilizzare nella fase di analisi dipende, essenzialmente, dal tipo di problema oggetto di studio (analisi della dipendenza analisi della interdipendenza) e dal tipo di dati disponibili per l analisi (quantitativi categorici). Tra le applicazioni più comuni troviamo:

8 68 Customer Profiling (Market Bubble): applicazione di tecniche di clustering al fine di individuare gruppi omogenei in termini di comportamenti e di caratteristiche socio-demografiche; l individuazione delle diverse tipologie di clienti permette di effettuare campagne di marketing diretto e di valutarne gli effetti, nonché di ottenere indicazioni su come modificare la propria offerta, e rende possibile monitorare nel tempo l evoluzione della propria clientela e l emergere di nuove tipologie. Market Basket Analysis (Affinity Analysis): applicazione di tecniche di individuazione di associazioni a dati di vendita al fine di conoscere quali prodotti sono acquistati congiuntamente ad altri; questo tipo d informazione consente di migliorare l offerta dei prodotti (disposizione sugli scaffali) e di incrementare le vendite di alcuni prodotti tramite offerte sui prodotti ad essi associati. Scoring System (Predictive Modelling): sistema integrato di procedure volte alla costruzione di un modello che mette in relazione le caratteristiche di un sistema di individui (la lista dei potenziali clienti) con una variabile obiettivo. Tale variabile rappresenta l adesione ad una proposta commerciale, mentre le variabili esplicative sono legate al comportamento passato degli individui nei confronti di analoghe iniziative e alle loro caratteristiche anagrafiche. L obiettivo di tale tecnica consiste nell assegnazione di un punteggio numerico (score) ad ogni individuo; tale score sarà collegato alla probabilità che ogni il risponda all azione commerciale. In questo modo è possibile ordinare i clienti in base allo score e selezionare quelli a cui è associata una probabilità di adesione più elevata. Text Mining (Market Bubble): applicazione di tecniche di clustering al fine di individuare gruppi omogenei di documenti in termini di argomento trattato; consente di accedere più velocemente all argomento di interesse e di individuarne i legami con altri argomenti. È convinzione diffusa che il Data Mining si avvalga di tecniche statistiche applicabili solo su grandi numeri : questo termine è assai generico se si pensa che le suddette tecniche sono state sviluppate in psicologia, medicina e biologia; in questi campi le numerosità dei campioni a disposizione sono nell ordine di decine o al massimo centinaia di unità statistiche. Va detto, inoltre, che esistono molte relazioni statistiche che sono ovvie su popolazioni da censimento nazionale. Ad esempio la diminuzione del reddito medio procapite produce una proporzionale diminuzione negli acquisti dei beni di largo consumo. Ve ne sono, però, molte altre tutt altro che evidenti su numerosità minime: ad esempio, sul numero dei tavoli di un ristorante si può trovare una relazione tra gli ammanchi di cassa e la composizione degli incassi medi di giornata in termini di taglio delle banconote!. Ciò che intendiamo dire è che, se i modelli statistici per le previsioni dei ritorni su attività promozionali sono ormai ampiamente utilizzati in settori le cui aziende dispongono di portafogli clienti che si contano in termini di milioni, come le cosidette telecom, i grandi gruppi bancari e assicurativi o anche le aziende dell editoria e della vendita per corrispondenza, ciò non significa che le analisi ad esempio sulla potenzialità del territorio, conseguente ad una sua segmentazione non solo geograficoorganizzativa ma anche basate sulla diffusione di vari prodotti, non possa essere di estrema utilità per un azienda del settore tessile o calzaturiero.

9 69 Bibliografia Berry M.J.A., Linoff G. (1997) Data Mining Techniques, Wiley & Sons, New York. Camillo F., Tassinari G. (2002) Data Mining, Web Mining e CRM: metodologie, soluzioni e prospettive, Franco Angeli, Milano. Del Ciello N., Dulli S., Saccardi A. (2001) Metodi di Data Mining per il Customer Relationship Management, Franco Angeli, Milano. Dulli S., Polpettini P., Trotta M. (2004) Text Mining: Teoria e Applicazioni, Franco Angeli, Milano. Hand D., Mannila H., Smyth P. (2001) Principles of Data Mining, MIT Press, Cambridge Massachusetts Inmon W.H. (1996), Building the Data Warehouse, Wiley & Sons, New York. Molteni L., Troilo G. (2003), Ricerche di Marketing, McGraw-Hill, Milano. Note 1 In termini generali, ciò che distingue l attività di Data Mining dall analisi statistica comunemente intesa non è solamente la mole di dati su cui vengono effettuate le elaborazioni, né la disponibilità di un numero rilevante di tecniche, quanto la finalizzazione dell attività d analisi verso le esigenze aziendali e la possibilità di operare in un ambiente predisposto per l integrazione di contributi tecnici e conoscenze di business: fare Data Mining significa seguire una metodologia che va dalla definizione della problematica all implementazione di regole decisionali economicamente misurabili. In sintesi, la novità offerta dallo sviluppo tecnologico, hardware e software, e dal Data Mining consiste nell integrare i processi decisionali con regole costruite sintetizzando complessi ed estesi patrimoni informativi; tali regole non sono semplicemente il risultato di studi pilota, bensì l output di progetti finalizzati ad attività di business. 2 Un elemento distintivo del Data Mining concerne la modalità con cui viene eseguita la fase di analisi dei dati. Generalmente vengono formulate ipotesi molto semplici sulla natura del fenomeno indagato, ad esempio se il problema trattato rientra nell ambito dell analisi della dipendenza o della interdipendenza, trascurando le ipotesi relative alla forma distributiva delle variabili che descrivono il problema stesso. Lo sforzo maggiore consiste nell utilizzare più tecniche per spiegare lo stesso fenomeno e nel costruire regole empiriche volte alla scelta del miglior modello. Infatti, una volta tradotto il problema di business in problema di analisi quantitativa, è possibile seguire diversi percorsi nella soluzione del problema. In questo ambito la scelta della regola finale è subordinata non solo alla capacità esplicativa del modello ed alla sua capacità di corretta classificazione, ma anche dalla reale possibilità di impiego di tale regola. 3 In termini generali la costruzione di modello di scoring rientra nell ambito dell analisi della dipendenza, ove la costruzione di un modello è finalizzata a porre in relazione un fenomeno, l adesione alla campagna, con un insieme di descrittori strutturali, ad esempio l età o la località di residenza, e/o comportamentali, ad esempio in un caso bancario il saldo medio di conto corrente degli ultimi due semestri o il numero di operazioni in dare e avere negli stessi semestri. In altre parole il fenomeno indagato gioca il ruolo della variabile dipendente, mentre i descrittori strutturali e/o comportamentali quello delle variabili esplicative. L applicazione della regola di classificazione associa a ciascun cliente uno score proporzionale alla probabilità di adesione all iniziativa commerciale.

La conoscenza del Cliente come fonte di profitto

La conoscenza del Cliente come fonte di profitto La conoscenza del Cliente come fonte di profitto Giorgio Redemagni Responsabile CRM Convegno ABI CRM 2003 Roma, 11-12 dicembre SOMMARIO Il CRM in UniCredit Banca: la Vision Le componenti del CRM: processi,

Dettagli

MASTER UNIVERSITARIO

MASTER UNIVERSITARIO MASTER UNIVERSITARIO Analisi Dati per la Business Intelligence In collaborazione con II edizione 2013/2014 Dipartimento di Culture, Politica e Società Dipartimento di Informatica gestito da aggiornato

Dettagli

modo differenziato i clienti ricadenti nelle differenti classi. Tecnica RFM Questo approccio considera, oltre al valore di fatturato (contemplato

modo differenziato i clienti ricadenti nelle differenti classi. Tecnica RFM Questo approccio considera, oltre al valore di fatturato (contemplato Metodi quantitativi per il targeting Per le piccole e medie imprese il Data Base di Marketing (DBM) è di importanza cruciale nella segmentazione della clientela e individuazione del target di interesse

Dettagli

Data Mining e Analisi dei Dati

Data Mining e Analisi dei Dati e Analisi dei Dati Rosaria Lombardo Dipartimento di Economia, Seconda Università di Napoli La scienza che estrae utili informazioni da grandi databases è conosciuta come E una disciplina nuova che interseca

Dettagli

MASTER UNIVERSITARIO. Analisi Dati per la Business Intelligence e Data Science. IV edizione 2015/2016

MASTER UNIVERSITARIO. Analisi Dati per la Business Intelligence e Data Science. IV edizione 2015/2016 MASTER UNIVERSITARIO Analisi Dati per la Business Intelligence e Data Science In collaborazione con IV edizione 2015/2016 Dipartimento di Culture, Politica e Società Dipartimento di Informatica Dipartimento

Dettagli

SEGMENTAZIONE INNOVATIVA VS TRADIZIONALE

SEGMENTAZIONE INNOVATIVA VS TRADIZIONALE SEGMENTAZIONE INNOVATIVA VS TRADIZIONALE Arricchimento dei dati del sottoscrittore / user Approccio Tradizionale Raccolta dei dati personali tramite contratto (professione, dati sul nucleo familiare, livello

Dettagli

PDF created with pdffactory trial version www.pdffactory.com. Il processo di KDD

PDF created with pdffactory trial version www.pdffactory.com. Il processo di KDD Il processo di KDD Introduzione Crescita notevole degli strumenti e delle tecniche per generare e raccogliere dati (introduzione codici a barre, transazioni economiche tramite carta di credito, dati da

Dettagli

Data mining e rischi aziendali

Data mining e rischi aziendali Data mining e rischi aziendali Antonella Ferrari La piramide delle componenti di un ambiente di Bi Decision maker La decisione migliore Decisioni Ottimizzazione Scelta tra alternative Modelli di apprendimento

Dettagli

MICROMARKETING DI SUCCESSO SFRUTTANDO DAVVERO IL CUSTOMER DATABASE

MICROMARKETING DI SUCCESSO SFRUTTANDO DAVVERO IL CUSTOMER DATABASE MICROMARKETING DI SUCCESSO SFRUTTANDO DAVVERO IL CUSTOMER DATABASE Innovative tecniche statistiche che consentono di mirare le azioni di marketing, vendita e comunicazione valorizzando i dati dei database

Dettagli

DATA MINING E DATA WAREHOUSE

DATA MINING E DATA WAREHOUSE Reti e sistemi informativi DATA MINING E DATA WAREHOUSE Marco Gottardo FONTI Wikipedia Cineca Università di Udine, Dipartimento di fisica, il data mining scientifico thepcweb.com DATA MINING 1/2 Il Data

Dettagli

Introduzione al Datamining. Francesco Passantino francesco@iteam5.net www.iteam5.net/francesco

Introduzione al Datamining. Francesco Passantino francesco@iteam5.net www.iteam5.net/francesco Introduzione al Datamining Francesco Passantino francesco@iteam5net wwwiteam5net/francesco Cos è il datamining Processo di selezione, esplorazione e modellazione di grandi masse di dati, al fine di scoprire

Dettagli

Dal CRM Strategy al CRM Technology: la soluzione di Banca Popolare di Bari. Convegno ABI CRM 2004-13 dicembre 2004

Dal CRM Strategy al CRM Technology: la soluzione di Banca Popolare di Bari. Convegno ABI CRM 2004-13 dicembre 2004 Dal CRM Strategy al CRM Technology: la soluzione di Banca Popolare di Bari Giovanni Ciccone Stefania De Maria 080 5274824 Marketing Strategico Sistemi Informativi Convegno ABI CRM 2004-13 dicembre 2004

Dettagli

L intelligence commerciale per il governo della complessità distributiva: l approccio adottato in BNL

L intelligence commerciale per il governo della complessità distributiva: l approccio adottato in BNL L intelligence commerciale per il governo della complessità distributiva: l approccio adottato in BNL Convegno ABI CRM 2003 Strategie di Valorizzazione delle Relazioni con la Clientela Andrea Di Fabio

Dettagli

LEZIONE 3 CUSTOMER RELATIONSHIP ICT GOVERNANCE. ECONOMIA dell ICT ECONOMIA DELL ICT 1. Facoltà di Ingegneria Università di Roma Tor Vergata

LEZIONE 3 CUSTOMER RELATIONSHIP ICT GOVERNANCE. ECONOMIA dell ICT ECONOMIA DELL ICT 1. Facoltà di Ingegneria Università di Roma Tor Vergata LEZIONE 3 CUSTOMER RELATIONSHIP MANAGEMENT (CRM) ICT GOVERNANCE ECONOMIA dell ICT ECONOMIA DELL ICT 1 Sviluppo storico del CRM 50 60 Avvento dei brand items e delle agenzie di pubblicità 70 Avvento del

Dettagli

Database Commerciali/ Marketing. Indice: 1. Gli elementi chiave del db commerciale/ marketing 2. Come si costruisce un db commerciale/ marketing

Database Commerciali/ Marketing. Indice: 1. Gli elementi chiave del db commerciale/ marketing 2. Come si costruisce un db commerciale/ marketing Database Commerciali/ Marketing Indice: 1. Gli elementi chiave del db commerciale/ marketing 2. Come si costruisce un db commerciale/ marketing Database Commerciali/ Marketing Gli elementi chiave del db

Dettagli

Milano, Venerdì 9 Febbraio 2001 Giornata di studio su Customer Relationship Management e Customer Profitability Analysis. Torna alla prima pagina

Milano, Venerdì 9 Febbraio 2001 Giornata di studio su Customer Relationship Management e Customer Profitability Analysis. Torna alla prima pagina La soddisfazione del cliente a partire dalla gestione dinamica del suo ciclo di vita. La Customer Retention e il Progetto Valore Cliente della Banca Popolare FriulAdria Relatore: Maggiolo Ivan Servizio

Dettagli

Marketing relazionale

Marketing relazionale Marketing relazionale Introduzione Nel marketing intelligence assume particolare rilievo l applicazione di modelli predittivi rivolte a personalizzare e rafforzare il legame tra azienda e clienti. Un azienda

Dettagli

Il DataMining. Susi Dulli dulli@math.unipd.it

Il DataMining. Susi Dulli dulli@math.unipd.it Il DataMining Susi Dulli dulli@math.unipd.it Il Data Mining Il Data Mining è il processo di scoperta di relazioni, pattern, ed informazioni precedentemente sconosciute e potenzialmente utili, all interno

Dettagli

SISTEMI INFORMATIVI AZIENDALI

SISTEMI INFORMATIVI AZIENDALI SISTEMI INFORMATIVI AZIENDALI Prof. Andrea Borghesan venus.unive.it/borg borg@unive.it Ricevimento: Alla fine di ogni lezione Modalità esame: scritto 1 Data Mining. Introduzione La crescente popolarità

Dettagli

CRM Strategico Soluzione evoluta per aumentare vendite e soddisfazione dei clienti

CRM Strategico Soluzione evoluta per aumentare vendite e soddisfazione dei clienti CRM Strategico Soluzione evoluta per aumentare vendite e soddisfazione dei clienti Canali e Core Banking Finanza Crediti Sistemi Direzionali Sistemi di pagamento e Monetica CRM Strategico Cedacri ha sviluppato

Dettagli

Conoscere il cliente e le sue potenzialità: l importanza della business intelligence in banca

Conoscere il cliente e le sue potenzialità: l importanza della business intelligence in banca Conoscere il cliente e le sue potenzialità: l importanza della business intelligence in banca Luca Molteni Elena Feltrinelli Università Bocconi Milano Convegno ABI Dimensione Cliente Roma, 13 febbraio

Dettagli

Introduzione alla Business Intelligence. E-mail: infobusiness@zucchetti.it

Introduzione alla Business Intelligence. E-mail: infobusiness@zucchetti.it Introduzione alla Business Intelligence E-mail: infobusiness@zucchetti.it Introduzione alla Business Intelligence Introduzione Definizione di Business Intelligence: insieme di processi per raccogliere

Dettagli

L uso dei dati territoriali per la valutazione del mercato e la definizione dei target

L uso dei dati territoriali per la valutazione del mercato e la definizione dei target Banca Popolare di Vicenza L uso dei dati territoriali per la valutazione del mercato e la definizione dei target Filippo Catturi, Alfredo Pastega Roma, 14 dicembre 2005 Agenda Premessa La valutazione del

Dettagli

Data Mining: Applicazioni

Data Mining: Applicazioni Sistemi Informativi Universitá degli Studi di Milano Facoltá di Scienze Matematiche, Fisiche e Naturali Dipartimento di Tecnologie dell Informazione 1 Giugno 2007 Data Mining Perché il Data Mining Il Data

Dettagli

I Modelli della Ricerca Operativa

I Modelli della Ricerca Operativa Capitolo 1 I Modelli della Ricerca Operativa 1.1 L approccio modellistico Il termine modello è di solito usato per indicare una costruzione artificiale realizzata per evidenziare proprietà specifiche di

Dettagli

Il piano di marketing capitolo 13

Il piano di marketing capitolo 13 Il piano di marketing capitolo 13 Il piano di marketing Il piano di marketing è un documento che formalizza la strategia da seguire, ne spiega i presupposti, la traduce in programmi operativi*. Risponde

Dettagli

1. Aspetti di Marketing... 3 Obiettivi... 3 Esempi... 4 2. Aspetti Applicativi... 4 Obiettivi... 4. 3. Aspetti Prestazionali... 4

1. Aspetti di Marketing... 3 Obiettivi... 3 Esempi... 4 2. Aspetti Applicativi... 4 Obiettivi... 4. 3. Aspetti Prestazionali... 4 Pagina 2 1. Aspetti di Marketing... 3 Obiettivi... 3 Esempi... 4 2. Aspetti Applicativi... 4 Obiettivi... 4 Esempi... 4 3. Aspetti Prestazionali... 4 Obiettivi... 4 Esempi... 4 4. Gestione del Credito

Dettagli

di Andrea Papavero Marketing e Vendite >> CRM

di Andrea Papavero Marketing e Vendite >> CRM RICONOSCERE I CLIENTI PROFITTEVOLI : GLI STRUMENTI DI VALUTAZIONE di Andrea Papavero Marketing e Vendite >> CRM DEFINIRE IL GRADO DI PROFITTABILITA DEL CLIENTE Avere un'organizzazione orientata al cliente

Dettagli

Sistemi Informativi Aziendali I

Sistemi Informativi Aziendali I Modulo 6 Sistemi Informativi Aziendali I 1 Corso Sistemi Informativi Aziendali I - Modulo 6 Modulo 6 Integrare verso l alto e supportare Managers e Dirigenti nell Impresa: Decisioni più informate; Decisioni

Dettagli

Modalità e criteri di segmentazione nel Corporate & Investment Banking

Modalità e criteri di segmentazione nel Corporate & Investment Banking UNIVERSITA CATTOLICA DEL SACRO CUORE 20123 MILANO LARGO A. GEMELLI, 1 Modalità e criteri di segmentazione nel Corporate & Investment Banking a cura di: Renato Fiocca Glauco T. Savorgnani Daniela Corsaro

Dettagli

1.3.1. Elementi caratterizzanti il marketing diretto interattivo

1.3.1. Elementi caratterizzanti il marketing diretto interattivo 1. IL MARKETING DIRETTO 1.1. Concetto e definizione di marketing diretto pag. 3 1.1.1. Direct e data base di marketing pag. 5 1.2. Evoluzione del concetto di marketing diretto pag. 8 1.2.1. La comunicazione

Dettagli

Modulo Campaign Activator

Modulo Campaign Activator Modulo Campaign Activator 1 Che cosa è Market Activator Market Activator è una suite composta da quattro diversi moduli che coprono esigenze diverse, ma tipicamente complementari per i settori marketing/commerciale

Dettagli

SMS Strategic Marketing Service

SMS Strategic Marketing Service SMS Strategic Marketing Service Una piattaforma innovativa al servizio delle Banche e delle Assicurazioni Spin-off del Politecnico di Bari Il team Conquist, Ingenium ed il Politecnico di Bari (DIMEG) sono

Dettagli

Value Manager. Soluzione integrata per la pianificazione e il controllo di gestione

Value Manager. Soluzione integrata per la pianificazione e il controllo di gestione Value Manager Soluzione integrata per la pianificazione e il controllo di gestione Value Manager Soluzione integrata per la pianificazione e il controllo di gestione Value Manager è una soluzione completa

Dettagli

MARKETING (3 DI 3) R i v i s t a in t e r n a z i o n a l e d e l G r u p p o B a i n RESULTS. ANNO VIII NUMERO 2 (3 A parte ) Dicembre 2002

MARKETING (3 DI 3) R i v i s t a in t e r n a z i o n a l e d e l G r u p p o B a i n RESULTS. ANNO VIII NUMERO 2 (3 A parte ) Dicembre 2002 R i v i s t a in t e r n a z i o n a l e d e l G r u p p o B a i n RESULTS MARKETING (3 DI 3) ANNO VIII NUMERO 2 (3 A parte ) Dicembre 2002 Bain & Company RESULTS Dopo la prima e la seconda parte di questo

Dettagli

Nuovi metodi di analisi della relazione con il cliente: il CRM

Nuovi metodi di analisi della relazione con il cliente: il CRM Nuovi metodi di analisi della relazione con il cliente: il CRM Dott. Gabriele Sabato Abstract Nel corso del processo di evoluzione della nostra società moderna si è riscontrato sempre più l insorgere di

Dettagli

Sistemi informativi aziendali

Sistemi informativi aziendali Sistemi informativi aziendali Lezione 12 prof. Monica Palmirani Sistemi informativi e informatici Sistemi informativi = informazioni+processi+comunicazione+persone Sistemi informatici = informazioni+hardware+software

Dettagli

Gestione campagne di Marketing per il C.R.M.

Gestione campagne di Marketing per il C.R.M. Caratteristiche principali: Preselezione di nominativi basati scremandoli con opportuni filtri basati su informazioni di rischio provenienti da fonti esterne. Analisi grafica tramite sintetiche distribuzioni

Dettagli

Agenda. I sistemi a supporto delle decisioni Information Directory Sviluppi futuri. Cinque anni di Data Warehouse:dai dati alle decisioni 1

Agenda. I sistemi a supporto delle decisioni Information Directory Sviluppi futuri. Cinque anni di Data Warehouse:dai dati alle decisioni 1 Cinque anni di Data Warehouse: dai dati alle decisioni Mario ANCILLI SETTORE SISTEMI INFORMATIVI ED INFORMATICA DIREZIONE ORGANIZZAZIONE; PIANIFICAZIONE, SVILUPPO E GESTIONE DELLE RISORSE UMANE Torino,

Dettagli

KPMG & Dipartimento di Economia Politica e Metodi Quantitativi Università degli Studi di Pavia Progetto studio di sistemi di Data Mining

KPMG & Dipartimento di Economia Politica e Metodi Quantitativi Università degli Studi di Pavia Progetto studio di sistemi di Data Mining KPMG & Dipartimento di Economia Politica e Metodi Quantitativi Università degli Studi di Pavia Progetto studio di sistemi di Data Mining Marzo 2002 Indice Obiettivo Il nostro approccio Architettura logica

Dettagli

Sistemi Informativi Aziendali. Sistemi Informativi Aziendali

Sistemi Informativi Aziendali. Sistemi Informativi Aziendali DIPARTIMENTO DI INGEGNERIA INFORMATICA AUTOMATICA E GESTIONALE ANTONIO RUBERTI Cenni al Data Mining 1 Data Mining nasce prima del Data Warehouse collezione di tecniche derivanti da Intelligenza Artificiale,

Dettagli

Il CRM nei servizi finanziari alla clientela retail

Il CRM nei servizi finanziari alla clientela retail Il CRM nei servizi finanziari alla clientela retail Microsoft Dynamics CRM e le istituzioni finanziare dedicate alle famiglie banche, banche assicurazioni e sim Premessa Ogni impresa che opera nel settore

Dettagli

Modelli matematici avanzati per l azienda a.a. 2010-2011

Modelli matematici avanzati per l azienda a.a. 2010-2011 Modelli matematici avanzati per l azienda a.a. 2010-2011 Docente: Pasquale L. De Angelis deangelis@uniparthenope.it tel. 081 5474557 http://www.economia.uniparthenope.it/siti_docenti P.L.DeAngelis Modelli

Dettagli

1. Orientamento al prodotto 2. Orientamento alle vendite 3. Orientamento al mercato 4. Orientamento al marketing

1. Orientamento al prodotto 2. Orientamento alle vendite 3. Orientamento al mercato 4. Orientamento al marketing L ATTIVITA COMMERCIALE DELL AZIENDA: MARKETING Attività e processi mediante i quali l azienda è presente sul mercato reale su cui colloca i propri prodotti. Solitamente il marketing segue un preciso percorso,

Dettagli

Introduzione alla Business Intelligence

Introduzione alla Business Intelligence SOMMARIO 1. DEFINIZIONE DI BUSINESS INTELLIGENCE...3 2. FINALITA DELLA BUSINESS INTELLIGENCE...4 3. DESTINATARI DELLA BUSINESS INTELLIGENCE...5 4. GLOSSARIO...7 BIM 3.1 Introduzione alla Pag. 2/ 9 1.DEFINIZIONE

Dettagli

LA BUSINESS INTELLIGENCE - DEFINIZIONI

LA BUSINESS INTELLIGENCE - DEFINIZIONI LA BUSINESS INTELLIGENCE - DEFINIZIONI A cura di Giorgio Giussani Milano, 16.06.2010 Fonte: Internet Cos'è il Business Intelligence? Il termine business intelligence si applica ai prodotti che hanno come

Dettagli

PIANO DI LAVORO (a.s. 2014/2015) Prof.ssa Adriana Fasulo Prof. Marco Fiorentini DISCIPLINA Informatica

PIANO DI LAVORO (a.s. 2014/2015) Prof.ssa Adriana Fasulo Prof. Marco Fiorentini DISCIPLINA Informatica Istituto Tecnico Commerciale Statale e per Geometri E. Fermi Pontedera (Pi) Via Firenze, 51 - Tel. 0587/213400 - Fax 0587/52742 http://www.itcgfermi.it E-mail: mail@itcgfermi.it PIANO DI LAVORO (a.s. 2014/2015)

Dettagli

Relazione sul data warehouse e sul data mining

Relazione sul data warehouse e sul data mining Relazione sul data warehouse e sul data mining INTRODUZIONE Inquadrando il sistema informativo aziendale automatizzato come costituito dall insieme delle risorse messe a disposizione della tecnologia,

Dettagli

I SISTEMI DI PERFORMANCE MANAGEMENT

I SISTEMI DI PERFORMANCE MANAGEMENT http://www.sinedi.com ARTICOLO 8 GENNAIO 2007 I SISTEMI DI PERFORMANCE MANAGEMENT In uno scenario caratterizzato da una crescente competitività internazionale si avverte sempre di più la necessità di una

Dettagli

Il cliente a tutto tondo: una metodologia di targeting per bisogni

Il cliente a tutto tondo: una metodologia di targeting per bisogni Il cliente a tutto tondo: una metodologia di targeting per bisogni Nell attuale contesto competitivo, la conoscenza del cliente e dei suoi bisogni di servizi e prodotti bancari a 360 diventa fondamentale

Dettagli

Credex LA PIATTAFORMA PER LA GESTIONE DELLA CATENA ESTESA DEL VALORE DEL RECUPERO CREDITI. ABI Consumer Credit 2003. Roma, 27 marzo 2003

Credex LA PIATTAFORMA PER LA GESTIONE DELLA CATENA ESTESA DEL VALORE DEL RECUPERO CREDITI. ABI Consumer Credit 2003. Roma, 27 marzo 2003 LA PIATTAFORMA PER LA GESTIONE DELLA CATENA ESTESA DEL VALORE DEL RECUPERO CREDITI ABI Consumer Credit 2003 Roma, 27 marzo 2003 Questo documento è servito da supporto ad una presentazione orale ed i relativi

Dettagli

Data Mining a.a. 2010-2011

Data Mining a.a. 2010-2011 Data Mining a.a. 2010-2011 Docente: mario.guarracino@cnr.it tel. 081 6139519 http://www.na.icar.cnr.it/~mariog Informazioni logistiche Orario delle lezioni A partire dall 19.10.2010, Martedì h: 09.50 16.00

Dettagli

Data warehousing Mario Guarracino Data Mining a.a. 2010/2011

Data warehousing Mario Guarracino Data Mining a.a. 2010/2011 Data warehousing Introduzione A partire dagli anni novanta è risultato chiaro che i database per i DSS e le analisi di business intelligence vanno separati da quelli operazionali. In questa lezione vedremo

Dettagli

Microsoft Dynamics NAV 2009 REALIZZARE GLI OBIETTIVI

Microsoft Dynamics NAV 2009 REALIZZARE GLI OBIETTIVI Microsoft Dynamics NAV 2009 REALIZZARE GLI OBIETTIVI Una soluzione ERP integrata CONNETTERE Microsoft Dynamics NAV 2009 SEMPLIFICARE ANALIZZARE Microsoft Dynamics NAV 2009 è un ERP innovativo, flessibile

Dettagli

Come utilizzare la conoscenza del cliente per incrementare la profittabilità dei servizi finanziari: le esperienze di UniCredito Italiano

Come utilizzare la conoscenza del cliente per incrementare la profittabilità dei servizi finanziari: le esperienze di UniCredito Italiano Come utilizzare la conoscenza del cliente per incrementare la profittabilità dei servizi finanziari: le esperienze di UniCredito Italiano Maurizio Perego Responsabile Comunicazione e Marketing Relazionale

Dettagli

La Business Intelligence per la PA piemontese

La Business Intelligence per la PA piemontese La Business Intelligence per la PA piemontese GIULIANA BONELLO CSI PIEMONTE 0 Agenda Premessa Le basi dati della PA piemontese Le applicazioni di carattere decisionale della PA piemontese La piattaforma

Dettagli

CRM e imprese: un connubio attuale e attuabile. Simone Capecchi Roma, 12 febbraio 2007

CRM e imprese: un connubio attuale e attuabile. Simone Capecchi Roma, 12 febbraio 2007 CRM e imprese: un connubio attuale e attuabile Simone Capecchi Roma, 12 febbraio 2007 Agenda Abstract CRIF: numeri Alcuni aspetti strategici ed operativi sullo Small Business Le opportunità da esplorare

Dettagli

UNIVERSITA DI PISA FACOLTA DI ECONOMIA CORSO DI LAUREA SPECIALISTICA IN STRATEGIA E GOVERNO DELL AZIENDA

UNIVERSITA DI PISA FACOLTA DI ECONOMIA CORSO DI LAUREA SPECIALISTICA IN STRATEGIA E GOVERNO DELL AZIENDA UNIVERSITA DI PISA FACOLTA DI ECONOMIA CORSO DI LAUREA SPECIALISTICA IN STRATEGIA E GOVERNO DELL AZIENDA TESI DI LAUREA IN STATISTICA PER LE RICERCHE SPERIMENTALI E DI MERCATO L ANALISI STATISTICA DI DATI

Dettagli

Microsoft Dynamics NAV 2009 REALIZZARE GLI OBIETTIVI

Microsoft Dynamics NAV 2009 REALIZZARE GLI OBIETTIVI Microsoft Dynamics NAV 2009 REALIZZARE GLI OBIETTIVI Una soluzione ERP ALL AVANGUARDIA CONNETTERE Microsoft Dynamics NAV 2009 SEMPLIFICARE ANALIZZARE Microsoft Dynamics NAV 2009 è una soluzione di gestione

Dettagli

Il Modello di Orientamento Commerciale

Il Modello di Orientamento Commerciale Il Modello di Orientamento Commerciale Un importante strumento di indirizzo strategico che, classificando clienti e prospect in base alle loro potenzialità di sviluppo, supporta azioni mirate su segmenti

Dettagli

SEMINARI FORMATIVI SU BUSINESS INTELLIGENCE E CUSTOMER RELATIONSHIP MANAGEMENT: CREARE VALORE DAI DATI

SEMINARI FORMATIVI SU BUSINESS INTELLIGENCE E CUSTOMER RELATIONSHIP MANAGEMENT: CREARE VALORE DAI DATI ICT 4 VALUE Ciclo di eventi di sensibilizzazione, informazione e formazione sull applicazione delle tecnologie ICT in azienda SEMINARI FORMATIVI BUSINESS INTELLIGENCE E CUSTOMER RELATIONSHIP MANAGEMENT:

Dettagli

UNIVERSITA DEGLI STUDI DI PADOVA TESI DI LAUREA TRIENNALE

UNIVERSITA DEGLI STUDI DI PADOVA TESI DI LAUREA TRIENNALE UNIVERSITA DEGLI STUDI DI PADOVA FACOLTA DI SCIENZE STATISTICHE CORSO DI LAUREA IN STATISTICA E GESTIONE DELLE IMPRESE TESI DI LAUREA TRIENNALE Cluster Analysis per la segmentazione della clientela utilizzando

Dettagli

Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testualilezione

Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testualilezione Text mining ed analisi di dati codificati in linguaggio naturale Analisi esplorative di dati testualilezione 2 Le principali tecniche di analisi testuale Facendo riferimento alle tecniche di data mining,

Dettagli

GUIDA DI APPROFONDIMENTO LA GESTIONE DEI CLIENTI A CURA DEL BIC SARDEGNA SPA

GUIDA DI APPROFONDIMENTO LA GESTIONE DEI CLIENTI A CURA DEL BIC SARDEGNA SPA GUIDA DI APPROFONDIMENTO LA GESTIONE DEI CLIENTI A CURA DEL BIC SARDEGNA SPA 1 SOMMARIO PREMESSA... 3 ORIENTAMENTO ALLA SODDISFAZIONE DEL CLIENTE... 3 ASPETTATIVE E SODDISFAZIONE DEL CLIENTE... 3 MISURARE

Dettagli

Corso di Marketing Industriale

Corso di Marketing Industriale U N I V E R S I T A' D E G L I S T U D I D I B E R G A M O Facoltà di Ingegneria Corso di Marketing Industriale Prof Ferruccio Piazzoni ferruccio.piazzoni@unibg.it Il Geomarketing I Mktg-L13 Il Geomarketing,

Dettagli

Customer Relationship Management. Eleonora Ploncher 3 aprile 2006

Customer Relationship Management. Eleonora Ploncher 3 aprile 2006 Customer Relationship Management Eleonora Ploncher 3 aprile 2006 1. Gli obiettivi Gli obiettivi della presentazione sono volti a definire: 1. gli elementi fondamentali e strutturali di una strategia di

Dettagli

Uno standard per il processo KDD

Uno standard per il processo KDD Uno standard per il processo KDD Il modello CRISP-DM (Cross Industry Standard Process for Data Mining) è un prodotto neutrale definito da un consorzio di numerose società per la standardizzazione del processo

Dettagli

Data Warehousing e Data Mining

Data Warehousing e Data Mining Università degli Studi di Firenze Dipartimento di Sistemi e Informatica A.A. 2011-2012 I primi passi Data Warehousing e Data Mining Parte 2 Docente: Alessandro Gori a.gori@unifi.it OLTP vs. OLAP OLTP vs.

Dettagli

Il seguente documento viene rilasciato per presentare le principali novità dell innovativa release 2011 della Enterprise Contact Pro di Sysman.

Il seguente documento viene rilasciato per presentare le principali novità dell innovativa release 2011 della Enterprise Contact Pro di Sysman. Premessa Il seguente documento viene rilasciato per presentare le principali novità dell innovativa release 2011 della Enterprise Contact Pro di Sysman. La release definisce grandissime novità nel prodotto

Dettagli

LA SUITE ARCHIMEDE PER LA GESTIONE E L IMPIEGO

LA SUITE ARCHIMEDE PER LA GESTIONE E L IMPIEGO LA SUITE ARCHIMEDE PER LA GESTIONE E L IMPIEGO DEL PERSONALE IN TURNAZIONE Di cosa si tratta? La Suite Archimede è uno strumento scalabile, pratico ed efficiente, per la pianificazione e la gestione strategica

Dettagli

Offerta tecnica. Allegato III Modelli di documentazione

Offerta tecnica. Allegato III Modelli di documentazione Offerta tecnica Allegato III Modelli di documentazione Gestione, sviluppo e manutenzione dell architettura software di Business Intelligence in uso presso Cestec S.p.A. Redatto da Omnia Service Italia

Dettagli

Copyright A&D future. La filosofia di MODELPROD per la Sanità tende alla rivalutazione della

Copyright A&D future. La filosofia di MODELPROD per la Sanità tende alla rivalutazione della Commento Dia 1 La versione per le Aziende Sanitarie di MODELPROD consente di vedere l Ospedale come processo produttivo e si propone come strumento per estendere ad esso i criteri di gestione e controllo

Dettagli

Business Intelligence. Il data mining in

Business Intelligence. Il data mining in Business Intelligence Il data mining in L'analisi matematica per dedurre schemi e tendenze dai dati storici esistenti. Revenue Management. Previsioni di occupazione. Marketing. Mail diretto a clienti specifici.

Dettagli

PRESENTAZIONE SERVIZI P.M.I.

PRESENTAZIONE SERVIZI P.M.I. PRESENTAZIONE SERVIZI P.M.I. Profilo La Società Hermes nasce nel 2010 per portare sul mercato le esperienze maturate da un team di specialisti e ricercatori informatici che hanno operato per anni come

Dettagli

Strategie competitive ed assetti organizzativi nell asset management

Strategie competitive ed assetti organizzativi nell asset management Lezione di Corporate e Investment Banking Università degli Studi di Roma Tre Strategie competitive ed assetti organizzativi nell asset management Massimo Caratelli, febbraio 2006 ma.caratelli@uniroma3.it

Dettagli

PIANO DI LAVORO (a.s. 2014/2015) Prof.ssa Andrea Luppichini Prof. Marco Fiorentini DISCIPLINA Informatica

PIANO DI LAVORO (a.s. 2014/2015) Prof.ssa Andrea Luppichini Prof. Marco Fiorentini DISCIPLINA Informatica lllo Istituto Tecnico Commerciale Statale e per Geometri E. Fermi Pontedera (Pi) Via Firenze, 51 - Tel. 0587/213400 - Fax 0587/52742 http://www.itcgfermi.it E-mail: mail@itcgfermi.it PIANO DI LAVORO (a.s.

Dettagli

05/03/2009. Sociologia della Comunicazione. Importanza delle relazioni. Definizione di CRM A.A. 2008-2009. Logiche ed applicazioni di CRM

05/03/2009. Sociologia della Comunicazione. Importanza delle relazioni. Definizione di CRM A.A. 2008-2009. Logiche ed applicazioni di CRM Sociologia della Comunicazione A.A. 2008-2009 Logiche ed applicazioni di CRM Fulvio Fortezza Importanza delle relazioni Oggi il successo di un impresa non dipende più solo dalle competenze che si originano

Dettagli

Introduzione ai software gestionali. Corso Gestione dei flussi di informazione

Introduzione ai software gestionali. Corso Gestione dei flussi di informazione Introduzione ai software gestionali Corso Gestione dei flussi di informazione 1 Integrazione informativa nelle aziende Problemi: frammentazione della base informativa aziendale crescente complessità organizzative

Dettagli

Sviluppo del valore della clientela: l approccio di Banca Lombarda

Sviluppo del valore della clientela: l approccio di Banca Lombarda Sviluppo del valore della clientela: l approccio di Banca Lombarda Giovanni Andolfi giovanni.andolfi@bancalombarda.it Roma, 13 febbraio 2007 Banca Lombarda: una forte Rete in un area territoriale ricca

Dettagli

La guida CRM per eliminare le incertezze: prendete il controllo del vostro business

La guida CRM per eliminare le incertezze: prendete il controllo del vostro business 2 La guida CRM per eliminare le incertezze: prendete il controllo del vostro business (2 - migliorate la vostra credibilità: i 5 passi per dimostrare l efficacia del Marketing) Pagina 1 di 9 SOMMARIO PREMESSA...

Dettagli

GESTIRE UNA FIERA GESTIONE FIERE CON

GESTIRE UNA FIERA GESTIONE FIERE CON GESTIONE FIERE CON INTRODUZIONE Ad ognuno la giusta azione di Marketing All interno del cosiddetto Customer Acquisition Funnel 1, la gestione di una fiera si rivolge, come nel caso del telemarketing, ai

Dettagli

L E I N F O R M A Z I O N I P E R F A R E

L E I N F O R M A Z I O N I P E R F A R E L E I N F O R M A Z I O N I P E R F A R E C E N T R O Con InfoBusiness avrai Vuoi DATI CERTI per prendere giuste DECISIONI? Cerchi CONFERME per le tue INTUIZIONI? Vuoi RISPOSTE IMMEDIATE? SPRECHI TEMPO

Dettagli

Presentazione sintetica degli indirizzi e delle articolazioni

Presentazione sintetica degli indirizzi e delle articolazioni Presentazione sintetica degli indirizzi e delle articolazioni Gli indirizzi del settore economico fanno riferimento a comparti in costante crescita sul piano occupazionale e interessati a forti innovazioni

Dettagli

Sistemi Informativi La Modellazione Dimensionale dei Fatti. Obiettivi Concetti Base Operazioni OLAP DFM Casi Modellazione Logica Esercizi

Sistemi Informativi La Modellazione Dimensionale dei Fatti. Obiettivi Concetti Base Operazioni OLAP DFM Casi Modellazione Logica Esercizi Sistemi Informativi La Modellazione Dimensionale dei Fatti Obiettivi Concetti Base Operazioni OLAP DFM Casi Modellazione Logica Esercizi Obiettivi Nelle lezioni precedenti abbiamo modellato i processi

Dettagli

Sistemi per le decisioni Dai sistemi gestionali ai sistemi di governo

Sistemi per le decisioni Dai sistemi gestionali ai sistemi di governo Sistemi per le decisioni Dai sistemi gestionali ai sistemi di governo Obiettivi. Presentare l evoluzione dei sistemi informativi: da supporto alla operatività a supporto al momento decisionale Definire

Dettagli

di impatto del nuovo ISEE

di impatto del nuovo ISEE Aree Metropolitane Il sistema di valutazione di impatto del nuovo ISEE Clesius srl Il cloud computing Uno dei maggiori trend nel settore ICT di questi ultimi anni è senza dubbio il Cloud Computing, ovvero

Dettagli

SISTEMI INFORMATIVI AZIENDALI

SISTEMI INFORMATIVI AZIENDALI SISTEMI INFORMATIVI AZIENDALI Prof. Andrea Borghesan venus.unive.it/borg borg@unive.it Ricevimento: Alla fine di ogni lezione Modalità esame: scritto 1 Sistemi informazionali La crescente diffusione dei

Dettagli

Modulo Piattaforma Concorsi Interattivi

Modulo Piattaforma Concorsi Interattivi Modulo Piattaforma Concorsi Interattivi 1 Che cosa è Message Activator Message Activator è una piattaforma software che permette la comunicazione diretta alla Customer Base utilizzando una molteplicità

Dettagli

Sistemi informativi aziendali

Sistemi informativi aziendali Sistemi informativi aziendali Lezione 12 prof. Monica Palmirani Sistemi informativi e informatici Sistemi informativi = informazioni+processi+comunicazione+persone Sistemi informatici = informazioni+hardware+software

Dettagli

Data warehousing Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007

Data warehousing Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007 Data warehousing Introduzione A partire dalla metà degli anni novanta è risultato chiaro che i database per i DSS e le analisi di business intelligence vanno separati da quelli operazionali. In questa

Dettagli

I sistemi di reporting e i rapporti direzionali

I sistemi di reporting e i rapporti direzionali I sistemi di reporting e i rapporti direzionali Reporting - Sintesi dei fenomeni aziendali secondo modelli preconfezionati e con frequenza e aggiornamento prestabiliti - contabile (dati economici) - extracontabile

Dettagli

Tecniche di misurazione e gestione del rischio di credito

Tecniche di misurazione e gestione del rischio di credito Insolvenza Tecniche di misurazione e gestione del rischio di credito di Tommaso Zarbo - Dottore commercialista e Revisore contabile Il rischio di credito Il rischio di credito generato dal portafoglio

Dettagli

Lo studio professionale quale microimpresa?

Lo studio professionale quale microimpresa? S.A.F. SCUOLA DI ALTA FORMAZIONE LUIGI MARTINO 11 MEETING NAZIONALE EVOLUZIONE DEI SERVIZI PROFESSIONALI DELLA CONSULENZA ORGANIZZARE L IMPRESA STUDIO Lo studio professionale quale microimpresa? Giulio

Dettagli

Sistemi informativi aziendali

Sistemi informativi aziendali Operatore giuridico d impresa Informatica Giuridica A.A 2002/2003 II Semestre Sistemi informativi aziendali prof. Monica Palmirani Sistemi informativi e informatici Sistemi informativi = informazioni+processi+comunicazione+persone

Dettagli

www.happybusinessapplication.net

www.happybusinessapplication.net www.astudio.it Cosa è HBA Project HBA Project è una Web Business Application gratuita che può essere installata sul proprio dominio come una «personal cloud», alla quale avrà accesso solo l utente che

Dettagli

L approccio per processi è uno dei principi fondamentali per la gestione della qualità.

L approccio per processi è uno dei principi fondamentali per la gestione della qualità. Esempio 3: approfondimento gestione per processi Nell ambito di un organizzazione, l adozione di un sistema di processi, unitamente alla loro identificazione, interazione e gestione, è chiamata approccio

Dettagli

INDICE 22-02-2005 15:25 Pagina V. Indice

INDICE 22-02-2005 15:25 Pagina V. Indice INDICE 22-02-2005 15:25 Pagina V Indice Gli autori XIII XVII Capitolo 1 I sistemi informativi aziendali 1 1.1 INTRODUZIONE 1 1.2 IL MODELLO INFORMATICO 3 1.2.1. Il modello applicativo 3 Lo strato di presentazione

Dettagli

DoK! Business Solutions IDEAL SOLUTIONS FOR SALES, MARKETING AND CRM.

DoK! Business Solutions IDEAL SOLUTIONS FOR SALES, MARKETING AND CRM. DoK! Business Solutions IDEAL SOLUTIONS FOR SALES, MARKETING AND CRM. DoK! Business Solutions Accesso alle piùimportanti informazioni e comunicazioni aziendali attraverso una combinazione di applicazioni

Dettagli

Sistemi di supporto alle decisioni Ing. Valerio Lacagnina

Sistemi di supporto alle decisioni Ing. Valerio Lacagnina Cosa è il DSS L elevato sviluppo dei personal computer, delle reti di calcolatori, dei sistemi database di grandi dimensioni, e la forte espansione di modelli basati sui calcolatori rappresentano gli sviluppi

Dettagli