With financial support of the Preven4on of and Fight against Crime Programme European Commission - Directorate- General Home Affairs

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "With financial support of the Preven4on of and Fight against Crime Programme European Commission - Directorate- General Home Affairs"

Transcript

1 WEB PRO ID - Developing web- based data collec4on modules to understand, prevent and combat ID related crimes and facilitate their inves4ga4on and prosecu4on With financial support of the Preven4on of and Fight against Crime Programme European Commission - Directorate- General Home Affairs CONFERENZA FINALE Data mining per la prevenzione dei crimini d iden4tà V. FalleZa, A. Cordioli, F. Francesconi Trento, Febbraio 2014 Università degli Studi di Trento Facoltà di Giurisprudenza Coordinator Scien-fic partner Technological and ins-tu-onal partners

2 Sommario 1. Data Mining: mo-vazioni 3 2. Definizioni, tecniche, metodologie Applicazioni: Data Mining e Crimini di Iden-tà 19

3 ecrime\ Conferenza Finale, Febbraio 2014 Sezione 1 Data Mining: mo4vazioni

4 Data Mining: Mo4vazioni Alcuni fa*: La nostra società produce e consuma da- TuGe le nostre azioni, se registrate, sono fon- di da-: Telefonate Percorsi in mobilità Interazioni sociali S-li di navigazione Elaboriamo da- da molteplici fon-: No-ziari Trasporto pubblico Social networks E- Commerce Negli ul-mi anni crescita esplosiva di da- non strugura- 4

5 Un po di numeri Da- dal web Quan- da- crea- ogni minuto? [DOMO 2012] S-ma del n. uten- Internet: 2,1 miliardi 1. Data Mining: mo-vazioni 5 2. Definizioni, tecniche, metodologie 3. Applicazioni: Data Mining e Crimini di Iden-tà

6 Un po di numeri Immagini sul web Big Photo [MetaLayer 2012] Ogni mese gli uten- di Facebook caricano 6 miliardi di foto, pari a quelle contenute complessivamente da flickr Facebook memorizza ogni giorno 600TB di da- nuovi [VLDB2013] Jay Parikh, Vice- president Facebook Infrastructure engineering 6

7 Un po di numeri Oltre i PetaByte: Big Data Impossibili da processare con tradizionali tecnologie di database Le 3 V : Volume, Varietà, Velocità Business fagurato nel 2013: 18,6 miliardi di dollari (+58% dal 2012) Esempi: Oltre 9,8PB di da- al giorno trasmessi su rete telefonica AT&T [2007] Oltre 20PB al giorno processa- da Google [2008] Wal- Mart ges-sce 1M di transazioni all ora, pari a 2,5TB [2010] 7

8 Un po di numeri Amazon S3 (Simple Storage Service) [AWS2013] Dimensione oggego fino a 5TB 6 anni per arrivare a 1 trilione, meno di 1 anno per raddoppiare! Carlos Conde AWS Sr. Manager, Solu-ons Architecture 8

9 Da4 vs. informazioni Mario Rossi! Emilio Castiglione! Nazario Loggia! Ippolito Manna! Ivano Genovesi! Liviano Lorenzo! Crescente Bruno! Sabina Mazzi! Giulia Nucci! Artemia Udinese! Timotea Lucchesi! Lilla Marchesi! Consuelo Milanesi! Alessandra Folliero! Learco Russo! Albina Capon! Nereo Marino! Palmiro Udinese! Augusta Marchesi!!! ! ! ! ! ! ! ! 2644! ! ! ! ! ! ! ! 6288! ! ! ! ! ! 1006! ! ! ! ! ! ! ! 9583! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! 9

10 Data Mining: Mo4vazioni "We are drowning in data, but starving for knowledge We are data rich, but informa-on poor Han, Kamber, Pei Data Mining Concepts and Techniques,

11 ecrime\ Conferenza Finale, Febbraio 2014 Sezione 2 Definizioni, tecniche, metodologie

12 Data Mining: Definizioni Acquisizione di conoscenza a par-re dai da- (Knowledge discovery from data) Estrazione di informazione da un insieme di da- strugura-, sogo forma di pa#ern (schemi) che siano: Non banali Implici- Nascos- Potenzialmente u-li Nomi alterna-vi Knowledge discovery (mining) in databases (KDD), knowledge extrac-on, data/pagern analysis, data archeology, data dredging, informa-on harves-ng, business intelligence, etc. 12

13 Data Mining: Definizioni A cosa serve? Risolvere problemi analizzando da- storici Prevedere il verificarsi di even- nel tempo sulla base di da- storici Come funziona? Individuare pagern ricorren- all interno dei da- Creazione di modelli in grado di elaborare predizioni Come si esprime? White box: modelli in cui i pagern sono interpretabili (e.g.: regole ed alberi decisionali) Black box: modelli in cui i pagern non sono interpretabili (e.g.: modelli sta-s-ci e geometrici) 13

14 Data Mining: Le tecniche Due classi di problemi Apprendimento supervisionato (Supervised learning) Tecniche e modelli di -po prediavo Apprendimento non supervisionato (Unsupervised learning) Tecniche e modelli di -po descriavo Principali tecniche di Data Mining Classificazione Regressione AGribute Importance Associa-on rules Clustering Feature extrac-on Outlier detec-on 14

15 Classificazione Generazione di modelli predi*vi Alberi decisionali CART, C.4.5, Random Forest Generatori di regole RIPPER Algoritmi Bayesiani IF (Genere = uomo ) AND (Reddito = alto ) THEN à Class = A IF (Età <= 30) AND (Status = celibe ) THEN à Class = B Support Vector Machines (SVM) Modello prediuvo 15

16 Clustering Raggruppare i da- simili tra loro Clustering Gerarchico BIRCH, Chamelon Clustering Par-zionale k- Means, k- Medoids, CLARANS Clustering density- based DBSCAN, OPTICS Clustering Grid- Based STING, WaveCluster Clustering Model- based ExpectaOon- MaximizaOon (EM) 16

17 Associa4on rules Market basket analysis Analisi di affinità Ricerca di pagern frequen- Apriori, FP- growth 17

18 Data Mining: Metodologie Elaborazione e trasformazione dei da- Preprocessing, cleaning, anonimizzazione di da- sensibili Analisi intera*va SfruGare feedback utente, scartare pagern inu-li/sbaglia- Evitare overfi*ng / underfi*ng dei da- Modello non troppo complesso né troppo semplice O*mizzazione delle performance Riduzione falsi posi-vi e falsi nega-vi Esempio di metodologia CRISP- DM Cross Industry Standard Process for Data Mining (CRISP- DM)

19 ecrime\ Conferenza Finale, Febbraio 2014 Sezione 3 Applicazioni: Data Mining e Crimini di Iden4tà

20 Data Mining: Applicazioni Supporto decisionale Market analysis & management Analisi dei rischi Web Mining / Text Mining Analisi di forum, , documen- Bio- informa-ca Gene-ca sta-s-ca e computazionale Crime data mining Crime mapping, fraud detec-on 1. Data Mining: mo-vazioni 2. Definizioni, tecniche, metodologie Applicazioni: Data Mining e Crimini di Iden-tà

21 Data Mining e Crimini di iden4tà A proposito dei crimini di iden-tà AGua- da professionis-, similmente ad altri -pi di crimini Difficili da tracciare: crimini strumentali per commegere altri rea- frodi sul credito frodi su internet frodi a società di telecomunicazioni Crescita del fenomeno legata alla tecnologia (internet, telecomunicazioni) Sviluppo in ambito internazionale 21

22 Data Mining e Crimini di iden4tà Crimini di iden-tà in ambito aziendale Si aguano al momento della sogoscrizione di un servizio Fa^ori che favoriscono i crimini di iden-tà: Gestori di telefonia mobile focalizza- su un ra-ng proveniente dal rischio credito Interesse maggiore a verificare disponibilità credito piugosto che iden-tà! Se rischio credito basso, possibilità di avere a disposizione beni e servizi per migliaia di euro Spesso acquis- con carta di credito non richiedono verifica dell iden-tà ma della disponibilità Tempo -pico trascorso tra aguazione frode e rilevazione: da 3 a 4 mesi BolleGe ogni 2 mesi, mese aggiun-vo per contau con cliente 22

23 Data Mining e Crimini di iden4tà Problema-che dei processi di fraud detec-on Volume elevato di sogoscrizioni da analizzare Tempi di risposta devono essere più rapidi possibili Numero limitato di risorse umane (fraud- analyst) Il contributo del Data Mining Tecniche e modelli di -po prediuvo Monitoraggio richieste di sogoscrizione Generazione di un segnale di alert quanto più possibile in tempo reale Obie*vo Assistenza e semplificazione del lavoro dei fraud- analyst Riduzione del numero di casi sospeu da analizzare 23

24 Data Mining e Crimini di iden4tà Requisi- di un alert system Integrabile nei processi aziendali Basato su modelli prediuvi veloci e dinamici Modelli aggiornabili periodicamente (ogni mese / giorno / ora) Personalizzabile in base alle esigenze dell operatore (prodou/servizi vari) Sicurezza e affidabilità (poca manutenzione) Self- learning, in grado di sfrugare feedback analyst Tu^o questo è WASP. 24

25 ecrime\ Seminari di formazione, 27 Gennaio 2014 Grazie per l azenzione! Domande?

CONFERENZA FINALE I rischi per il se+ore privato e le strategie di mi3gazione

CONFERENZA FINALE I rischi per il se+ore privato e le strategie di mi3gazione WEB PRO ID - Developing web- based data collec4on modules to understand, prevent and combat ID related crimes and facilitate their inves4ga4on and prosecu4on With financial support of the Preven4on of

Dettagli

I vantaggi ottenibili nei campi applicativi attraverso l uso di tecniche di data mining

I vantaggi ottenibili nei campi applicativi attraverso l uso di tecniche di data mining Dipartimento di Informatica e Sistemistica I vantaggi ottenibili nei campi applicativi attraverso l uso di tecniche di data mining Renato Bruni bruni@dis.uniroma1.it Antonio Sassano sassano@dis.uniroma1.it

Dettagli

Introduzione alle tecniche di Data Mining. Prof. Giovanni Giuffrida

Introduzione alle tecniche di Data Mining. Prof. Giovanni Giuffrida Introduzione alle tecniche di Data Mining Prof. Giovanni Giuffrida Programma Contenuti Introduzione al Data Mining Mining pattern frequenti, regole associative Alberi decisionali Clustering Esempio di

Dettagli

CRIMINI DI IDENTITA CONTRO LE AZIENDE: RISULTATI DELL ANALISI DEI CASI STUDIO RACCOLTI

CRIMINI DI IDENTITA CONTRO LE AZIENDE: RISULTATI DELL ANALISI DEI CASI STUDIO RACCOLTI WEB PRO ID - Developing web-based data collection modules to understand, prevent and combat ID related crimes and facilitate their investigation and prosecution With financial support of the Prevention

Dettagli

Il ruolo della cooperazione pubblicoprivato nella prevenzione e nel contrasto ai crimini d identità SEMINARIO DI FORMAZIONE Elisa Martini

Il ruolo della cooperazione pubblicoprivato nella prevenzione e nel contrasto ai crimini d identità SEMINARIO DI FORMAZIONE Elisa Martini WEB PRO ID - Developing web-based data collection modules to understand, prevent and combat ID related crimes and facilitate their investigation and prosecution With financial support of the Prevention

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

Introduzione al Data Mining

Introduzione al Data Mining Introduzione al Data Mining Sistemi informativi per le Decisioni Slide a cura di Prof. Claudio Sartori Evoluzione della tecnologia dell informazione (IT) (Han & Kamber, 2001) Percorso evolutivo iniziato

Dettagli

A+FORUM 2015 Big data e predic,ve analy,cs: cosa sono, soluzioni e vantaggi, servono alle PMI?

A+FORUM 2015 Big data e predic,ve analy,cs: cosa sono, soluzioni e vantaggi, servono alle PMI? A+FORUM 2015 Big data e predic,ve analy,cs: cosa sono, soluzioni e vantaggi, servono alle PMI? Alessandro Rezzani Hotel Calzavecchio Casalecchio di Reno; 18/09/2015 Hotel Calzavecchio; Casalecchio di Reno;

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

Introduzione al Data Mining Parte 1

Introduzione al Data Mining Parte 1 Introduzione al Data Mining Parte 1 Corso di Laurea Specialistica in Ingegneria Informatica II Facoltà di Ingegneria, sede di Cesena (a.a. 2009/2010) Prof. Gianluca Moro Dipartimento di Elettronica, Informatica

Dettagli

Knowledge Discovery e Data Mining

Knowledge Discovery e Data Mining Sommario Knowledge Discovery e Mining Introduzione Motivazioni ed applicazioni ll processo di KDD Fasi e caratteristiche Le tecniche di DM Classificazione e regressione Scoperta di regole associative Clustering

Dettagli

ht://miner Un sistema open-source di data mining e data warehousing per lo studio dei comportamenti degli utenti su Internet

ht://miner Un sistema open-source di data mining e data warehousing per lo studio dei comportamenti degli utenti su Internet ht://miner Un sistema open-source di data mining e data warehousing per lo studio dei comportamenti degli utenti su Internet Gabriele Bartolini Comune di Prato Sistema Informativo Servizi di E-government

Dettagli

Introduzione al Data Mining Parte 1

Introduzione al Data Mining Parte 1 Introduzione al Data Mining Parte 1 Corso di Laurea Specialistica in Ingegneria Informatica II Facoltà di Ingegneria, sede di Cesena (a.a. 2010/2011) Prof. Gianluca Moro Dipartimento di Elettronica, Informatica

Dettagli

Lezione 8. Data Mining

Lezione 8. Data Mining Lezione 8 Data Mining Che cos'è il data mining? Data mining (knowledge discovery from data) Estrazione di pattern interessanti (non banali, impliciti, prima sconosciuti e potenzialmente utili) da enormi

Dettagli

CIS Sapienza. Proge&o RoMA Centro per la Sicurezza del Ci&adino (CSC) CIS Sapienza

CIS Sapienza. Proge&o RoMA Centro per la Sicurezza del Ci&adino (CSC) CIS Sapienza Proge&o RoMA Centro per la Sicurezza del Ci&adino (CSC) I Workshop Proge&o RoMA Resilience Enhancement of Metropolitan Areas 20 Marzo 2014 Centro di ricerca mul/disciplinare Più di 60 ricercatori provenien/

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

La società Volocom. Trasformare le informazioni in conoscenza. Conoscere per agire

La società Volocom. Trasformare le informazioni in conoscenza. Conoscere per agire La società Volocom Trasformare le informazioni in conoscenza 2 La società Volo.com dal 2001 è uno dei leader nei settori del Knowledge Management e nella gestione delle informazioni per la rassegna stampa

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

MACHINE LEARNING e DATA MINING Introduzione. a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it

MACHINE LEARNING e DATA MINING Introduzione. a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it MACHINE LEARNING e DATA MINING Introduzione a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it Apprendimento Automatico(i) Branca dell AI che si occupa di realizzare dispositivi artificiali capaci di

Dettagli

Gestione per processi: utilità e sfide. Ettore Bolisani DTG Dipartimento di Tecnica e Gestione dei Sistemi Industriali Università di Padova

Gestione per processi: utilità e sfide. Ettore Bolisani DTG Dipartimento di Tecnica e Gestione dei Sistemi Industriali Università di Padova Gestione per processi: utilità e sfide Ettore Bolisani DTG Dipartimento di Tecnica e Gestione dei Sistemi Industriali Università di Padova 1 Ingegneria industriale Ingegneria gestionale Didattica: KNOWLEDGE

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

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

Big Data e Analy@cs? Cosa sono, soluzioni e vantaggi. Servono alle PMI?

Big Data e Analy@cs? Cosa sono, soluzioni e vantaggi. Servono alle PMI? Big Data e Analy@cs? Cosa sono, soluzioni e vantaggi. Servono alle PMI? Relatore: Gabriele Gabrielli Casalecchio di Reno, 18 se6embre 2015 I Big Data cambieranno le nostre vite, il nostro lavoro e ciò

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

Una miniera di dati sul comportamento degli utenti del Web

Una miniera di dati sul comportamento degli utenti del Web Una miniera di dati sul comportamento degli utenti del Web Organizzare le informazioni sull'utilizzo della rete in PostgreSQL utilizzando ht://miner, un sistema open-source di data mining e data warehousing

Dettagli

Normalizzazione. Queries (semplici) Essenzialmente, per il Transac6on Processing

Normalizzazione. Queries (semplici) Essenzialmente, per il Transac6on Processing Giuseppe Manco Normalizzazione Essenzialmente, per il Transac6on Processing Queries (semplici) Che vo6 hanno avuto negli esami di informa6ca gli studen6 lavoratori part- 6me? Che media hanno gli studen6

Dettagli

MACHINE LEARNING E STRUMENTI ANTICRIMINE NELL ERA DEI BIG DATA. Gaetano Bruno Ronsivalle

MACHINE LEARNING E STRUMENTI ANTICRIMINE NELL ERA DEI BIG DATA. Gaetano Bruno Ronsivalle Gaetano Bruno Ronsivalle Università degli Studi di Verona Tecnologie informatiche e multimediali MACHINE LEARNING E STRUMENTI ANTICRIMINE NELL ERA DEI BIG DATA Argomenti Big Data: una galassia online Machine

Dettagli

Soluzioni e Proge-! Datakey Software Engineering Srl 1

Soluzioni e Proge-! Datakey Software Engineering Srl 1 Soluzioni e Proge- 1 Datakey 30 anni di SoSware Datakey nasce Nel 1985, avente ad ogge0o l a2vità di proge0azione di servizi informa:ci opera trasformazioni orientate alla crescita; E cer:ficata ISO 9001

Dettagli

Traduzione e computer (3) Cris%na Bosco Informa%ca applicata alla comunicazione mul%mediale 2014-2015

Traduzione e computer (3) Cris%na Bosco Informa%ca applicata alla comunicazione mul%mediale 2014-2015 Traduzione e computer (3) Cris%na Bosco Informa%ca applicata alla comunicazione mul%mediale 2014-2015 Tipi di sistemi Fino alla metà degli anni 90 esistono solo due ;pi di sistemi di MT: Sistemi su mainframe

Dettagli

WEB-TV & SOCIAL MEDIA NETWORK PER l INDUSTRIA & 4INDUSTRY.TV ASSOCIATION PRESENTAZIONE

WEB-TV & SOCIAL MEDIA NETWORK PER l INDUSTRIA & 4INDUSTRY.TV ASSOCIATION PRESENTAZIONE WEB-TV & SOCIAL MEDIA NETWORK PER l INDUSTRIA & 4INDUSTRY.TV ASSOCIATION PRESENTAZIONE CHI SIAMO Web- tv rete di social media marke9ng mul9- lingue che diffonde video sulla cultura, le informazioni, le

Dettagli

25/11/14 ORGANIZZAZIONE AZIENDALE. Tecnologie dell informazione e controllo

25/11/14 ORGANIZZAZIONE AZIENDALE. Tecnologie dell informazione e controllo ORGANIZZAZIONE AZIENDALE 1 Tecnologie dell informazione e controllo 2 Evoluzione dell IT IT, processo decisionale e controllo Sistemi di supporto al processo decisionale IT e coordinamento esterno IT e

Dettagli

CAPITOLO CAPIT Tecnologie dell ecnologie dell info inf rmazione e controllo

CAPITOLO CAPIT Tecnologie dell ecnologie dell info inf rmazione e controllo CAPITOLO 8 Tecnologie dell informazione e controllo Agenda Evoluzione dell IT IT, processo decisionale e controllo Sistemi di supporto al processo decisionale Sistemi di controllo a feedback IT e coordinamento

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

Data mining: classificazione DataBase and Data Mining Group of Politecnico di Torino

Data mining: classificazione DataBase and Data Mining Group of Politecnico di Torino DataBase and Data Mining Group of Database and data mining group, Database and data mining group, DataBase and Data Mining Group of DataBase and Data Mining Group of So dati insieme di classi oggetti etichettati

Dettagli

Data Mining. Gabriella Trucco gabriella.trucco@unimi.it

Data Mining. Gabriella Trucco gabriella.trucco@unimi.it Data Mining Gabriella Trucco gabriella.trucco@unimi.it Perché fare data mining La quantità dei dati memorizzata su supporti informatici è in continuo aumento Pagine Web, sistemi di e-commerce Dati relativi

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

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

Mission. Affidabilità Imprese. Supporto Rintraccio Ra?ng /Scoring Report /Dossier Integra?

Mission. Affidabilità Imprese. Supporto Rintraccio Ra?ng /Scoring Report /Dossier Integra? Mission Nata nel 2001 per soddifsfare le esigenze delle agenzia di informazioni commerciali e dei distributori ufficiali di InfoCamere, oggi la suite DataBrain è u?lizzata sia in contes? di analisi di

Dettagli

La cultura della sicurezza nell'epoca dei social bot e della sen3ment analysis

La cultura della sicurezza nell'epoca dei social bot e della sen3ment analysis La cultura della sicurezza nell'epoca dei social bot e della sen3ment analysis Fabrizio d'amore Sapienza Università di Roma Cyber intelligence and Informa3on Security CIS Sapienza Dip. di Ingegneria Informa3ca,

Dettagli

Esperienze di soluzioni per la fraud detection in ambiente assicurativo

Esperienze di soluzioni per la fraud detection in ambiente assicurativo Esperienze di soluzioni per la fraud detection in ambiente assicurativo Nicola Pavanelli, Raffaello Giuliani Convegno AIEA, Orvieto, 20 giugno 2003 n.pavanelli@crifgroup.com r.giuliani@crifgroup.com CACHE

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

Internet of Things, Big Data e Intelligenza Artificiale.

Internet of Things, Big Data e Intelligenza Artificiale. Oracle Ticino Day Lugano 26 Marzo 2015 Internet of Things, Big Data e Intelligenza Artificiale. Prof. Luca Maria Gambardella direttore IDSIA, istituto USI-SUPSI, Manno Le nuove sfide La società globale

Dettagli

IL CONTROLLO DI GESTIONE CORSO AVANZATO. A cura di dottor Alessandro Tullio

IL CONTROLLO DI GESTIONE CORSO AVANZATO. A cura di dottor Alessandro Tullio IL CONTROLLO DI GESTIONE CORSO AVANZATO A cura di dottor Alessandro Tullio Studio di Consulenza dottor Alessandro Tullio Docente: dottor Alessandro Tullio Corso Canalgrande 90 41100 Modena Tel. 059.4279344

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

SAP Forum: Il carrello Analytico per il Retail Management

SAP Forum: Il carrello Analytico per il Retail Management SDG SAP Forum: Il carrello Analytico per il Retail Management People Process Performance Svelare il vero valore dei «dark data» 10% Use Analytics Today Missing new insights Not utilizing all the information

Dettagli

Data mining. Data Mining. processo di Data Mining estrarre automaticamente informazioneda un insieme di dati

Data mining. Data Mining. processo di Data Mining estrarre automaticamente informazioneda un insieme di dati Data mining Il consente l informazione processo di Data Mining estrarre automaticamente informazioneda un insieme di dati telefoniche, ènascostaa a causa di fra quantitàdi loro, complessità: non... ci

Dettagli

Apprendimento Automatico

Apprendimento Automatico Metodologie per Sistemi Intelligenti Apprendimento Automatico Prof. Pier Luca Lanzi Laurea in Ingegneria Informatica Politecnico di Milano Polo regionale di Como Intelligenza Artificiale "making a machine

Dettagli

Descrizione dell Offerta Formativa

Descrizione dell Offerta Formativa Descrizione dell Offerta Formativa Titolo dell Offerta Formativa TECNICHE AVANZATE DI PROGRAMMAZIONE Articolazione e Contenuti dell Offerta Formativa Il percorso è articolato in due moduli didattici, della

Dettagli

Multichannel Customer Interaction

Multichannel Customer Interaction GRUPPO TELECOM ITALIA 18 aprile 2013 Multichannel Customer Interaction Market trends In 3 anni l uso del telefono come Customer Care si è più che dimezzato L uso del Telefono vale il 36% come media europea,

Dettagli

Nuovo Corso di laurea magistrale in Ingegneria Informatica AA14-15. http://www.dis.uniroma1.it/~ccl_ii/site/

Nuovo Corso di laurea magistrale in Ingegneria Informatica AA14-15. http://www.dis.uniroma1.it/~ccl_ii/site/ Nuovo Corso di laurea magistrale in Ingegneria Informatica AA14-15 http://www.dis.uniroma1.it/~ccl_ii/site/ Laurea Magistrale L obiettivo della laurea magistrale in Ingegneria informatica (Master of Science

Dettagli

Il percorso del Progetto CAPACI, da esperimento Italiano a progetto Europeo. Ivana Gargiulo. Riccardo Coletta

Il percorso del Progetto CAPACI, da esperimento Italiano a progetto Europeo. Ivana Gargiulo. Riccardo Coletta Il percorso del Progetto CAPACI, da esperimento Italiano a progetto Europeo Riccardo Coletta Ivana Gargiulo EU Programmes and Project Expert Formez PA Project Manager Consorzio CBI Convegno CBI Roma, 1

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

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

Commercio elettronico e Web 2.0

Commercio elettronico e Web 2.0 Commercio elettronico e Web 2.0 Dr. Stefano Burigat Dipartimento di Matematica e Informatica Università di Udine www.dimi.uniud.it/burigat stefano.burigat@uniud.it Caso di studio: Google Google è uno degli

Dettagli

I crimini di identità: la casistica e le tendenze internazionali Francesca Bosco, UNICRI project officer, Emerging Crimes Unit

I crimini di identità: la casistica e le tendenze internazionali Francesca Bosco, UNICRI project officer, Emerging Crimes Unit WEB PRO ID - Developing web-based data collection modules to understand, prevent and combat ID related crimes and facilitate their investigation and prosecution With financial support of the Prevention

Dettagli

Business Intelligence CRM

Business Intelligence CRM Business Intelligence CRM CRM! Customer relationship management:! L acronimo CRM (customer relationship management) significa letteralmente gestione della relazione con il cliente ;! la strategia e il

Dettagli

La protezione del dato in IPZS

La protezione del dato in IPZS La protezione del dato in IPZS Ing. Maurizio Qua.rociocchi Dire.ore ICT & Business Solu;ons 5 dicembre 2013 Scuola Superiore dell Economia e delle Finanze SETTORI DI ATTIVITÀ IPZS SICUREZZA ED ANTICONTRAFFAZIONE

Dettagli

file://i:\mining-warehouse\data%20mining%20%20tecniche%20di%20trasformazion...

file://i:\mining-warehouse\data%20mining%20%20tecniche%20di%20trasformazion... Pagina 1 di 5 Martedì, 17 Maggio 2004 chi siamo catalogo contatti@ rivendite registrati help ricerca: Ok! HOME WEBZINE LIBRI UNIVERSITA' EBOOK BUSINESS OPENPRESS Newsletter gratuite Resta aggiornato! Iscriviti

Dettagli

Introduzione al Data Mining: Potenzialità, Applicazioni e Progetti di Ricerca. Differenze nell analisi tra Data Warehousing e Data Mining

Introduzione al Data Mining: Potenzialità, Applicazioni e Progetti di Ricerca. Differenze nell analisi tra Data Warehousing e Data Mining DIPARTIMENTO DI ELETTRONICA, INFORMATICA E SISTEMISTICA Università di Bologna Area Progetti Integrati Cesena (APICe) Introduzione al Data Mining: Potenzialità, Applicazioni e Progetti di Ricerca Seminario

Dettagli

GESTIONE DELLA CONOSCENZA ED APPRENDIMENTO COLLETTIVO BRUNO LAMBORGHINI

GESTIONE DELLA CONOSCENZA ED APPRENDIMENTO COLLETTIVO BRUNO LAMBORGHINI VERSIONE PROVVISORIA GESTIONE DELLA CONOSCENZA ED APPRENDIMENTO COLLETTIVO BRUNO LAMBORGHINI ABSTRACT La gestione della conoscenza nelle organizzazioni diviene il fattore sempre più qualificante attraverso

Dettagli

NEAL. Increase your Siebel productivity

NEAL. Increase your Siebel productivity NEAL Increase your Siebel productivity Improve your management productivity Attraverso Neal puoi avere il controllo, in totale sicurezza, di tutte le Enterprise Siebel che compongono il tuo Business. Se

Dettagli

PREVENZIONE DELLE FRODI ASSICURATIVE ESIGENZE NORMATIVE E IMPATTI ECONOMICI

PREVENZIONE DELLE FRODI ASSICURATIVE ESIGENZE NORMATIVE E IMPATTI ECONOMICI PREVENZIONE DELLE FRODI ASSICURATIVE ESIGENZE NORMATIVE E IMPATTI ECONOMICI Il 22 Aprile si è tenuto il Convegno SAS Forum Milano con oltre 1900 partecipanti di tutti i settori aziendali. Una delle sessioni

Dettagli

www.biosmanagement.it

www.biosmanagement.it www.biosmanagement.it BIOS Management Srl: ALBA: TORINO Italy Italy Corso Piave 174-12051 P.zza Maria Teresa 6/a -10123 Tel + 39 0173.28.73.71 Tel + 39 011.046.21.46 Fax +39 0173.28.73.54 Fax +39 011.046.21.47

Dettagli

Monitoring, Detecting, Investigating Insider Cyber Crime & Insider Threats. Paolo Chieregatti Sales Specialist paolo.chieregatti@attachmate.

Monitoring, Detecting, Investigating Insider Cyber Crime & Insider Threats. Paolo Chieregatti Sales Specialist paolo.chieregatti@attachmate. Monitoring, Detecting, Investigating Insider Cyber Crime & Insider Threats Paolo Chieregatti Sales Specialist paolo.chieregatti@attachmate.com 2008 Finsphere Corporation August 31, 2008 Agenda Insider

Dettagli

Corso Start up Università di Parma. People Management

Corso Start up Università di Parma. People Management Corso Start up Università di Parma People Management Fabrizio Iaconetti Parma, 28 marzo 2014 Chi è Fabrizio Iaconetti Ieri oggi Esperienze di start up: - VV&A Roma - Brand Com - Future Drive - 2 La formula

Dettagli

Ottimizzazione del processo antifrode in alcuni casi italiani

Ottimizzazione del processo antifrode in alcuni casi italiani Ottimizzazione del processo antifrode in alcuni casi italiani Daniele Cellai S&A Product Manager Agenda Attività e specificità di S&A Metodo e processo di ottimizzazione Case study Antifrode ordinativi

Dettagli

Dynamic Warehousing: la tecnologia a supporto della Business Intelligence 2.0. Giulia Caliari Software IT Architect

Dynamic Warehousing: la tecnologia a supporto della Business Intelligence 2.0. Giulia Caliari Software IT Architect Dynamic Warehousing: la tecnologia a supporto della Business Intelligence 2.0 Giulia Caliari Software IT Architect Business Intelligence: la nuova generazione Infrastruttura Flessibilità e rapidità di

Dettagli

CATALOGO DEI CORSI DI FORMAZIONE

CATALOGO DEI CORSI DI FORMAZIONE CATALOGO DEI CORSI DI FORMAZIONE NextInt Training Center - formazione@nextint.it NextInt Via Nino Oxilia 22 20127 Milano (MI) Tel. +30 02 36572330/332 formazione@nextint.it www.nextint.it CHI SIAMO NextInt

Dettagli

Data Mining Algorithms

Data Mining Algorithms Proposte di Tesi Elena Baralis, Silvia Chiusano, Paolo Garza, Tania Cerquitelli, Giulia Bruno, Daniele Apiletti, Alessandro Fiori, Luca Cagliero, Alberto Grand, Luigi Grimaudo Torino, Giugno 2011 Data

Dettagli

Data Mining in SAP. Alessandro Ciaramella

Data Mining in SAP. Alessandro Ciaramella UNIVERSITÀ DI PISA Corsi di Laurea Specialistica in Ingegneria Informatica per la Gestione d Azienda e Ingegneria Informatica Data Mining in SAP A cura di: Alessandro Ciaramella La Business Intelligence

Dettagli

Il progetto di ricerca Ellade

Il progetto di ricerca Ellade Il progetto di ricerca Ellade Ellade ELectronic Live ADaptive Learning Gruppo di lavoro Università degli Studi della Calabria, Dipartimento di Matematica Università degli Studi Mediterranea di Reggio Calabria,

Dettagli

Big Data e Customer Engagement

Big Data e Customer Engagement 2013 Big Data e Customer Engagement Una Ricerca di: Novembre 2013 SOMMARIO PRINCIPALI RISULTATI DELLO STUDIO 2 INTRODUZIONE 5 COSA SONO I BIG DATA 5 PERCHÉ I BIG DATA SONO DIVENTATI IMPORTANTI 6 ADOZIONE

Dettagli

Introduzione al KDD e al DATA MINING

Introduzione al KDD e al DATA MINING Introduzione al KDD e al DATA MINING Vincenzo Antonio Manganaro vincenzomang@virgilio.it, www.statistica.too.it Indice 1 Verso il DM: una breve analisi delle fasi del processo KDD. 1 2 Il DM: Alcune definizioni.

Dettagli

Lavorare per progetti investendo nelle risorse umane

Lavorare per progetti investendo nelle risorse umane Lavorare per progetti investendo nelle risorse umane 27 settembre 2002 Agenda Accenture Chi siamo Cosa facciamo Come siamo organizzati I nostri ruoli La complessità dei progetti L organizzazione di un

Dettagli

REALIZZARE UN MODELLO DI IMPRESA

REALIZZARE UN MODELLO DI IMPRESA REALIZZARE UN MODELLO DI IMPRESA - organizzare e gestire l insieme delle attività, utilizzando una piattaforma per la gestione aziendale: integrata, completa, flessibile, coerente e con un grado di complessità

Dettagli

Introduzione all Information Retrieval

Introduzione all Information Retrieval Corso di Web Mining & Retrieval Introduzione all Information Retrieval (a.a. 2008-2009) Roberto Basili 1 Outline Accesso e Ricerca delle informazioni distribuite Il processo di base dell IR Rilevanza Applicazioni

Dettagli

Computazione per l interazione naturale: macchine che apprendono

Computazione per l interazione naturale: macchine che apprendono Computazione per l interazione naturale: macchine che apprendono Corso di Interazione Naturale! Prof. Giuseppe Boccignone! Dipartimento di Informatica Università di Milano! boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html

Dettagli

Strumenti per i Social Media a supporto del Marketing Digitale. 23 Novembre 2015 Antonio Parlato

Strumenti per i Social Media a supporto del Marketing Digitale. 23 Novembre 2015 Antonio Parlato Strumenti per i Social Media a supporto del Marketing Digitale 23 Novembre 2015 Antonio Parlato Contesto Social Convivenza Utenti e Brand Nuovi canali, nuove figure professionali (spesso incomprensibili)

Dettagli

Indice Prefazione... 1 1 SQL Procedurale/SQL-PSM (Persistent Stored Modules)... 3 Vincoli e Trigger... 9

Indice Prefazione... 1 1 SQL Procedurale/SQL-PSM (Persistent Stored Modules)... 3 Vincoli e Trigger... 9 Prefazione... 1 Contenuti... 1 Ringraziamenti... 2 1 SQL Procedurale/SQL-PSM (Persistent Stored Modules)... 3 1.1 Dichiarazione di funzioni e procedure... 3 1.2 Istruzioni PSM... 4 2 Vincoli e Trigger...

Dettagli

Corso di Web Mining e Retrieval

Corso di Web Mining e Retrieval Corso di Web Mining e Retrieval (a.a. 2011-2012) Roberto Basili 1 Obbiettivi del Corso Introduzione alle nozioni di base per l accesso alle informazione distribuita Componente Fondazionale: Problemi di

Dettagli

Introduzione al Data Mining

Introduzione al Data Mining Introduzione al Data Mining Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Modalità didattiche e materiale Lezioni in aula e in laboratorio utilizzando il software open source Weka

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

Cloud Computing, infrastrutture innovative per l'outsourcing di applicazioni e servizi.

Cloud Computing, infrastrutture innovative per l'outsourcing di applicazioni e servizi. UNIVERSITÀ DEGLI STUDI DI FERRARA FACOLTÀ DI INGEGNERIA Corso di Laurea in Ingegneria Informatica e dell'automazione Cloud Computing, infrastrutture innovative per l'outsourcing di applicazioni e servizi.

Dettagli

Il data mining. di Alessandro Rezzani

Il data mining. di Alessandro Rezzani Il data mining di Alessandro Rezzani Cos è il data mining.... 2 Knowledge Discovery in Databases (KDD)... 3 Lo standard CRISP-DM... 4 La preparazione dei dati... 7 Costruzione del modello... 7 Attività

Dettagli

Definizione e sintesi di modelli del traffico di rete per la rilevazione in tempo reale delle intrusioni in reti di calcolatori

Definizione e sintesi di modelli del traffico di rete per la rilevazione in tempo reale delle intrusioni in reti di calcolatori Definizione e sintesi di modelli del traffico di rete per la rilevazione in tempo reale delle intrusioni in reti di calcolatori Francesco Oliviero folivier@unina.it Napoli, 22 Febbraio 2005 ipartimento

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

Big Data Tecnologie, metodologie per l analisi di dati massivi Seminario ISCOM

Big Data Tecnologie, metodologie per l analisi di dati massivi Seminario ISCOM Big Data Tecnologie, metodologie per l analisi di dati massivi Seminario ISCOM, Simone Angelini, Marco Bianchi, Giuseppe Marcone, Roma 26 febbraio 2016 Sommario 1 Il progetto SNOOPI 2 Piattaforme di Big

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

Strumenti E learning. Presentazione tecnica

Strumenti E learning. Presentazione tecnica Strumenti E learning Presentazione tecnica Luglio 2008 Grazie all esperienza del proprio management e alla propria struttura tecnologica, InterAteneo è riuscito a creare un sistema di integrazione, tra

Dettagli

COMUNICARE LA CITTÀ COME DESTINAZIONE TURISTICA CULTURALE. UN METODO PER VALUTARE LA QUALITÀ. Luisa Mich, Nicola Zeni

COMUNICARE LA CITTÀ COME DESTINAZIONE TURISTICA CULTURALE. UN METODO PER VALUTARE LA QUALITÀ. Luisa Mich, Nicola Zeni COMUNICARE LA CITTÀ COME DESTINAZIONE TURISTICA CULTURALE. UN METODO PER VALUTARE LA QUALITÀ DELLA COMUNICAZIONE ONLINE Luisa Mich, Nicola Zeni Schema [Il problema] L efficacia della comunicazione [L approccio]

Dettagli

ICT Trade 2013 Special Edition

ICT Trade 2013 Special Edition ICT Trade 2013 Special Edition Lo scenario di Mercato nelle sue tre aree chiave: Infrastrutture, Search Applications, Analytics Gianguido Pagnini Direttore della Ricerca, SIRMI La dimensione del fenomeno

Dettagli

L utilizzo dei Big Data in Istat: stato attuale e prospettive

L utilizzo dei Big Data in Istat: stato attuale e prospettive L utilizzo dei Big Data in Istat: stato attuale e prospettive Giulio Barcaroli FORUM PA 28 maggio 2015 Outline Illustrazione delle attività portate avanti dall Istat, riguardanti: la prosecuzione di sperimentazioni

Dettagli

COME FRODE. la possibilità propri dati. brevissimo. Reply www.reply.eu

COME FRODE. la possibilità propri dati. brevissimo. Reply www.reply.eu FRAUD MANAGEMENT. COME IDENTIFICARE E COMB BATTERE FRODI PRIMA CHE ACCADANO LE Con una visione sia sui processi di business, sia sui sistemi, Reply è pronta ad offrire soluzioni innovative di Fraud Management,

Dettagli

Il Clustering. 13.1 Introduzione al Clustering

Il Clustering. 13.1 Introduzione al Clustering 13 Il Clustering In questo capitolo illustreremo quel task di Data Mining noto come clustering. Il capitolo si apre con una introduzione al clustering; successivamente vengono esaminati i tipi di dati

Dettagli

2012 Extreme srl riproduzione riservata

2012 Extreme srl riproduzione riservata Web & Social Media: il BIG DATA* Le aziende devono gestire il BIG DATA perché è attraverso di esso che sviluppano relazioni con i clienti, riscontrano e gestiscono la customer satisfaction, studiano e

Dettagli

L evoluzione delle competenze verso il Database Manager

L evoluzione delle competenze verso il Database Manager L evoluzione delle competenze verso il Database Manager Workshop sulle competenze ed il lavoro dei Database Manager Milano, 1 marzo 2011 Elisabetta Peroni consulente sui sistemi di gestione dati (betty.peroni@gmail.com)

Dettagli

Uno sguardo sul futuro: Big data analytics

Uno sguardo sul futuro: Big data analytics Uno sguardo sul futuro: Big data analytics door@polimi.it - www.door.polimi.it - via Lambruschini 4b, 20156 ilano ilano, 20 novembre 2014 8 FORU NAZIONALE EDITORI TECNICI PROFESSIONALI SPECIALIZZATI Le

Dettagli

Con oscar hai quattro servizi in uno. GeoPor tal. SocialWiFi. AssistenzaContinua. SocialGuestbook

Con oscar hai quattro servizi in uno. GeoPor tal. SocialWiFi. AssistenzaContinua. SocialGuestbook Con oscar hai quattro servizi in uno SocialWiFi Dimentica scontrini, scratch card ed SMS. Con Oscar il tuo cliente accede alla rete wifi del tuo hotel semplicemente effettuando il login con il proprio

Dettagli

Sommario IX. Indice analitico 331

Sommario IX. Indice analitico 331 Sommario Prefazione X CAPITOLO 1 Introduzione ai sistemi informativi 1 1.1 Il prodotto del secolo 1 1.2 Prodotti e servizi divenuti indispensabili 2 1.3 Orientarsi nelle definizioni 4 1.4 Informatica e

Dettagli