SISTEMI INFORMATIVI AZIENDALI

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "SISTEMI INFORMATIVI AZIENDALI"

Transcript

1 SISTEMI INFORMATIVI AZIENDALI Prof. Andrea Borghesan venus.unive.it/borg Ricevimento: Alla fine di ogni lezione Modalità esame: scritto 1

2 Data Mining. Introduzione La crescente popolarità dei sistemi di data mining all interno dei sistemi informativi aziendali è giustificata dalla grande disponibilità di enormi quantità di dati generati dai vari processi aziendali informatizzati. Questi dati contengono sicuramente informazioni potenzialmente utili al processo decisionali ma spesso tali informazioni non sono facilmente identificabili (es. complessità delle relazioni). Per evitare che una decisione venga presa solo sulla base dell esperienza o dell intuito dell imprenditore si utilizzano strumenti di data mining al fine di elevare il grado di obiettività e di precisione dell analisi inglobando magari anche aspetti che potrebbero addirittura non valutati 2

3 Cosa sono i sistemi Data Mining. Il data mining è l attività volta a riconoscere automaticamente ed estrarre informazione da base di dati digrandi dimensioni. Il data mining è spesso definito anche come il processo di scoperta della conoscenza da basi di dati (Knowledge Discovery in Databases, KDD). Il processo di scoperta della conoscenza si articola nei seguenti passaggi: Pulizia dei dati, significa eliminare le inconsistenze e correggere gli eventuali errori Integrazione dei dati, integrare fonti diverse in un unico modello 3

4 Selezione dei dati, significa selezionare solo i dati che servono all analisi Trasformazione dei dati, significa riorganizzare o aggregare i dati in base al tipo di elaborazione Data mining, il processo vero e proprio di analisi Valutazione dei pattern, significa che spesso le tecniche di data mining portano alla luce informazioni che possono essere classificate come non rilevanti per l indagine Presentazione della conoscenza, le informazioni devono essere presentate all utente tramite opportune rappresentazioni grafiche (a colpo d occhio l utente deve comprendere la conoscenza che scaturisce dalle informazioni) 4

5 Architetture dei sistemi di data mining Data Warehouse Motore di data mining Base di conoscenza Valutazione delle condizioni Presentazione 5

6 6 Componenti dell archittetura L archichettura della slide precedente, si fonda sui seguenti componenti: DataWarehouse, è la base di dati di analisi Base di conoscenza (Knowledge Base), contiene l insieme di regole e conoscenze date per note che verranno utilizzate per guidare la ricerca e per filtrare i risultati valutando l effettivo interesse dei pattern rilevati Motore di data mining (Data Mining Engine), è composto dall intero insieme di funzioni di analisi dei dati provenienti da discipline diverse come la statistica, l intelligenza artificiale, reti neurali, l analisi dei segnali Sistema di valutazione delle condizioni (Pattern Evaluation), focalizza la ricerca sui pattern (condizioni) interessanti Sistema dipresentazione, è l interfaccia tramite la quale l utente può specificare le tecniche di data mining, formulare nuove ipotesi o semplicemente visualizzare i risultati ottenuti

7 7 Data Mining e Data Warehouse Un sistema di data mining può non essere integrato nel sistema di data warehousing, allora il sistema di data mining deve mantenere una copia propria dei dati informazionali e periodicamente aggiornarla. Oppure integrarsi perfettamente, il sistema data mining viene visto come una componente funzionale del sistema informazionale, il vantaggio sta in una facilità di implementazione delle funzioni di data mining e in prestazioni elevate. Altre 2 caratteristiche sono: Scalabilità, capacità di elaborare le funzioni di analisi con tempi di risposta lineari rispetto alla numerosità dei dati. Requisito non sempre soddisfatto in quanto le informazioni superano una soglia critica il sistema rallenta in modo evidente (soluzione: calcolo parallelo) Interpretabilità, facilità con cui l utente interagisce con l interfaccia del sistema per l attivazione delle funzioni di analisi e rappresentazione dei dati

8 8 Funzioni di mining 1/3 In generale le funzioni di mining possono essere ripartite in 2 macro classi: Il mining descrittivo, descrive le proprietà generali dei dati. Il mining predittivo, che analizzando i dati presenti, determina delle regole e crea modelli per predire il futuro. Tipologie di analisi: Descrizione di classi e concetti Concetto: è una astrazione dei fatti (clienti e vendite) Classe: raggruppamento di elementi aventi stesse caratteristiche Analisi associativa, scopre le regole associative identificando nella massa dei dati i valori di attributi che si presentano insieme con elevata frequenza (importanti nei piani di marketing, campagne prodotti)

9 Funzioni di mining 2/3 Tecniche di classificazione e predizione, utilizzate per costruire modelli a partire dall analisi dei dati di un campione (es. analisi rischio-clienti). Tali modelli permettono di ricondurre ad una classe nota qualsiasi elemento in base alle caratteristiche di suoi attributi. Analisi cluster, i dati vengono raggruppati in classi (cluster) sulla base della similitudine; elementi che appartengono alla stessa classe hanno caratteristiche comuni che li rendono simili. Le regole di similitudine non sono date a priori ma sono determinate dal sistema sulla base dell osservazione dei valori assunti dai dati 9

10 Funzioni di mining 2/3 Analisi degli outlier, gli outlier sono gli elementi che si discostano dal modello generale dei dati, quelli che presentano qualche anomalia rispetto al profilo generale, esempio: La ricerca di frodi (operazioni o importi sospetti) La ricerca di intrusioni non autorizzate nei sistemi elettronici Valutazione efficienza impianti (individuazione macchine con guasti superiori alla media) Analisi evolutiva dei dati, descrive il comportamento nel tempo degli elementi sottoposti ad analisi, sottolineandone regolarità (comportamenti stagionali o ciclici) e tendenze. Analisi utilizzata per predire comportamenti futuri e quindi guidare le decisioni sulle politiche aziendali. 10

11 Processo di mining dei dati Ogni analisi di mining dei dati richiede, da parte dell utente, l indicazione dei parametri elencati di seguito: Insieme dei dati di analisi Tipo di informazioni da ricercare Misure di interesse Base di conoscenza Presentazione dei pattern 11

12 Insieme dei dati di analisi L insieme dei dati di analisi definisce la porzione dei dati da fornire in ingresso alle funzioni di data mining. Esempio, un analisi delle abitudini di acquisto dei propri clienti ha come base i fatti di vendita e non avrebbe alcun senso lanciare l analisi comprendendo fatti di produzione o fatti legati alla logistica. Circoscrivere l insieme dei dati di partenza migliora le prestazioni. È possibile che questa attività sia fatta da un utente che non ha una idea precisa ne consegue che potrebbe vanificare l attività di mining sui dati 12

13 Tipo di informazioni da ricercare L utente può/deve indicare quali informazioni ricercare scegliendo tra le funzioni disponibili quella che si presta meglio al suo obiettivo di conoscenza (descrittivo, di classificazione, predittivo o di analisi delle eccezioni). 13

14 Misure di interesse dei pattern Le analisi di mining possono produrre un insieme assai numeroso di elementi in uscita. È necessario un passaggio di post-processing per focalizzare l attenzione, un pattern interessante si caratterizza per: Novità, si intende informazione nuova, non ancora conosciuta (non duplicata) Semplicità, facilmente comprensibile da chi conduce l analisi Certezza, la regola definita dal pattern deve essere valida anche su dati nuovi o diversi Utilità, la regola identificata deve avere una qualche utilità potenziale per il decisore 14

15 Base di conoscenza Alcuni parametri che potrebbero essere utili per discriminare i pattern significativi dipendono dalla struttura dei dati, dalle regole aziendali e dall esperienza di chi conduce l analisi. Tali parametri devono essere descritti all interno di una base di dati dedicata, la base di conoscenza, sotto forma di regole, di relazioni tra elementi. Per esempio, la base di conoscenza potrebbe descrivere le varie gerarchie (strutturali, di raggruppamento) all interno del sistema. 15

16 Visualizzazione dei pattern La visualizzazione dei risultati ottenuti non è un elemento da sottovalutare, si può considerare come uno dei fattori di successo di qualsiasi sistema di analisi dei dati. Nei sistemi di data mining alcuni tipi di visualizzazione sono particolarmente utili. Esempio, gli alberi di decisione si utilizzano prevalentemente nelle analisi di classificazione, i diagrammi di dispersione nelle analisi di clustering. 16

17 Statistiche elementari e analisi relative Un primo insieme di funzioni di mining dei dati è costituito dagli strumenti che permettono di descrivere in modo sintetico ma preciso le informazioni contenuti nel database. Gli strumenti descrittivi operano tramite: Generalizzazione, attività che permette di ripartire i dati elementari in gruppi caratterizzati da attributi comuni Caratterizzazione, descrive le particolarità Discriminazione, che marca le differenze tra gruppo e gruppo 17

18 18 Caratterizzazione Si utilizzano misure di tendenza al fine di capire come i dati si dispongono attorno ad un determinato valore: Media,media pesata, centro numerico diuninsieme divalori Mediana, valore/modalità che si trova nel mezzo della distribuzione Moda, valore che ha la massima frequenza Oppure misure di dispersione: Varianza, come i dati si distribuiscono attorno al valore medio Confidenza, identifica l intervallo di valori intorno alla media che si distribuiscono come una Gaussiana all interno di una probabilità data (intervallo di confidenza pari al 98%) Percentili, rappresentano, dato un insieme ordinato di misure, il limite al di sotto del quale ricade una certa percentuale dei dati (quartili)

19 Discriminazione Nella discriminazione le caratteristiche di una classe vengono messe a confronto con quelle di classi diverse ma ovviamente paragonabili. 19 Rappresentazione grafica I principali sono: Istogramma difrequenza Plot quantile Scatter plot Uno degli strumenti grafici più efficace per vedere a colpo d occhio se è presente una relazione di qualsiasi genere tra 2 misure descrittive della stessa classe. La coppia di valori è vista come una coppia di coordinate. Si evidenziano blocchi di aggregazione o tendenze o punti isolati

20 20 Analisi associative I meccanismi di associazione permettono di identificare le condizioni che tendenzialmente si verificano contemporaneamente. Nati principalmente per l analisi delle vendite, tracciano le propensioni d acquisto legate alle caratteristiche dei clienti. Le informazioni che scaturiscono permettono di pianificare campagne promozionali efficaci, strutturare i listini o addirittura identificare clienti potenzialmente a rischio di insoluti. In sostanza si cerca di individuare dei pattern che si ripetono in determinate condizioni e che consentono di derivare delle regole di implicazione del tipo A => B (se si verifica A allora è probabile si verifichi anche B). Le condizioni vengono rappresentate nella forma: Attributo(soggetto, valore) Attributo1(soggetto, valore1) AND Attributo2(soggetto, valore2)

21 Significatività delle associazioni 1/2 La significatività di un associazione viene principalmente valutata in base a 2 misure particolari: confidenza e supporto. Confidenza, è una misura della certezza del pattern. Definita come la probabilità condizionata P(A B), cioè la probabilità che un elemento che contenga A contenga anche B. Calcolato come P(A B) = P(A B)/P(B) Supporto, è una misura della frequenza con cui il pattern è stato identificato sulla base di dati. È calcolato come (elementi che soddisfano la regola)/(totale elementi dell insieme dati di analisi) 21

22 Significatività delle associazioni 2/2 Esempio, la regola: Compra(X, divano a 2 posti ) => Compra(X, poltrona ) Ha una misura di confidenza dell 85% e una di supporto del 30%. Come si legge? Significa che tutti coloro che hanno comprato un divano a 2 posti erano all 85% intenzionati a comprare anche una poltrona ma solo nel 30% delle vendite il cliente ha comprato sia un divano a 2 posti che una poltrona Le associazioni forti sono quelle che il supporto è significativo (oltre una certa soglia) e la confidenza è elevata. 22

23 Classificazione Le tecniche di classificazione sono anche definite tecniche di apprendimento assistito: i parametri per la creazione del modello sono infatti forniti dall utente che specifica le classi, i dati per il modello e a che classe appartiene il dato. Nella creazione del modello l utente divide i dati in 2 sottoinsiemi, il training set (per l apprendimento) e il testing set (per la validazione del modello). Le tecniche usate sono molteplici: Alberi di decisione Reti neurali e algoritmi genetici Reti bayesiane 23

24 Alberi di decisione 1/3 Titolo di studio Zona Età Acquista divano Laurea Nord < 40 Sì Laurea Sud No Laurea Nord >50 Sì Diploma Sud < 40 Sì Diploma Nord Sì Laurea Sud No Diploma Nord < 40 Sì Laurea Sud >50 No Laurea Nord >50 Sì Diploma Nord >50 No 24

25 Alberi di decisione 2/3 Data la tabella slide precedente, costruiamo l albero delle decisioni. Prima di iniziare definiamo la struttura: I nodi interni sono attributi del soggetto da classificare Gli archi in uscita da un nodo sono etichettati con i valori che l attributo può assumere I nodi foglia sono le classi La tecnica di costruzione usa raffinamenti successivi: sceglie un attributo come radice, divide gli elementi in sottoinsiemi sulla base dei valori assunti dall attributo e crea gli archi, uno per ogni possibile valore dell attributo, che portano a nuovi nodi. Se tutti gli elementi di un sottoinsieme appartengono alla stessa classe, il nodo corrente è una foglia, altrimenti sceglie un nuovo attributo per etichettare il nodo e riprende la divisione. 25

26 Alberi di decisione 3/3 L albero avrà la seguente forma: Sì <40 Sì Età Titolo di studio No >50 No Zona diploma laurea sud nord diploma Sì Titolo di studio laurea No 26

27 Caratteristiche dei classificatori Accuratezza della previsione Velocità, tempo impiegato sia per costruire il modello sia che per classificare gli elementi Scalabilità Robustezza, capacità del modello di classificare correttamente elementi anche in presenza di dati errati o mancanti Interpretabilità, modello di facile comprensione (vedi l albero delle decisioni) a differenza delle reti neurali o quelle bayesiane 27

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

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

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

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

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

Ricerca di outlier. Ricerca di Anomalie/Outlier

Ricerca di outlier. Ricerca di Anomalie/Outlier Ricerca di outlier Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Ricerca di Anomalie/Outlier Cosa sono gli outlier? L insieme di dati che sono considerevolmente differenti dalla

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

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

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

Altri metodi di indicizzazione

Altri metodi di indicizzazione Organizzazione a indici su più livelli Altri metodi di indicizzazione Al crescere della dimensione del file l organizzazione sequenziale a indice diventa inefficiente: in lettura a causa del crescere del

Dettagli

-Possibilità di svolgere le attività commerciali per via elettronica, in particolare tramite Internet.

-Possibilità di svolgere le attività commerciali per via elettronica, in particolare tramite Internet. COMMERCIO ELETTRONICO -Possibilità di svolgere le attività commerciali per via elettronica, in particolare tramite Internet. -Un qualsiasi tipo di transazione tendente a vendere o acquistare un prodotto

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

Analisi dei requisiti e casi d uso

Analisi dei requisiti e casi d uso Analisi dei requisiti e casi d uso Indice 1 Introduzione 2 1.1 Terminologia........................... 2 2 Modello del sistema 4 2.1 Requisiti hardware........................ 4 2.2 Requisiti software.........................

Dettagli

Data warehouse. Architettura complessiva con OLTP e OLAP OLTP. Sistemi di supporto alle decisioni

Data warehouse. Architettura complessiva con OLTP e OLAP OLTP. Sistemi di supporto alle decisioni Data warehouse Data warehouse La crescita dell importanza dell analisi dei dati ha portato ad una separazione architetturale dell ambiente transazionale (OLTP on-line transaction processing) da quello

Dettagli

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

Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testuali Text mining ed analisi di dati codificati in linguaggio naturale Analisi esplorative di dati testuali Il text mining: una definizione Data mining per dati destrutturati ovvero documenti codificati in linguaggio

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

Piacenza, 10 marzo 2014 La preparazione della tesi di Laurea Magistrale

Piacenza, 10 marzo 2014 La preparazione della tesi di Laurea Magistrale Piacenza, 0 marzo 204 La preparazione della tesi di Laurea Magistrale ma questa statistica a che cosa serve? non vedo l ora di cominciare a lavorare per la tesi. e dimenticarmi la statistica!! il mio relatore

Dettagli

Distributed P2P Data Mining. Autore: Elia Gaglio (matricola n 809477) Corso di Sistemi Distribuiti Prof.ssa Simonetta Balsamo

Distributed P2P Data Mining. Autore: Elia Gaglio (matricola n 809477) Corso di Sistemi Distribuiti Prof.ssa Simonetta Balsamo Distributed P2P Data Mining Autore: (matricola n 809477) Corso di Sistemi Distribuiti Prof.ssa Simonetta Balsamo A.A. 2005/2006 Il settore del Data Mining Distribuito (DDM): Data Mining: cuore del processo

Dettagli

Sistemi di supporto alle decisioni

Sistemi di supporto alle decisioni Sistemi di supporto alle decisioni Introduzione I sistemi di supporto alle decisioni, DSS (decision support system), sono strumenti informatici che utilizzano dati e modelli matematici a supporto del decision

Dettagli

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale Esperienze di Apprendimento Automatico per il corso di lippi@dsi.unifi.it Dipartimento Sistemi e Informatica Università di Firenze Dipartimento Ingegneria dell Informazione Università di Siena Introduzione

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

Analisi delle Promozioni

Analisi delle Promozioni Analisi delle Promozioni Obiettivi Data mining per migliorare la qualità dello stoccaggio dei prodotti in promozione minimizzando quindi rotture di stock e giacenze di magazzino. Per ogni promozione: Predizione

Dettagli

Corso di Laurea Specialistica in Ingegneria Informatica. Corso di Ingegneria del Software A. A. 2008-2009. Class Discovery E.

Corso di Laurea Specialistica in Ingegneria Informatica. Corso di Ingegneria del Software A. A. 2008-2009. Class Discovery E. Corso di Laurea Specialistica in Ingegneria Informatica Corso di Ingegneria del Software A. A. 2008 - Class Discovery E. TINELLI Contenuti Classi di analisi: definizione ed esempi Tecniche per la definizione

Dettagli

STATISTICA DESCRITTIVA UNIVARIATA

STATISTICA DESCRITTIVA UNIVARIATA Capitolo zero: STATISTICA DESCRITTIVA UNIVARIATA La STATISTICA è la scienza che si occupa di fenomeni collettivi che richiedono lo studio di un grande numero di dati. Il termine STATISTICA deriva dalla

Dettagli

Introduzione Ai Data Bases. Prof. Francesco Accarino IIS Altiero Spinelli Via Leopardi 132 Sesto San giovanni

Introduzione Ai Data Bases. Prof. Francesco Accarino IIS Altiero Spinelli Via Leopardi 132 Sesto San giovanni Introduzione Ai Data Bases Prof. Francesco Accarino IIS Altiero Spinelli Via Leopardi 132 Sesto San giovanni I Limiti Degli Archivi E Il Loro Superamento Le tecniche di gestione delle basi di dati nascono

Dettagli

Statistica 4038 (ver. 1.2)

Statistica 4038 (ver. 1.2) Statistica 4038 (ver. 1.2) Software didattico per l insegnamento della Statistica SERGIO VENTURINI, MAURIZIO POLI i Il presente software è utilizzato come supporto alla didattica nel corso di Statistica

Dettagli

TEORIA sulle BASI DI DATI

TEORIA sulle BASI DI DATI TEORIA sulle BASI DI DATI A cura del Prof. Enea Ferri Cos è un DATA BASE E un insieme di archivi legati tra loro da relazioni. Vengono memorizzati su memorie di massa come un unico insieme, e possono essere

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

LE CARTE DI CONTROLLO (4)

LE CARTE DI CONTROLLO (4) LE CARTE DI CONTROLLO (4) Tipo di carta di controllo Frazione difettosa Carta p Numero di difettosi Carta np Dimensione campione Variabile, solitamente >= 50 costante, solitamente >= 50 Linea centrale

Dettagli

Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva. Brugnaro Luca

Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva. Brugnaro Luca Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva Brugnaro Luca Progetto formativo complessivo Obiettivo: incrementare le competenze degli operatori sanitari nelle metodiche

Dettagli

Microsoft Excel: corso Fondamentale

Microsoft Excel: corso Fondamentale Microsoft Excel: corso Fondamentale Scopri come padroneggiare al 100% il software di produttività personale per eccellenza usando macro, shortcut, e tutte le funzioni e gli automatismi di un vero professionista

Dettagli

Database. Si ringrazia Marco Bertini per le slides

Database. Si ringrazia Marco Bertini per le slides Database Si ringrazia Marco Bertini per le slides Obiettivo Concetti base dati e informazioni cos è un database terminologia Modelli organizzativi flat file database relazionali Principi e linee guida

Dettagli

La Gestione della Complessità

La Gestione della Complessità La Gestione della Complessità Only variety can destroy variety (Ross. W. Ashby) Prof. Claudio Saita 1 La struttura del modello cognitivo proposto, conosciuto più comunemente in letteratura come la legge

Dettagli

Verifica e Validazione del Simulatore

Verifica e Validazione del Simulatore Verifica e del Simulatore I 4 passi principali del processo simulativo Formulare ed analizzare il problema Sviluppare il Modello del Sistema Raccolta e/o Stima dati per caratterizzare l uso del Modello

Dettagli

Pianificazione del data warehouse

Pianificazione del data warehouse Pianificazione del data warehouse Dalla pianificazione emergono due principali aree d interesse: area commerciale focalizzata sulle agenzie di vendita e area marketing concentrata sulle vendite dei prodotti.

Dettagli

IDENTIFICAZIONE DEI BISOGNI DEL CLIENTE

IDENTIFICAZIONE DEI BISOGNI DEL CLIENTE IDENTIFICAZIONE DEI BISOGNI DEL CLIENTE 51 Dichiarazione d intenti (mission statement) La dichiarazione d intenti ha il compito di stabilire degli obiettivi dal punto di vista del mercato, e in parte dal

Dettagli

Progettazione concettuale

Progettazione concettuale Progettazione concettuale Strategie top-down A partire da uno schema che descrive le specifiche mediante pochi concetti molto astratti, si produce uno schema concettuale mediante raffinamenti successivi

Dettagli

Mining Positive and Negative Association Rules:

Mining Positive and Negative Association Rules: Mining Positive and Negative Association Rules: An Approach for Confined Rules Alessandro Boca Alessandro Cislaghi Premesse Le regole di associazione positive considerano solo gli item coinvolti in una

Dettagli

PROGETTAZIONE B.I.M.

PROGETTAZIONE B.I.M. PROGETTAZIONE B.I.M. Building Information Modeling INTRODUZIONE: Negli ultimi anni, in architettura, ingegneria e nel mondo delle costruzioni è avvenuto un radicale cambiamento negli strumenti e nei metodi

Dettagli

Galileo Assistenza & Post Vendita

Galileo Assistenza & Post Vendita Galileo Assistenza & Post Vendita SOMMARIO PRESENTAZIONE... 2 AREE DI INTERESSE... 2 PUNTI DI FORZA... 2 Caratteristiche... 3 Funzioni Svolte... 4 ESEMPI.7-1 - PRESENTAZIONE Sempre più spesso ci si riferisce

Dettagli

1. Introduzione. 2. I metodi di valutazione

1. Introduzione. 2. I metodi di valutazione 1. Introduzione La Riserva Sinistri è l accantonamento che l impresa autorizzata all esercizio dei rami danni deve effettuare a fine esercizio in previsione dei costi che essa dovrà sostenere in futuro

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

CURRICOLO DI MATEMATICA CLASSE PRIMA

CURRICOLO DI MATEMATICA CLASSE PRIMA CURRICOLO DI MATEMATICA CLASSE PRIMA TRAGUARDI DI COMPETENZA NUCLEI FONDANTI OBIETTIVI DI APPRENDIMENTO CONOSCITIVA IL NUMERO CARATTERISTICHE Quantità entro il numero 20 Cardinalità Posizionalità RELAZIONI

Dettagli

Company Overview. Settembre 2015 www.pangeaformazione.it

Company Overview. Settembre 2015 www.pangeaformazione.it Company Overview Settembre 2015 www.pangeaformazione.it Chi siamo! L azienda Siamo specializzati nella progettazione di modelli statistico-matematici a supporto delle decisioni strategiche, fornendo anche

Dettagli

CRM DEDUPLICA. Deduplica e Normalizzazione dei clienti doppi... o simili. Validità: Settembre 2014

CRM DEDUPLICA. Deduplica e Normalizzazione dei clienti doppi... o simili. Validità: Settembre 2014 CRM DEDUPLICA Deduplica e Normalizzazione dei clienti doppi... o simili Validità: Settembre 2014 Questa pubblicazione è puramente informativa. SISECO non offre alcuna garanzia, esplicita od implicita,

Dettagli

KNOWLEDGE DISCOVERY E DATA MINING

KNOWLEDGE DISCOVERY E DATA MINING KNOWLEDGE DISCOVERY E DATA MINING Prof. Dipartimento di Elettronica e Informazione Politecnico di Milano LE TECNOLOGIE DI GESTIONE DELL INFORMAZIONE DATA WAREHOUSE SUPPORTO ALLE DECISIONI DATA MINING ANALISI

Dettagli

Data Warehousing (DW)

Data Warehousing (DW) Data Warehousing (DW) Il Data Warehousing è un processo per estrarre e integrare dati storici da sistemi transazionali (OLTP) diversi e disomogenei, e da usare come supporto al sistema di decisione aziendale

Dettagli

EVOLUZIONE STUDIO DI SETTORE TG87U

EVOLUZIONE STUDIO DI SETTORE TG87U ALLEGATO 21 NOTA TECNICA E METODOLOGICA EVOLUZIONE STUDIO DI SETTORE TG87U NOTA TECNICA E METODOLOGICA CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L evoluzione dello Studio di Settore ha il fine di

Dettagli

DFD DISPENSA DEL CORSO DI SISTEMI INFORMATIVI UNIVERSITÀ DEGLI STUDI DI VERONA FACOLTÀ DI MM.FF.NN LAUREA SPECIALISTICA IN INFORMATICA

DFD DISPENSA DEL CORSO DI SISTEMI INFORMATIVI UNIVERSITÀ DEGLI STUDI DI VERONA FACOLTÀ DI MM.FF.NN LAUREA SPECIALISTICA IN INFORMATICA UNIVERSITÀ DEGLI STUDI DI VERONA FACOLTÀ DI MM.FF.NN LAUREA SPECIALISTICA IN INFORMATICA DISPENSA DEL CORSO DI SISTEMI INFORMATIVI Prof. Carlo Combi DFD Appunti a cura di E. Peri M. Devincenzi Indice 1

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

11. Evoluzione del Software

11. Evoluzione del Software 11. Evoluzione del Software Andrea Polini Ingegneria del Software Corso di Laurea in Informatica (Ingegneria del Software) 11. Evoluzione del Software 1 / 21 Evoluzione del Software - generalità Cosa,

Dettagli

Progettaz. e sviluppo Data Base

Progettaz. e sviluppo Data Base Progettaz. e sviluppo Data Base! Introduzione ai Database! Tipologie di DB (gerarchici, reticolari, relazionali, oodb) Introduzione ai database Cos è un Database Cos e un Data Base Management System (DBMS)

Dettagli

Esplorazione dei dati

Esplorazione dei dati Esplorazione dei dati Introduzione L analisi esplorativa dei dati evidenzia, tramite grafici ed indicatori sintetici, le caratteristiche di ciascun attributo presente in un dataset. Il processo di esplorazione

Dettagli

Il Marketing Definizione di marketing cinque fasi

Il Marketing Definizione di marketing cinque fasi 1 2 3 Definizione di marketing: il marketing è l arte e la scienza di conquistare, fidelizzare e far crescere clienti che diano profitto. Il processo di marketing può essere sintetizzato in cinque fasi:

Dettagli

Misure della dispersione o della variabilità

Misure della dispersione o della variabilità QUARTA UNITA Misure della dispersione o della variabilità Abbiamo visto che un punteggio di per sé non ha alcun significato e lo acquista solo quando è posto a confronto con altri punteggi o con una statistica.

Dettagli

Indici (Statistiche) che esprimono le caratteristiche di simmetria e

Indici (Statistiche) che esprimono le caratteristiche di simmetria e Indici di sintesi Indici (Statistiche) Gran parte della analisi statistica consiste nel condensare complessi pattern di osservazioni in un indicatore che sia capace di riassumere una specifica caratteristica

Dettagli

SOLUZIONE Web.PriceList online

SOLUZIONE Web.PriceList online SOLUZIONE Web.PriceList online Gennaio 2002 Hypersoft Srl Ferrara - Via Borgoleoni 84 - tel 0532-247687 fax 0532-241227 1 INDICE SOLUZIONE Web.PriceList online Introduzione Pag. 3 Obiettivi generali Pag.

Dettagli

www.sapienzafinanziaria.com la formazione finanziaria è il miglior investimento per il tuo domani

www.sapienzafinanziaria.com la formazione finanziaria è il miglior investimento per il tuo domani www.sapienzafinanziaria.com la formazione finanziaria è il miglior investimento per il tuo domani Lezione n. 1 Edizione marzo / giugno 2015 Introduzione al Trading Automatico Il flusso di elaborazione

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

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

Analisi di Mercato. Facoltà di Economia. Analisi sui consumi. Metodo delle inchieste familiari. Metodo delle disponibilità globali

Analisi di Mercato. Facoltà di Economia. Analisi sui consumi. Metodo delle inchieste familiari. Metodo delle disponibilità globali Obiettivi delle aziende Analisi di Mercato Facoltà di Economia francesco mola Analisi sui consumi Conoscere i bisogni e i gusti dei consumatori Valutare la soddisfazione della clientela Lanciare nuovi

Dettagli

Metodologia di progettazione di un SIT

Metodologia di progettazione di un SIT Metodologia di progettazione di un SIT Approccio alla progettazione di soluzioni ICT a supporto della governance territoriale Corso di Sistemi Informativi Territoriali Avanzati UD13 Corso di Laurea Magistrale

Dettagli

CRM Deduplica. Deduplica automatica anagrafiche Vers. 1.3.1.7

CRM Deduplica. Deduplica automatica anagrafiche Vers. 1.3.1.7 CRM Deduplica Deduplica automatica anagrafiche Vers. 1.3.1.7 8 maggio 2009 Rev. Maggio 2013 La presente pubblicazione ha lo scopo di illustrare, in modo generale, i principi operativi del gestionale applicativo.

Dettagli

VisualTailor. Il software di configurazione tecnico commerciale ad hoc

VisualTailor. Il software di configurazione tecnico commerciale ad hoc VisualTailor Il software di configurazione tecnico commerciale ad hoc devo creare le specifiche per realizzare un prodotto personalizzato su richiesta dei miei clienti!!! Come devo fare????? Visual Tailor

Dettagli

Data mining. Vincenzo D Elia. vincenzo.delia@polito.it. DBDMG - Politecnico di Torino

Data mining. Vincenzo D Elia. vincenzo.delia@polito.it. DBDMG - Politecnico di Torino Data mining Vincenzo D Elia vincenzo.delia@polito.it DBDMG - Politecnico di Torino vincenzo.delia@polito.it Archivi Multimediali e Data Mining - p. 1 Rapid Miner vincenzo.delia@polito.it Archivi Multimediali

Dettagli

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

Regressione Mario Guarracino Data Mining a.a. 2010/2011 Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume

Dettagli

Fasi di creazione di un programma

Fasi di creazione di un programma Fasi di creazione di un programma 1. Studio Preliminare 2. Analisi del Sistema 6. Manutenzione e Test 3. Progettazione 5. Implementazione 4. Sviluppo 41 Sviluppo di programmi Per la costruzione di un programma

Dettagli

Il software impiegato su un computer si distingue in: Sistema Operativo Compilatori per produrre programmi

Il software impiegato su un computer si distingue in: Sistema Operativo Compilatori per produrre programmi Il Software Il software impiegato su un computer si distingue in: Software di sistema Sistema Operativo Compilatori per produrre programmi Software applicativo Elaborazione testi Fogli elettronici Basi

Dettagli

Ti consente di ricevere velocemente tutte le informazioni inviate dal personale, in maniera assolutamente puntuale, controllata ed organizzata.

Ti consente di ricevere velocemente tutte le informazioni inviate dal personale, in maniera assolutamente puntuale, controllata ed organizzata. Sommario A cosa serve InfoWEB?... 3 Quali informazioni posso comunicare o ricevere?... 3 Cosa significa visualizzare le informazioni in maniera differenziata in base al livello dell utente?... 4 Cosa significa

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

CAPITOLO 10. Controllo di qualità. Strumenti per il controllo della qualità e la sua gestione

CAPITOLO 10. Controllo di qualità. Strumenti per il controllo della qualità e la sua gestione CAPITOLO 10 Controllo di qualità Strumenti per il controllo della qualità e la sua gestione STRUMENTI PER IL CONTROLLO E LA GESTIONE DELLA QUALITÀ - DIAGRAMMI CAUSA/EFFETTO - DIAGRAMMI A BARRE - ISTOGRAMMI

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

Modello OAIS. Modello di riferimento. Il Modello. Prof.ssa E. Gentile a.a. 2011-2012. Un modello di riferimento dovrebbe descrivere:

Modello OAIS. Modello di riferimento. Il Modello. Prof.ssa E. Gentile a.a. 2011-2012. Un modello di riferimento dovrebbe descrivere: Modello OAIS Prof.ssa E. Gentile a.a. 2011-2012 Prof.ssa E. Gentile Progettazione e Produzione di Contenuti Digitali 1 Modello di riferimento Un modello di riferimento dovrebbe descrivere: le componenti

Dettagli

Dominio applicativo. Analisi e ricognizione delle fonti dati

Dominio applicativo. Analisi e ricognizione delle fonti dati Dominio applicativo La Società chiamata StraSport, si occupa di vendite all ingrosso di articoli sportivi. Ha agenzie distribuite sul territorio italiano che gestiscono le vendite, ognuna di esse gestisce

Dettagli

Cap.1 - L impresa come sistema

Cap.1 - L impresa come sistema Cap.1 - L impresa come sistema Indice: L impresa come sistema dinamico L impresa come sistema complesso e gerarchico La progettazione del sistema impresa Modelli organizzativi per la gestione Proprietà

Dettagli

Insegnamento di Gestione e Organizzazione dei Progetti A.A. 2008/9

Insegnamento di Gestione e Organizzazione dei Progetti A.A. 2008/9 Insegnamento di Gestione e Organizzazione dei Progetti A.A. 2008/9 Lezione 11: valutazione costi diagramma di PERT Prof.ssa R. Folgieri email: folgieri@dico.unimi.it folgieri@mtcube.com 1 Da ricordare:

Dettagli

Alessandra Raffaetà. Basi di Dati

Alessandra Raffaetà. Basi di Dati Lezione 2 S.I.T. PER LA VALUTAZIONE E GESTIONE DEL TERRITORIO Corso di Laurea Magistrale in Scienze Ambientali Alessandra Raffaetà Dipartimento di Informatica Università Ca Foscari Venezia Basi di Dati

Dettagli

La decisione. Claudia Casadio Logica e Psicologia del Pensiero Laurea Triennale - Indirizzo Gruppi A.A. 2004-05. Contents First Last Prev Next

La decisione. Claudia Casadio Logica e Psicologia del Pensiero Laurea Triennale - Indirizzo Gruppi A.A. 2004-05. Contents First Last Prev Next La decisione Claudia Casadio Logica e Psicologia del Pensiero Laurea Triennale - Indirizzo Gruppi A.A. 2004-05 Contents 1 Dimensioni della decisione................................... 3 2 Modalità della

Dettagli

DATABASE SU EXCEL: I FILTRI

DATABASE SU EXCEL: I FILTRI DATABASE SU EXCEL: I FILTRI È possibile mettere in relazione i dati in base a determinati criteri di ricerca e creare un archivio di dati E necessario creare delle categorie di ordinamento in base alle

Dettagli

MATEMATICA. Classe I Classe II Classe III Classe IV Classe V Traguardo 1

MATEMATICA. Classe I Classe II Classe III Classe IV Classe V Traguardo 1 MATEMATICA COMPETENZE Dimostra conoscenze matematiche che gli consentono di analizzare dati e fatti della realtà e di verificare l'attendibilità delle analisi quantitative e statistiche proposte da altri.

Dettagli

MATEMATICA U. A. 1 INSIEME PER RICOMINCIARE SITUAZIONI DI APPRENDIMENTO TEMPI

MATEMATICA U. A. 1 INSIEME PER RICOMINCIARE SITUAZIONI DI APPRENDIMENTO TEMPI MATEMATICA U. A. 1 INSIEME PER RICOMINCIARE ABILITA : 1.a Riconoscere il valore posizionale delle cifre. 1.b Individuare e definire numeri pari e dispari. 2.a Stabilire relazioni d ordine, contare in senso

Dettagli

Premesse alla statistica

Premesse alla statistica Premesse alla statistica Versione 22.10.08 Premesse alla statistica 1 Insiemi e successioni I dati di origine sperimentale si presentano spesso non come singoli valori, ma come insiemi di valori. Richiamiamo

Dettagli

FORNITORE: SEDE: TELEFONO FAX INDICAZIONI PER LA COMPILAZIONE DEL QUESTIONARIO

FORNITORE: SEDE: TELEFONO FAX INDICAZIONI PER LA COMPILAZIONE DEL QUESTIONARIO FORNITORE: SEDE: TELEFONO FAX INDICAZIONI PER LA COMPILAZIONE DEL QUESTIONARIO L autovalutazione è una valutazione che fornisce un giudizio sull efficacia e sull efficienza dell Azienda e sul grado di

Dettagli

Albero dei guasti DOTT. ING. KONSTANTINOS MILONOPOULOS 1

Albero dei guasti DOTT. ING. KONSTANTINOS MILONOPOULOS 1 Albero dei guasti E uno strumento di analisi dei guasti che si affianca all FMECA. L FMECA e un analisi di tipo bottom-up, perche si parte da un componente e si risale agli effetti di un suo guasto L Albero

Dettagli

TECNICO SUPERIORE PER L AUTOMAZIONE INDUSTRIALE

TECNICO SUPERIORE PER L AUTOMAZIONE INDUSTRIALE ISTRUZIONE E FORMAZIONE TECNICA SUPERIORE SETTORE INDUSTRIA E ARTIGIANATO TECNICO SUPERIORE PER L AUTOMAZIONE INDUSTRIALE STANDARD MINIMI DELLE COMPETENZE TECNICO PROFESSIONALI DESCRIZIONE DELLA FIGURA

Dettagli

Organizzazione delle informazioni: Database

Organizzazione delle informazioni: Database Organizzazione delle informazioni: Database Laboratorio Informatico di base A.A. 2013/2014 Dipartimento di Scienze Aziendali e Giuridiche Università della Calabria Dott. Pierluigi Muoio (pierluigi.muoio@unical.it)

Dettagli

Statistica descrittiva: prime informazioni dai dati sperimentali

Statistica descrittiva: prime informazioni dai dati sperimentali SECONDO APPUNTAMENTO CON LA SPERIMENTAZIONE IN AGRICOLTURA Statistica descrittiva: prime informazioni dai dati sperimentali La statistica descrittiva rappresenta la base di partenza per le applicazioni

Dettagli

Mon Ami 3000 Provvigioni agenti Calcolo delle provvigioni per agente / sub-agente

Mon Ami 3000 Provvigioni agenti Calcolo delle provvigioni per agente / sub-agente Prerequisiti Mon Ami 3000 Provvigioni agenti Calcolo delle provvigioni per agente / sub-agente L opzione Provvigioni agenti è disponibile per le versioni Vendite, Azienda Light e Azienda Pro. Introduzione

Dettagli

OBIETTIVI FORME E STRUMENTI DI SUPPORTO ALL ELABORAZIONE INTEGRATA DEI DATI 51 3/001.0

OBIETTIVI FORME E STRUMENTI DI SUPPORTO ALL ELABORAZIONE INTEGRATA DEI DATI 51 3/001.0 OBIETTIVI FORME E STRUMENTI DI SUPPORTO ALL ELABORAZIONE INTEGRATA DEI DATI 51 3/001.0 OBIETTIVI DELL INTEGRAZIONE INTEGRAZIONE: INTERAZIONE DI UOMINI, PROCESSI E TECNOLOGIE CON L OBIETTIVO DI CREARE UN

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

IL SISTEMA INFORMATIVO AZIENDALE

IL SISTEMA INFORMATIVO AZIENDALE IL SISTEMA INFORMATIVO AZIENDALE CL. 5ATP - A.S. 2006/2007 L azienda e i suoi elementi PERSONE AZIENDA BENI ECONOMICI ORGANIZZAZIONE L azienda è un insieme di beni organizzati e coordinati dall imprenditore

Dettagli

CURRICOLO MATEMATICA SCUOLA PRIMARIA

CURRICOLO MATEMATICA SCUOLA PRIMARIA CURRICOLO MATEMATICA SCUOLA PRIMARIA CLASSE PRIMA Traguardi per lo sviluppo delle competenze Sviluppare un atteggiamento positivo nei confronti della matematica. Obiettivi di apprendimento NUMERI Acquisire

Dettagli

Reti di Calcolatori IL LIVELLO RETE

Reti di Calcolatori IL LIVELLO RETE Reti di Calcolatori IL LIVELLO RETE D. Talia RETI DI CALCOLATORI - UNICAL 3-1 Il Livello RETE Servizi del livello Rete Organizzazione interna Livello Rete basato su Circuito Virtuale Livello Rete basato

Dettagli

SOLUZIONE Web.Orders online

SOLUZIONE Web.Orders online SOLUZIONE Web.Orders online Gennaio 2005 1 INDICE SOLUZIONE Web.Orders online Introduzione Pag. 3 Obiettivi generali Pag. 4 Modulo di gestione sistema Pag. 5 Modulo di navigazione prodotti Pag. 7 Modulo

Dettagli

Data mining for e- commerce sites

Data mining for e- commerce sites Data mining for e- commerce sites Commercio elettronico Possibilità di svolgerele attività commerciali per via elettronica, in particolare tramite Internet. Un qualsiasi tipo di transazione tendente a

Dettagli

Per capire meglio l ambito di applicazione di un DWhouse consideriamo la piramide di Anthony, L. Direzionale. L. Manageriale. L.

Per capire meglio l ambito di applicazione di un DWhouse consideriamo la piramide di Anthony, L. Direzionale. L. Manageriale. L. DATA WAREHOUSE Un Dataware House può essere definito come una base di dati di database. In molte aziende ad esempio ci potrebbero essere molti DB, per effettuare ricerche di diverso tipo, in funzione del

Dettagli

Sistemi di Gestione dei Dati e dei Processi Aziendali. Computer-Assisted Audit Technique (CAAT)

Sistemi di Gestione dei Dati e dei Processi Aziendali. Computer-Assisted Audit Technique (CAAT) Sistemi di Gestione dei Dati e dei Processi Aziendali Computer-Assisted Audit Technique (CAAT) Indice degli argomenti Introduzione Metodologia Esempi Conclusioni Slide 2 Introduzione Metodologia Esempi

Dettagli

Università del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Introduzione e Statistica descrittiva

Università del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Introduzione e Statistica descrittiva Università del Piemonte Orientale Corsi di Laurea Triennale Corso di Statistica e Biometria Introduzione e Statistica descrittiva Corsi di Laurea Triennale Corso di Statistica e Biometria: Introduzione

Dettagli

CURRICOLO MATEMATICA ABILITA COMPETENZE

CURRICOLO MATEMATICA ABILITA COMPETENZE CURRICOLO MATEMATICA 1) Operare con i numeri nel calcolo aritmetico e algebrico, scritto e mentale, anche con riferimento a contesti reali. Per riconoscere e risolvere problemi di vario genere, individuando

Dettagli

6.A.1 Logistica interna ed esterna

6.A.1 Logistica interna ed esterna 6.A.1 Logistica interna ed esterna Il corso si propone di fornire un quadro chiaro di inquadramento della logistica e delle sue principali funzioni in azienda. Si vogliono altresì fornire gli strumenti

Dettagli