DATA MINING. Data mining. Obiettivo: estrarre informazione nascosta nei dati in modo da consentire decisioni strategiche
|
|
- Giovanni Vanni
- 8 anni fa
- Visualizzazioni
Transcript
1 DATA MINING datamining Data mining Obiettivo: estrarre informazione nascosta nei dati in modo da consentire decisioni strategiche Una materia interdisciplinare: - statistica, algoritmica, reti neurali datamining 2
2 Applicazioni del data mining - Analisi di mercato: prodotti acquisiti insieme o in sequenza - Analisi di comportamento: individuare usi illeciti di credit card - Previsione: prevedere il costo delle cure mediche - Controllo: errori di produzione datamining 3 ESEMPI DI APPLICAZIONI DEL DATA MINING VENDITA AL DETTAGLIO E PER CORRISPONDENZA - QUALI OFFERTE SPECIALI FARE - COME DISPORRE LE MERCI SUGLI SCAFFALI MARKETING - PREVISIONI DI VENDITA - PERCORSI DI ACQUISTO DEI PRODOTTI BANCHE - CONTROLLO DEI PRESTITI - USO (ED ABUSO) DELLE CARTE DI CREDITO TELECOMUNICAZIONI - AGEVOLAZIONI TARIFFARIE datamining 4 2
3 ESEMPI DI APPLICAZIONI DEL DATA MINING ASTRONOMIA E ASTROFISICA - CLASSIFICAZIONE DI STELLE E GALASSIE RICERCA CHIMICO FARMACEUTICA - SCOPERTA DI NUOVI COMPOSTI - RELAZIONI TRA COMPOSTI BIOLOGIA MOLECOLARE - PATTERN NEI DATI GENETICI E NELLE STRUTTURE MOLECOLARI TELERILEVAMENTO E METEOROLOGIA - ANALISI DEI DATI SATELLITARI STATISTICA ECONOMICA E DEMOGRAFICA - ANALISI DEI CENSIMENTI datamining 5 Applicazione : analisi delle vendite Trans Data Oggetto Quantità Prezzo /7/99 2/7/99 2/8/99 2/8/99 2/8/99 2/8/99 2/9/99 2/9/99 pantaloni-sci scarponi maglietta giacca stivali giacca maglietta giacca datamining 6 3
4 TIPI DI INFORMAZIONI OTTENUTE ASSOCIAZIONI - INSIEME DI REGOLE CHE SPECIFICA L OCCORRENZA CONGIUNTA DI DUE (O PIU ) ELEMENTI SEQUENZE - POSSIBILITA DI STABILIRE CONCATENAZIONI TEMPORALI DI EVENTI CLASSIFICAZIONI - RAGGRUPPAMENTI DI ELEMENTI IN CLASSI SECONDO UN MODELLO PREDEFINITO RAGGRUPPAMENTI (CLUSTER) - RAGGRUPPAMENTI DI ELEMENTI IN CLASSI NON DEFINITE A PRIORI TENDENZE (TREND) - SCOPERTA DI ANDAMENTI TEMPORALI CARATTERISTICI CON VALENZA PREVISIONALE datamining 7 Scoperta di regole di associazione Si cercano regolarità nei dati: quando si acquistano scarponi, si acquistano sci Strutturate come: - corpo: premessa della regola. - testa: conseguenza della regola. datamining 8 4
5 Supporto: Caratteristiche delle regole di associazione probabilità che siano presenti in una transazione entrambi gli elementi di una regola Confidenza: probabilità che sia presente in una transazione la conseguenza (corpo) di una regola, essendo presente la premessa (testa) Formulazione del problema: estrarre tutte le regole con supporto e confidenza superiori a valori prefissati datamining 9 Esempi di regole di associazione Premessa Conseguenza Supporto Confidenza pantaloni-sci scarponi magliette magliette stivali stivali giacche giacche {magliette,stivali} {magliette,giacche} {stivali, giacche} scarponi pantaloni-sci stivali giacche magliette giacche magliette stivali giacche stivali magliette datamining 0 5
6 Cosa sono le associazioni regole di implicazione if A then B per determinare i gruppi di affinità tra oggetti Esempio: analisi degli acquisti if {cibo per l infanzia} then {sigarette leggere} if {birra and venerdì sera} then {pannolini per bambini} datamining Regole di associazione Una regola di associazione if A then B deve essere estratta se: è statisticamente frequente all interno della base dati (percentuale dei clienti significativa) il legame tra gli oggetti è statisticamente significativo (elevata confidenza di trovare B avendo trovato A) datamining 2 6
7 Regole di associazione Applicazioni: studio delle abitudini di acquisto studio della variabilità delle vendite in assenza di un certo prodotto promozione di prodotti, pubblicità mirata organizzazione della merce sugli scaffali aumento della soddisfazione del cliente analisi finanziaria datamining 3 IL CESTINO DELLA SPESA I = { i, i k } B = { b, b n } INSIEME DI k ELEMENTI (ITEM) INSIEME DI n SOTTOINSIEMI BASKET) DI I b i? I dove I B - PRODOTTI IN UN SUPERMERCATO - PAROLE IN UN DIZIONARIO - ACQUISTI DI UN SINGOLO CLIENTE - SINGOLO DOCUMENTO IN UN CORPUS datamining 4 7
8 IL CESTINO DELLA SPESA esiste una REGOLA DI ASSOCIAZIONE i? i 2 se - i E i 2 COMPAIONO INSIEME IN ALMENO s% DEGLI n BASKET (SUPPORTO) - DI TUTTI I BASKET CHE CONTENGONO i ALMENO c% CONTENGONO ANCHE i 2 (CONFIDENZA) datamining 5 ALTRI ESEMPI DI REGOLE REGOLE CHE HANNO DIET COKE NELLE CONSEGUENZA - AIUTANO A DEFINIRE LE STRATEGIE PER AUMENTARE LE VENDITE DI UN PRODOTTO REGOLE CHE HANNO GRISSINI NELLA PREMESSA - AIUTANO A CAPIRE L IMPATTO DELLA CESSAZIONE DELLA VENDITA DI UN PRODOTTO REGOLE CHE HANNO WURSTEL NELLA PREMESSA E SENAPE NELLA CONSEGUENZA - EVIDENZIANO GLI ABBINAMENTI DI PRODOTTI PRESENTI NELLA PREMESSA CHE INDUCONO LA VENDITA DELL OGGETTO NELLA CONSEGUENZA datamining 6 8
9 ALTRI ESEMPI DI REGOLE SE DOBBIAMO ALLOCARE I PRODOTTI NEGLI SCAFFALI, -TROVANDO LE MIGLIORI K REGOLE CHE HANNO GRISSINI NELLA CONSEGUENZA IN TERMINI DEL FATTORE DI CONFIDENZA E IN TERMINI DEL FATTORE DI SUPPORTO - POSSO GESTIRE UNA PIU EFFICACE ALLOCAZIONE DEI GRISSINI NEGLI SCAFFALI datamining 7 DATA MINING IN AMBIENTE RELAZIONALE ESTENSIONE DI SQL CON OPERATORI DI DATA MINING INTEGRATI NEL LINGUAGGIO INTEGRARE UN SERVER SQL CON UN MOTORE DI DATA MINING - MINE RULE PER LE REGOLE DI ASSOCIAZIONE - MINE CLASSIFICATION PER I PROBLEMI DI CLASSIFICAZIONE - MINE INTERVAL PER LA DISCRETIZZAZIONE DI ATTRIBUTI CONTINUI datamining 8 9
10 Regole di associazione in SQL MINE RULE OGGETTI-VENDUTI-ASSIEME AS SELECT DISTINCT OGGETTO AS BODY, OGGETTO AS HEAD, SUPPORT, CONFIDENCE FROM VENDITE GROUP BY TRANS EXTRACTING RULES WITH SUPPORT: 0. CONFIDENCE: 0.2 datamining 9 MINE RULE: ESEMPIO MINE RULE AssociazioneSemplice AS SELECT DISTINCT item... AS BODY, item... AS HEAD,SUPPORT, CONFIDENCE FROM Purchase GROUP BY transaction EXTRACTING RULES WITH SUPPORT: 0., CONFIDENCE: 0.2 CLIENTE OGGETTO TR PREZZO QUANT. Rossi pantal. da ski Rossi scarponi mont Bianchi camicia sport Bianchi scarpe marron Bianchi giacca Rossi giacca Bianchi camicia sport Bianchi giacca datamining 20 0
11 MINE RULE: ESEMPIO CORPO TESTA SUPPORTO CONFIDENZA pantaloni da ski scarponi montagna 0,25 scarponi montagna pantaloni da ski 0,25 camicia sport scarpe marron 0,25 0,50 camicia sport giacca 0,50 scarpe marron camicia sport 0,25 scarpe marron giacca 0,25 giacca camicia sport 0,50 0,66 giacca scarpe marron 0,25 0,33 camicia sport, scarpe marron giacca 0,25 camicia sport, giacca scarpe marron 0,25 0,5 scarpe marron, giacca camicia sport 0,25 datamining 2 Altri esempi Oggetti venduti nella stessa promozione Oggetti venduti assieme d'estate ma non d'inverno Oggetti venduti assieme in quanto disposti in modo particolare Oggetti acquisiti in sequenza dallo stesso cliente datamining 22
12 CLASSIFICAZIONE Classificazione: Catalogazione di un fenomeno particolare in una classe predefinita - Fenomeno presentato sotto forma di fatti elementari (tuple) - Costruzione del classificatore a partire da un set di dati di prova (training set) - Classificatori rappresentati come alberi di decisione datamining 23 PROBLEMA DI CLASSIFICAZIONE CIASCUN ELEMENTO (tupla) DI UN INSIEME DI DATI E ASSOCIATO, IN BASE A ESPERIENZE O OSSERVAZIONI PREGRESSE, AD UNA CARATTERISTICA DISTINTIVA CHIAMATA CLASSE FASE : APPRENDIMENTO (TRAINING) - COSTRUZIONE DI UN MODELLO SULL INSIEME NOTO (TRAINING SET) IN MODO CHE OGNI CLASSE SIA UNA PARTIZIONE DELL INSIEME FASE 2: APPLICAZIONE - IL MODELLO INDIVIDUATO VIENE UTILIZZATO PER CLASSIFICARE NUOVI DATI datamining 24 2
13 PROBLEMA DI CLASSIFICAZIONE: ESEMPIO FASE : APPRENDIMENTO (TRAINING) MINE CLASSIFICATION CarInsuranceRules AS SELECT DISTINCT RULES ID, *, CLASS FROM CarInsurance CLASSIFY BY Risk FASE 2: APPLICAZIONE MINE CLASSIFICATION TEST ClassifiedApplicants AS SELECT DISTINCT *, CLASS FROM Applicants USING CLASSIFICATION FROM CarInsuranceRules AS RULES datamining 25 PROBLEMA DI CLASSIFICAZIONE: ESEMPIO CarInsuranceRules AGE CAR TYPE RISK 7 sports high 43 family low 68 family low 32 truck low 23 family high 8 family high 20 family high 45 sports high 50 truck low 64 truck high 46 family low 40 family low CarInsurance. IF Age? 23 THEN Risk IS High; 2. IF CarType = sports THEN Risk IS High; 3. IF CarType IN {family, truck} AND Age > 23 THEN Risk IS Low; 4. DEFAULT Risk IS Low AGE CAR TYPE 22 family 60 family 35 sports Applicants MINE MINE CLASSIFICATION CLASSIFICATION TEST TEST AGE CAR TYPE CLASS 22 family high 60 family low 35 sports high ClassifiedApplicants datamining 26 3
14 Discretizzazione Discretizzazione :Rappresentazione di un dominio continuo tramite opportuni valori discreti vantaggi: Rappresentazione compatta dei valori Determinazione di valori critici Facilitazione della analisi dei dati successiva datamining 27 PROBLEMA DI DISCRETIZZAZIONE DISCRETIZZAZIONE SEMPLICE - INTERVALLI DI UGUALE AMPIEZZA IL DOMINIO NUMERICO VIENE SUDDIVISO IN UN ASSEGNATO NUMERO DI INTERVALLI DI UGUALE AMPIEZZA - INTERVALLI DI UGUALE FREQUENZA GLI INTERVALLI SONO PIU STRETTI DOVE I VALORI SONO DENSI E PIU AMPI DOVE I VALORI SONO SPARSI MINE INTERVAL IntervalliDiUgualeAmpiezza AS SELECT DISTINCT ID, LOWER, UPPER GENERATING AssicurazioneAutoDiscreta FROM AssicurazioneAuto DISCRETIZE Età BY WIDTH USING 3 INTERVALS datamining 28 4
15 PROBLEMA DI CLASSIFICAZIONE: ESEMPIO IntervalliDiUgualeAmpiezza AGE CAR TYPE RISK 7 sports high 43 family low 68 family low 32 truck low 23 family high 8 family high 20 family high 45 sports high 50 truck low 64 truck high 46 family low 40 family low AssicurazioneAuto ID LOWER UPPER AGE CAR TYPE RISK sports high truck low 2 family low truck low family low AssicurazioneAutoDiscreta datamining 29 Sintesi dei vari aspetti presenti nella analisi dei dati ambiente: data warehouse modello: multidimensionale estensioni di SQL data cube mine rule tecnologie di base: distribuzione parallelismo replicazione tecnologie specifiche: browser (e visualizzatori) data mining - associazione - discretizzazione - classificazione datamining 30 5
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
DettagliData 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
DettagliData 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
DettagliSistemi 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,
DettagliCorso di. Dott.ssa Donatella Cocca
Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile
DettagliSQL/OLAP. Estensioni OLAP in SQL
SQL/OLAP Estensioni OLAP in SQL 1 Definizione e calcolo delle misure Definire una misura significa specificare gli operatori di aggregazione rispetto a tutte le dimensioni del fatto Ipotesi: per ogni misura,
DettagliIntroduzione alla teoria dei database relazionali. Come progettare un database
Introduzione alla teoria dei database relazionali Come progettare un database La struttura delle relazioni Dopo la prima fase di individuazione concettuale delle entità e degli attributi è necessario passare
DettagliDATA WAREHOUSE E KNOWLEDGE DISCOVERY
DATA WAREHOUSE E KNOWLEDGE DISCOVERY Prof. Fabio A. Schreiber Dipartimento di Elettronica e Informazione Politecnico di Milano DATA WAREHOUSE (DW) TECNICA PER ASSEMBLARE E GESTIRE CORRETTAMENTE DATI PROVENIENTI
DettagliAutomazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it
Automazione Industriale (scheduling+mms) scheduling+mms adacher@dia.uniroma3.it Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione
DettagliAnalisi dei dati. analisi dei dati 1
Analisi dei dati analisi dei dati 1 Il problema... Limitazioni della tecnologia relazionale - Difficoltà d'uso - Rigidità Conseguenze - Uso operativo: buono - Uso strategico: scarso Soluzioni: tecniche,
DettagliAnalisi 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
DettagliDispensa di database Access
Dispensa di database Access Indice: Database come tabelle; fogli di lavoro e tabelle...2 Database con più tabelle; relazioni tra tabelle...2 Motore di database, complessità di un database; concetto di
DettagliIntroduzione data warehose. Gian Luigi Ferrari Dipartimento di Informatica Università di Pisa. Data Warehouse
Introduzione data warehose Gian Luigi Ferrari Dipartimento di Informatica Università di Pisa Data Warehouse Che cosa e un data warehouse? Quali sono i modelli dei dati per data warehouse Come si progetta
DettagliRegole di Associazione
Metodologie per Sistemi Intelligenti Regole di Associazione Prof. Pier Luca Lanzi Laurea in Ingegneria Informatica Politecnico di Milano Polo regionale di Como Esempio Esempio Regole di Associazione Scopo
DettagliOttimizzazione delle interrogazioni (parte I)
Ottimizzazione delle interrogazioni I Basi di Dati / Complementi di Basi di Dati 1 Ottimizzazione delle interrogazioni (parte I) Angelo Montanari Dipartimento di Matematica e Informatica Università di
DettagliData 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
DettagliOrganizzazione degli archivi
COSA E UN DATA-BASE (DB)? è l insieme di dati relativo ad un sistema informativo COSA CARATTERIZZA UN DB? la struttura dei dati le relazioni fra i dati I REQUISITI DI UN DB SONO: la ridondanza minima i
DettagliLezione V. Aula Multimediale - sabato 29/03/2008
Lezione V Aula Multimediale - sabato 29/03/2008 LAB utilizzo di MS Access Definire gli archivi utilizzando le regole di derivazione e descrivere le caratteristiche di ciascun archivio ASSOCIAZIONE (1:1)
DettagliESEMPI DI QUERY SQL. Esempi di Query SQL Michele Batocchi AS 2012/2013 Pagina 1 di 7
ESEMPI DI QUERY SQL Dati di esempio... 2 Query su una sola tabella... 2 Esempio 1 (Ordinamento)... 2 Esempio 2 (Scelta di alcune colonne)... 3 Esempio 3 (Condizioni sui dati)... 3 Esempio 4 (Condizioni
DettagliData 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
DettagliSISTEMI 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
DettagliSysAround S.r.l. L'efficacia delle vendite è l elemento centrale per favorire la crescita complessiva dell azienda.
Scheda Il CRM per la Gestione delle Vendite Le organizzazioni di vendita sono costantemente alla ricerca delle modalità migliori per aumentare i ricavi aziendali e ridurre i costi operativi. Oggi il personale
DettagliOperazioni sui database
Operazioni sui database Le operazioni nel modello relazionale sono essenzialmente di due tipi: Operazioni di modifica della base di dati (update) Interrogazioni della base di dati per il recupero delle
DettagliRicerca 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
DettagliCertificazione della consegna ed incentivazione della restituzione a punto vendita del volantino: il test Panorama
Certificazione della consegna ed incentivazione della restituzione a punto vendita del volantino: il test Panorama Parma 19 aprile 2013 Premessa L efficacia del volantino in termini di driver di spesa
DettagliAnalisi Statistica dei Dati Misurazione e gestione dei rischi a.a. 2007-2008
Analisi Statistica dei Dati Misurazione e gestione dei rischi a.a. 2007-2008 Dott. Chiara Cornalba Argomenti Market Basket Analysis: Odds Ratio e Regole associative 2 Posizionamento prodotti Tanto più
DettagliLE 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
DettagliPer visualizzare e immettere i dati in una tabella è possibile utilizzare le maschere;
Maschere e Query Le Maschere (1/2) Per visualizzare e immettere i dati in una tabella è possibile utilizzare le maschere; Le maschere sono simili a moduli cartacei: ad ogni campo corrisponde un etichetta
DettagliMarketing 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
DettagliIntroduzione 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
DettagliCORSO ACCESS PARTE II. Esistono diversi tipi di aiuto forniti con Access, generalmente accessibili tramite la barra dei menu (?)
Ambiente Access La Guida di Access Esistono diversi tipi di aiuto forniti con Access, generalmente accessibili tramite la barra dei menu (?) Guida in linea Guida rapida Assistente di Office indicazioni
DettagliLA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di
STATISTICA LA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di oggetti; cerca, attraverso l uso della matematica
DettagliCOME SVILUPPARE UN EFFICACE PIANO DI INTERNET MARKETING
Febbraio Inserto di Missione Impresa dedicato allo sviluppo pratico di progetti finalizzati ad aumentare la competitività delle imprese. COME SVILUPPARE UN EFFICACE PIANO DI INTERNET MARKETING COS E UN
DettagliData warehousing con SQL Server
Data warehousing con SQL Server SQL Server è un RDBMS (Relational DataBase Management System) Analysis Services è un componente di SQL Server che offre un insieme di funzionalità di supporto al data warehousing
DettagliMICHELANGELO REPORT è un
Michelangelo Report Controllare il venduto, l'acquistato, le giacenze di magazzino e gli ordini di acquisto e di vendita, analizzare le performance MICHELANGELO REPORT è un prodotto software altamente
DettagliSQL prima parte D O C E N T E P R O F. A L B E R T O B E L U S S I. Anno accademico 2011/12
SQL prima parte D O C E N T E P R O F. A L B E R T O B E L U S S I Anno accademico 2011/12 DEFINIZIONE Il concetto di vista 2 È una relazione derivata. Si specifica l espressione che genera il suo contenuto.
DettagliCAPIAMO IL "LINGUAGGIO" DELLA norma UNI EN ISO serie 9000
CAPIAMO IL "LINGUAGGIO" DELLA norma UNI EN ISO serie 9000 Cosa significa UNI EN ISO serie 9000? Significa che si tratta di norme internazionali, in quanto le norme italiane (UNI) non sono altro che la
DettagliProgetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario
Progetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario Nell ambito di questa attività è in fase di realizzazione un applicativo che metterà a disposizione dei policy makers,
DettagliControllo di Gestione
Pianificazione e controllo del business aziendale Controllo di Gestione In un contesto altamente complesso e competitivo quale quello moderno, il controllo di gestione ricopre un ruolo quanto mai strategico:
DettagliSVM. Veronica Piccialli. Roma 11 gennaio 2010. Università degli Studi di Roma Tor Vergata 1 / 14
SVM Veronica Piccialli Roma 11 gennaio 2010 Università degli Studi di Roma Tor Vergata 1 / 14 SVM Le Support Vector Machines (SVM) sono una classe di macchine di che derivano da concetti riguardanti la
Dettaglilem logic enterprise manager
logic enterprise manager lem lem Logic Enterprise Manager Grazie all esperienza decennale in sistemi gestionali, Logic offre una soluzione modulare altamente configurabile pensata per la gestione delle
DettagliI database relazionali sono il tipo di database attualmente piu diffuso. I motivi di questo successo sono fondamentalmente due:
Il modello relazionale I database relazionali sono il tipo di database attualmente piu diffuso. I motivi di questo successo sono fondamentalmente due: 1. forniscono sistemi semplici ed efficienti per rappresentare
DettagliEsercizi sull Association Analysis
Data Mining: Esercizi sull Association Analysis 1 Esercizi sull Association Analysis 1. Si consideri il mining di association rule da un dataset T di transazioni, rispetto a delle soglie minsup e minconf.
DettagliBusiness Intelligence Revorg. Roadmap. Revorg Business Intelligence. trasforma i dati operativi quotidiani in informazioni strategiche.
soluzioni di business intelligence Revorg Business Intelligence Utilizza al meglio i dati aziendali per le tue decisioni di business Business Intelligence Revorg Roadmap Definizione degli obiettivi di
DettagliBasi di dati 9 febbraio 2010 Compito A
Basi di dati 9 febbraio 2010 Compito A Domanda 0 (5%) Leggere e rispettare le seguenti regole: Scrivere nome, cognome, matricola (se nota), corso di studio e lettera del compito (ad esempio, A) sui fogli
Dettagli* Creare un documento unico di iscrizione in formato tessera (card) per tutti gli iscritti all Ordine dei Consulenti del Lavoro che:
Documento unico di Iscrizione e Gestione della formazione Obiettivi del progetto * Creare un documento unico di iscrizione in formato tessera (card) per tutti gli iscritti all Ordine dei Consulenti del
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA Facoltà di Ingegneria
ESAME DI STATO DI ABILITAZIONE ALL'ESERCIZIO DELLA PROFESSIONE DI INGEGNERE PRIMA PROVA SCRITTA DEL 22 giugno 2011 SETTORE DELL INFORMAZIONE Tema n. 1 Il candidato sviluppi un analisi critica e discuta
DettagliLa BDCR Assilea per la valutazione del profilo di rischio delle imprese
La BDCR Assilea per la valutazione del profilo di rischio delle imprese Luciano Bruccola, Assilea / Conectens RES, ConfiRes 2015 Firenze, 25 febbraio 2015 La Banca Dati Centrale Rischi Assilea BDCR Elementi
DettagliBasi di dati. Il Linguaggio SQL. K. Donno - Il Linguaggio SQL
Basi di dati Il Linguaggio SQL Data Definition Language (DDL) Data Definition Language: insieme di istruzioni utilizzate per modificare la struttura della base di dati Ne fanno parte le istruzioni di inserimento,
DettagliData warehousing con SQL Server
Data warehousing con SQL Server! SQL Server è un RDBMS (Relational DataBase Management System)! Analysis Services è un componente di SQL Server che offre un insieme di funzionalità di supporto al data
DettagliIntroduzione ai Sistemi di Gestione di Basi di Dati XML
Introduzione ai Sistemi di Gestione di Basi di Dati Introduzione ai Sistemi di Gestione di Basi di Dati Obiettivi Memorizzare ed estrarre documenti da RDBMS. Trasformare dati tabellari in dati e viceversa.
DettagliElenchi Intrastat. Indice degli argomenti. Premessa. Operazioni preliminari. Inserimento manuale dei movimenti e presentazione
Elenchi Intrastat Indice degli argomenti Premessa Operazioni preliminari Inserimento manuale dei movimenti e presentazione Collegamento con la Contabilità Collegamento con il ciclo attivo e passivo Generazione
DettagliSISTEMI INFORMATIVI AVANZATI -2010/2011 1. Introduzione
SISTEMI INFORMATIVI AVANZATI -2010/2011 1 Introduzione In queste dispense, dopo aver riportato una sintesi del concetto di Dipendenza Funzionale e di Normalizzazione estratti dal libro Progetto di Basi
Dettaglimarketing highlights Google Analytics A cura di: dott. Fabio Pinello
marketing highlights Google Analytics A cura di: dott. Fabio Pinello Google Analytics è uno strumento gratuito fornito da Google per monitorare il traffico di visite dei siti web su cui è installato. Cos
DettagliPrestaShop 1.5. Manuale per gli utenti. Ultimo aggiornamento: 25 gennaio 2014. A cura di: http://www.prestashoprisolto.com/
PrestaShop 1.5 Manuale per gli utenti Ultimo aggiornamento: 25 gennaio 2014 A cura di: http://www.prestashoprisolto.com/ 1 Sommario 1 PER L UTENTE... 3 1.1 GESTIONE DELL E-COMMERCE... 3 1.1.1 CONCETTI
DettagliIl CRM per la Gestione del Servizio Clienti
Scheda Il CRM per la Gestione del Servizio Clienti Le Soluzioni CRM aiutano le aziende a gestire i processi di Servizio e Supporto ai Clienti. Le aziende di Servizio stanno cercando nuove modalità che
DettagliAnalisi della performance temporale della rete
Analisi della performance temporale della rete In questo documento viene analizzato l andamento nel tempo della performance della rete di promotori. Alcune indicazioni per la lettura di questo documento:
DettagliVC-dimension: Esempio
VC-dimension: Esempio Quale è la VC-dimension di. y b = 0 f() = 1 f() = 1 iperpiano 20? VC-dimension: Esempio Quale è la VC-dimension di? banale. Vediamo cosa succede con 2 punti: 21 VC-dimension: Esempio
DettagliCompito Sistemi Informativi LA. Tempo concesso : 90 minuti 25 Marzo 03 Nome: Cognome: Matricola: Esercizio 1
Compito Sistemi Informativi LA. Tempo concesso : 90 minuti 25 Marzo 03 Nome: Cognome: Matricola: Esercizio 1 Si considerino le seguenti specifiche relative alla realizzazione della base di dati di un circolo
DettagliCapitolo 2 - Teoria della manutenzione: classificazione ABC e analisi di Pareto
Capitolo 2 - Teoria della manutenzione: classificazione ABC e analisi di Pareto Il presente capitolo continua nell esposizione di alcune basi teoriche della manutenzione. In particolare si tratteranno
Dettagliuadro Soluzioni software per L archiviazione elettronica dei documenti Gestione Aziendale Fa quadrato attorno alla tua azienda
Fa quadrato attorno alla tua azienda Soluzioni software per L archiviazione elettronica dei documenti Perché scegliere Q Archiviazione Elettronica dei Documenti? Tale applicativo si pone come obbiettivo
DettagliSEGMENTAZIONE 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
DettagliIntegrazione al Manuale Utente 1
RAEE Modulo per la gestione dei Rifiuti derivanti da Apparecchiature Elettriche ed Elettroniche Il Decreto Legislativo 25 luglio 2005 n. 151 prevede che i produttori di Apparecchiature Elettriche ed Elettroniche
DettagliMisure (parte II) Gerarchie Incomplete
Sistemi Informativi Avanzati Anno Accademico 2013/2014 Prof. Domenico Beneventano Misure (parte II) Gerarchie Incomplete Esempio Schema di Fatto STUDENTE(STUDENTE,,REGIONE,), DF:! REGIONE (,,) REGIONE!
DettagliQuesta procedura permette l'introduzione, la variazione, l'annullamento dei dati relativi al Piano dei Conti, ai clienti ed ai fornitori.
EASYGEST GESTIONE PIANO DEI CONTI, CLIENTI E FORNITORI GESTIONE PIANO DEI CONTI - CLIENTI - FORNITORI Questa procedura permette l'introduzione, la variazione, l'annullamento dei dati relativi al Piano
DettagliRiccardo Dutto, Paolo Garza Politecnico di Torino. Riccardo Dutto, Paolo Garza Politecnico di Torino
Integration Services Project SQL Server 2005 Integration Services Permette di gestire tutti i processi di ETL Basato sui progetti di Business Intelligence di tipo Integration services Project SQL Server
DettagliI WEBQUEST SCIENZE DELLA FORMAZIONE PRIMARIA UNIVERSITÀ DEGLI STUDI DI PALERMO. Palermo 9 novembre 2011
I WEBQUEST SCIENZE DELLA FORMAZIONE PRIMARIA Palermo 9 novembre 2011 UNIVERSITÀ DEGLI STUDI DI PALERMO Webquest Attività di indagine guidata sul Web, che richiede la partecipazione attiva degli studenti,
DettagliCompito DA e BD. Tempo concesso: 90 minuti 12 giugno 03 Nome: Cognome: Matricola: Esercizio 1
Compito DA e BD. Tempo concesso: 90 minuti 12 giugno 03 Nome: Cognome: Matricola: Esercizio 1 Si considerino le seguenti specifiche relative alla realizzazione della base di dati di una facoltà e si definisca
DettagliInformatica 3. LEZIONE 21: Ricerca su liste e tecniche di hashing. Modulo 1: Algoritmi sequenziali e basati su liste Modulo 2: Hashing
Informatica 3 LEZIONE 21: Ricerca su liste e tecniche di hashing Modulo 1: Algoritmi sequenziali e basati su liste Modulo 2: Hashing Informatica 3 Lezione 21 - Modulo 1 Algoritmi sequenziali e basati su
DettagliUn po di statistica. Christian Ferrari. Laboratorio di Matematica
Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di
DettagliDBMS (Data Base Management System)
Cos'è un Database I database o banche dati o base dati sono collezioni di dati, tra loro correlati, utilizzati per rappresentare una porzione del mondo reale. Sono strutturati in modo tale da consentire
DettagliAbilità Informatiche A.A. 2010/2011 Lezione 9: Query Maschere Report. Facoltà di Lingue e Letterature Straniere
Abilità Informatiche A.A. 2010/2011 Lezione 9: Query Maschere Report Facoltà di Lingue e Letterature Straniere Le QUERY 2 Che cos è una Query? Una Query rappresenta uno strumento per interrogare un database.
DettagliDominio 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
DettagliUniversità di Pisa A.A. 2004-2005
Università di Pisa A.A. 2004-2005 Analisi dei dati ed estrazione di conoscenza Corso di Laurea Specialistica in Informatica per l Economia e per l Azienda Tecniche di Data Mining Corsi di Laurea Specialistica
DettagliData warehouse Introduzione
Database and data mining group, Data warehouse Introduzione INTRODUZIONE - 1 Pag. 1 Database and data mining group, Supporto alle decisioni aziendali La maggior parte delle aziende dispone di enormi basi
DettagliMining 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
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
Dettagli1 CARICAMENTO LOTTI ED ESISTENZE AD INIZIO ESERCIZIO
GESTIONE LOTTI La gestione dei lotti viene abilitata tramite un flag nei Progressivi Ditta (è presente anche un flag per Considerare i Lotti con Esistenza Nulla negli elenchi visualizzati/stampati nelle
DettagliFIRESHOP.NET. Gestione del taglia e colore. www.firesoft.it
FIRESHOP.NET Gestione del taglia e colore www.firesoft.it Sommario SOMMARIO Introduzione... 3 Configurazione iniziale... 5 Gestione delle varianti... 6 Raggruppamento delle varianti... 8 Gestire le varianti
DettagliPDF 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
DettagliVolumi di riferimento
Simulazione seconda prova Esame di Stato Gestione di un centro agroalimentare all ingrosso Parte prima) Un nuovo centro agroalimentare all'ingrosso intende realizzare una base di dati per l'attività di
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliBX PPS. La gestione avanzata della produzione per SAP Business One
BUSINESS PARTNER di BX PPS La gestione avanzata della produzione per SAP Business One PPS Ambito applicativo Aziende manifatturiere per produzione discreta o ripetitiva. Aziende manifatturiere con produzione
DettagliL ANALISI ABC PER LA GESTIONE DEL MAGAZZINO
L ANALISI ABC PER LA GESTIONE DEL MAGAZZINO È noto che la gestione del magazzino è uno dei costi nascosti più difficili da analizzare e, soprattutto, da contenere. Le nuove tecniche hanno, però, permesso
DettagliCos è l ISC (Indicatore Sintetico del Conto Corrente) e cosa sono i Profili tipo d utilizzo
Cos è l ISC (Indicatore Sintetico del Conto Corrente) e cosa sono i Profili tipo d utilizzo Come dice il nome, l ISC è un indicatore che riassume in un unica cifra il costo indicativo annuo di un conto
DettagliBasi di Dati Multimediali. Fabio Strocco
Basi di Dati Multimediali Fabio Strocco September 19, 2011 1 Contents 2 Introduzione Le basi di dati (o database) hanno applicazioni in molti campi, in cui è necessario memorizzare, analizzare e gestire
DettagliStatistica. Le rappresentazioni grafiche
Statistica Le rappresentazioni grafiche Introduzione Le rappresentazioni grafiche costituiscono uno dei mezzi più efficaci, sia per descrivere in forma visiva i risultati di numerose osservazioni riguardanti
DettagliLA LOGISTICA INTEGRATA
dell Università degli Studi di Parma LA LOGISTICA INTEGRATA Obiettivo: rispondere ad alcuni interrogativi di fondo Come si è sviluppata la logistica in questi ultimi anni? Quali ulteriori sviluppi sono
DettagliCustomer 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
DettagliFIRESHOP.NET. Gestione completa delle fidelity card & raccolta punti. Rev. 2014.3.1 www.firesoft.it
FIRESHOP.NET Gestione completa delle fidelity card & raccolta punti Rev. 2014.3.1 www.firesoft.it Sommario SOMMARIO Introduzione... 3 La gestione delle fidelity card nel POS... 4 Codificare una nuova fidelity
DettagliI Codici Documento consentono di classificare le informazioni e di organizzare in modo logico l archiviazione dei file.
Archivia Modulo per l acquisizione, l archiviazione e la consultazione di informazioni Il modulo Archivia permette l acquisizione, l archiviazione e la consultazione di informazioni (siano esse un immagine,
DettagliLA LEGGE DEI GRAFICI THE LAW OF CHARTS DI JOE ROSS
LA LEGGE DEI GRAFICI THE LAW OF CHARTS DI JOE ROSS FORMAZIONI 1-2-3 HIGHS AND LOWS Un tipico 1-2-3 high si forma alla fine di un trend rialzista. Tipicamente, i prezzi faranno un massimo finale (1), procederanno
Dettagli(anno accademico 2008-09)
Calcolo relazionale Prof Alberto Belussi Prof. Alberto Belussi (anno accademico 2008-09) Calcolo relazionale E un linguaggio di interrogazione o e dichiarativo: at specifica le proprietà del risultato
DettagliInformazione Multifocus Quando il marketing diventa intelligence
Informazione Multifocus Quando il marketing diventa intelligence Relatore: d.ssa Francesca Negri - f.negri@lince.it Macerata 7 Novembre 2003 2003 Lince SpA - Tutti i diritti riservati PREMESSA In un mercato
DettagliABILITA' CONOSCENZE OBIETTIVI FORMATIVI
OBIETTIVI SPECIFICI DI APPRENDIM. IL NUMERO Riconoscere i numeri naturali nei loro aspetti cardinali e ordinali RICONOSCIAMO I NUMERI Memoria Abilità linguistiche Decifrazione percettivo-motoria Distinguere
DettagliAlgoritmi e strutture dati. Codici di Huffman
Algoritmi e strutture dati Codici di Huffman Memorizzazione dei dati Quando un file viene memorizzato, esso va memorizzato in qualche formato binario Modo più semplice: memorizzare il codice ASCII per
DettagliLiberare soluzioni per il call center
Liberare soluzioni per il call center Consulenza Formazione Coaching Chi siamo Kairòs Solutions è una società di consulenza, formazione e coaching, protagonista in Italia nell applicazione del Coaching
DettagliI PROCESSI GESTITI DALLA FUNZIONE DI MARKETING. Prof. Giancarlo Ferrero Corso di marketing Università di Urbino
2 I PROCESSI GESTITI DALLA FUNZIONE DI MARKETING 1 IL PROCESSO DI CREAZIONE DEL VALORE Finalità del marketing: la creazione di valore per il cliente e per l impresa. Le fasi del processo di creazione del
DettagliSistemi di misurazione e valutazione delle performance
Sistemi di misurazione e valutazione delle performance 1 SVILUPPO DELL'INTERVENTO Cos è la misurazione e valutazione delle performance e a cosa serve? Efficienza Efficacia Outcome Requisiti minimi Indicatori
DettagliBasi di Dati Relazionali
Corso di Laurea in Informatica Basi di Dati Relazionali a.a. 2009-2010 PROGETTAZIONE DI UNA BASE DI DATI Raccolta e Analisi dei requisiti Progettazione concettuale Schema concettuale Progettazione logica
Dettagli