DATA MINING. Data mining. Obiettivo: estrarre informazione nascosta nei dati in modo da consentire decisioni strategiche

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "DATA MINING. Data mining. Obiettivo: estrarre informazione nascosta nei dati in modo da consentire decisioni strategiche"

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 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 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

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

Analisi dei dati. analisi dei dati 1

Analisi 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,

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

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

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

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

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

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

Data warehouse Introduzione

Data 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

Dettagli

ANALISI DEI DATI. OLAP (On Line Analytical Processing) Data Warehousing Data Mining

ANALISI DEI DATI. OLAP (On Line Analytical Processing) Data Warehousing Data Mining ANALISI DEI DATI OLAP (On Line Analytical Processing) Data Warehousing Data Mining Dall OLTP all OLAP La tecnologia delle basi di dati è finalizzata prevalentemente alla gestione dei dati in linea, si

Dettagli

Regole di Associazione

Regole 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

Dettagli

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

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

Dettagli

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

SQL/OLAP. Estensioni OLAP in SQL

SQL/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,

Dettagli

Università di Pisa A.A. 2004-2005

Università 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

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

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

-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

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

Architetture per l analisi di dati

Architetture per l analisi di dati Architetture per l analisi di dati Basi di dati: Architetture e linee di evoluzione - Seconda edizione Capitolo 8 Appunti dalle lezioni Motivazioni I sistemi informatici permettono di aumentare la produttività

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

ConQueSt: a Constraint-based Querying System for Exploratory Pattern Discovery MANUALE UTENTI

ConQueSt: a Constraint-based Querying System for Exploratory Pattern Discovery MANUALE UTENTI ConQueSt: a Constraint-based Querying System for Exploratory Pattern Discovery MANUALE UTENTI 2 INDICE Per iniziare 4 Requisiti di sistema 4 Installazione e esecuzione 4 Connessione al database 5 Workbench

Dettagli

SISTEMI INFORMATIVI AZIENDALI

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

Dettagli

Lorenzo Braidi. Database design. Libro_datadesign.indb 1 23-11-2004 10:06:17

Lorenzo Braidi. Database design. Libro_datadesign.indb 1 23-11-2004 10:06:17 Lorenzo Braidi Database design Libro_datadesign.indb 1 23-11-2004 10:06:17 Sommario Introduzione...XI Capitolo 1 Le basi di dati relazionali... 1 Le basi di dati... 1 Un po di storia... 2 I database gerarchici...

Dettagli

Introduzione 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 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

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

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

Dr. A. Appice. Alberi di Decisione. Caso di studio di Metodi Avanzati di Programmazione AA 2012-2013

Dr. A. Appice. Alberi di Decisione. Caso di studio di Metodi Avanzati di Programmazione AA 2012-2013 Alberi di Decisione Caso di studio di Metodi Avanzati di Programmazione AA 2012-2013 Data Mining Lo scopo del data mining è l estrazione (semi) automatica di conoscenza nascosta in voluminose basi di dati

Dettagli

SQL - Funzioni di gruppo

SQL - Funzioni di gruppo una funzione di gruppo permette di estrarre informazioni da gruppi di tuple di una relazione le funzioni di gruppo si basano su due concetti: partizionamento delle tuple di una relazione in base al valore

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

Analisi 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 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

Dettagli

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

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 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.

Dettagli

PROVINCIA DI LIVORNO Osservatorio trasporti PROGETTO SIRSS

PROVINCIA DI LIVORNO Osservatorio trasporti PROGETTO SIRSS PROVINCIA DI LIVORNO Osservatorio trasporti PROGETTO SIRSS Analisi multivariata degli incidenti su tutte le strade della Provincia di Livorno nell anno 2008, sulla base dei dati pervenuti al 16/11/2009.

Dettagli

Introduzione ai Sistemi di Gestione di Basi di Dati XML

Introduzione 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.

Dettagli

Basi di Dati Complementi Esercitazione su Data Warehouse

Basi di Dati Complementi Esercitazione su Data Warehouse Sommario Basi di Dati Complementi Esercitazione su Data Warehouse 1. Riassunto concetti principali dalle slide della lezione di teoria 2.Studio di caso : progettazione di un Data Warehouse di una catena

Dettagli

Microsoft SQL Server Integration Services

Microsoft SQL Server Integration Services Sistemi Informativi Dott.ssa Elisa Turricchia Alma Mater Studiorum - Università di Bologna elisa.turricchia2@unibo.it 1 Microsoft SQL Server Integration Services 1 SQL Server Integration Services SSIS

Dettagli

Data warehousing con SQL Server

Data 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

Dettagli

Operazioni sui database

Operazioni 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

Dettagli

AIR MILES un case study di customer segmentation

AIR MILES un case study di customer segmentation AIR MILES un case study di customer segmentation Da: G. Saarenvirta, Mining customer data, DB2 magazine on line, 1998 http://www.db2mag.com/db_area/archives/1998/q3/ 98fsaar.shtml Customer clustering &

Dettagli

Breve introduzione ai data warehouse (per gli allievi che non hanno seguito BD2)

Breve introduzione ai data warehouse (per gli allievi che non hanno seguito BD2) Tecnologie per i sistemi informativi Breve introduzione ai data warehouse (per gli allievi che non hanno seguito BD2) Letizia Tanca lucidi tratti dal libro: Atzeni, Ceri, Paraboschi, Torlone Introduzione

Dettagli

Misure. Definizione delle misure

Misure. Definizione delle misure Sistemi Informativi Avanzati Anno Accademico 2013/2014 Prof. Domenico Beneventano Misure In parte dal Capitolo 5 del libro Data Warehouse - teoria e pratica della Progettazione Autori: Matteo Golfarelli,

Dettagli

Presentazione. Risorse Web. Metodi Statistici 1

Presentazione. Risorse Web. Metodi Statistici 1 I-XVI Romane_ 27-10-2004 14:25 Pagina VII Prefazione Risorse Web XI XIII XVII Metodi Statistici 1 Capitolo 1 Tecniche Statistiche 3 1.1 Probabilità, Variabili Casuali e Statistica 3 1.1.1 Introduzione

Dettagli

Rassegna sui principi e sui sistemi di Data Warehousing

Rassegna sui principi e sui sistemi di Data Warehousing Università degli studi di Bologna FACOLTA DI SCIENZE MATEMATICHE, FISICHE E NATURALI Rassegna sui principi e sui sistemi di Data Warehousing Tesi di laurea di: Emanuela Scionti Relatore: Chiar.mo Prof.Montesi

Dettagli

Dati relazionali e XML

Dati relazionali e XML Dati relazionali e Introduzione (1) Memorizzazione dei dati Utilizzo dei dati Applicazione DBMS relazionale Applicazione Applicazione 2 Introduzione (2) Memorizzazione dei dati Utilizzo dei dati Applicazione

Dettagli

2104 volume III Programmazione

2104 volume III Programmazione 2103 SQLite Capitolo 77 77.1 Utilizzo generale................................. 2104 77.1.1 Utilizzo di sqlite3».......................... 2104 77.1.2 Copie di sicurezza............................ 2106

Dettagli

DOCUMENT MANAGEMENT SYSTEM E VISTE UTILIZZO DEL DMS E DELLE VISTE IN AZIENDA

DOCUMENT MANAGEMENT SYSTEM E VISTE UTILIZZO DEL DMS E DELLE VISTE IN AZIENDA DOCUMENT MANAGEMENT SYSTEM E VISTE UTILIZZO DEL DMS E DELLE VISTE IN AZIENDA DMS Il Document system management (DMS), letteralmente"sistema di gestione dei documenti" è una categoria di sistemi software

Dettagli

Dispensa di database Access

Dispensa 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

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

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

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

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

1. L analisi statistica

1. L analisi statistica 1. L analisi statistica Di cosa parleremo La statistica è una scienza, strumentale ad altre, concernente la determinazione dei metodi scientifici da seguire per raccogliere, elaborare e valutare i dati

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

Data Management Software. Il linguaggio SQL. Raggruppamenti. Paolo Avallone Sr Consulting IT Specialist DB2, Data Management Marzo 2004

Data Management Software. Il linguaggio SQL. Raggruppamenti. Paolo Avallone Sr Consulting IT Specialist DB2, Data Management Marzo 2004 DB2 Data Management Software Il linguaggio SQL Raggruppamenti Paolo Avallone Sr Consulting IT Specialist DB2, Data Management Marzo 2004 LEGGERE LE SEGUENTI ATTENZIONI Le informazioni contenute in questa

Dettagli

SQL (STRUCTURED QUERY LANGUAGE)

SQL (STRUCTURED QUERY LANGUAGE) SQL (STRUCTURED QUERY LANGUAGE) Prof. Nicoletta D Alpaos & Prof. Andrea Borghesan SQL DDL Data Definition Language DML Data Manipulation Language DCL Data Control Language DDL Obiettivo: Definire la struttura

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

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

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

ANALISI DEI DATI PER IL MARKETING 2014

ANALISI DEI DATI PER IL MARKETING 2014 ANALISI DEI DATI PER IL MARKETING 2014 Marco Riani mriani@unipr.it http://www.riani.it LA CLASSIFICAZIONE CAP IX, pp.367-457 Problema generale della scienza (Linneo, ) Analisi discriminante Cluster Analysis

Dettagli

Elementi di statistica. Giulia Simi (Università di Siena) Istituzione di matematica e fondamenti di Biostatistica Siena 2015-2016 1 / 1

Elementi di statistica. Giulia Simi (Università di Siena) Istituzione di matematica e fondamenti di Biostatistica Siena 2015-2016 1 / 1 Elementi di statistica Giulia Simi (Università di Siena) Istituzione di matematica e fondamenti di Biostatistica Siena 2015-2016 1 / 1 Statistica La statistica si può definire come: l insieme dei metodi

Dettagli

Tecniche di DM: Link analysis e Association discovery

Tecniche di DM: Link analysis e Association discovery Tecniche di DM: Link analysis e Association discovery Vincenzo Antonio Manganaro vincenzomang@virgilio.it, www.statistica.too.it Indice 1 Architettura di un generico algoritmo di DM. 2 2 Regole di associazione:

Dettagli

Esercitazione su SQL

Esercitazione su SQL Esercizio 1. Esercitazione su SQL Si consideri la base di dati relazionale composta dalle seguenti relazioni: impiegato Matricola Cognome Stipendio Dipartimento 101 Sili 60 NO 102 Rossi 40 NO 103 Neri

Dettagli

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che VARIABILI ALATORI MULTIPL TORMI ASSOCIATI Fonti: Cicchitelli Dall Aglio Mood-Grabill. Moduli 6 9 0 del programma. VARIABILI ALATORI DOPPI Dopo aver trattato delle distribuzioni di probabilità di una variabile

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

C4.5 Algorithms for Machine Learning

C4.5 Algorithms for Machine Learning C4.5 Algorithms for Machine Learning C4.5 Algorithms for Machine Learning Apprendimento di alberi decisionali c4.5 [Qui93b,Qui96] Evoluzione di ID3, altro sistema del medesimo autore, J.R. Quinlan Ispirato

Dettagli

XML e Sistemi per la Gestione di Basi di Dati Relazionali

XML e Sistemi per la Gestione di Basi di Dati Relazionali Basi di Dati Distribuite a.a. 2004/2005 XML e Sistemi per la Gestione di Basi di Dati Relazionali Luca Noce - luxnox2000@yahoo.it Elisa Marino - marino_elisa@hotmail.com Obiettivi Necessità di conciliare

Dettagli

Lezione V. Aula Multimediale - sabato 29/03/2008

Lezione 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)

Dettagli

Misure (parte II) Gerarchie Incomplete

Misure (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!

Dettagli

ESEMPIO: RITARDI & BIGLIETTI

ESEMPIO: RITARDI & BIGLIETTI ESEMPIO: RITARDI & BIGLIETTI Fatto Ritardi: l analisi a livello volo giornaliero, considerando l aeroporto di partenza, la città e lo stato di arrivo e la compagnia Fatto Biglietti: l analisi deve considerare

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

SQL Server. Applicazioni principali

SQL Server. Applicazioni principali SQL Server Introduzione all uso di SQL Server e utilizzo delle opzioni OLAP Applicazioni principali SQL Server Enterprise Manager Gestione generale di SQL Server Gestione utenti Creazione e gestione dei

Dettagli

Introduzione a data warehousing e OLAP

Introduzione a data warehousing e OLAP Corso di informatica Introduzione a data warehousing e OLAP La Value chain Information X vive in Z S ha Y anni X ed S hanno traslocato Data W ha del denaro in Z Stile di vita Punto di vendita Dati demografici

Dettagli

Reti sociali per trovare clienti e fornitori

Reti sociali per trovare clienti e fornitori Reti sociali per trovare clienti e fornitori Angelo Iacubino Dipartimento di Informatica - Università degli Studi dell'insubria sito web: www.disinformatica.com email: angelo.iacubino@uninsubria.it Roberto

Dettagli

Basi di Dati. Esercitazione SQL. Ing. Paolo Cappellari

Basi di Dati. Esercitazione SQL. Ing. Paolo Cappellari Basi di Dati Esercitazione SQL Ing. Paolo Cappellari Esercitazione Considerando la seguente base di dati: Fornitori (CodiceFornitore, Nome, Indirizzo, Città) Prodotti (CodiceProdotto, Nome, Marca, Modello)

Dettagli

Estensioni del linguaggio SQL per interrogazioni OLAP

Estensioni del linguaggio SQL per interrogazioni OLAP Sistemi Informativi Avanzati Anno Accademico 2013/2014 Prof. Domenico Beneventano Estensioni del linguaggio SQL per interrogazioni OLAP Outline! Esempio introduttivo e motivazioni! Introduzione al modello

Dettagli

Esercitazione query in SQL L esercitazione viene effettuata sul database viaggi e vacanze che prevede il seguente modello E/R:

Esercitazione query in SQL L esercitazione viene effettuata sul database viaggi e vacanze che prevede il seguente modello E/R: Esercitazione query in SQL L esercitazione viene effettuata sul database viaggi e vacanze che prevede il seguente modello E/R: Si consiglia di creare il data base, inserire i dati nelle tabelle, provare

Dettagli

DEFINIZIONE DEGLI SCENARI APPLICATIVI DELLA PIATTAFORMA OMNIAFARM

DEFINIZIONE DEGLI SCENARI APPLICATIVI DELLA PIATTAFORMA OMNIAFARM DEFINIZIONE DEGLI SCENARI APPLICATIVI DELLA PIATTAFORMA OMNIAFARM Omniafarm è un software per la gestione integrata dell azienda agricola, composto dai seguenti moduli, realizzati o che verranno sviluppati

Dettagli

Convergenza. Schema di fatto

Convergenza. Schema di fatto Convergenza Quando due attributi dimensionali possono essere connessi da due o più cammini direzionali distinti pur mantenendo le dipendenze funzionali di tutte le direzioni. 451 Schema di fatto 452 1

Dettagli

Data warehousing con SQL Server

Data 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

Dettagli

PROGRAMMA DI CLASSE 5AI

PROGRAMMA DI CLASSE 5AI Istituto di Istruzione Superiore Euganeo Istituto tecnico del settore tecnologico Istituto professionale del settore servizi socio-sanitari Istituto professionale del settore industria e artigianato PROGRAMMA

Dettagli

4 SQL : Interrogazioni nidificate

4 SQL : Interrogazioni nidificate Corso di Laurea in Ingegneria Gestionale SAPIENZA Università di Roma Esercitazioni del corso di Basi di Dati Prof.ssa Catarci e Prof.ssa Scannapieco Anno Accademico 2010/2011 Andrea Marrella Ultimo aggiornamento

Dettagli

OLAP (On Line Analytical Processing)

OLAP (On Line Analytical Processing) OLAP (On Line Analytical Processing) Con il termine OLAP si intende la possibilità di effettuare analisi dei dati su strutture multidimensionali in maniera rapida, flessibile ed efficiente, attraverso

Dettagli

MAX, SUM, AVG, COUNT)

MAX, SUM, AVG, COUNT) INTRODUZIONE A SQL Definizione di tabelle e domini Alcuni vincoli di integrità Struttura base SELECT FROM WHERE Funzioni di aggregazione (MIN, MAX, SUM, AVG, COUNT) Query da più tabelle (FROM R1, Rk) Join

Dettagli

SQL IL LINGUAGGIO DI INTERROGAZIONE

SQL IL LINGUAGGIO DI INTERROGAZIONE SQL IL LINGUAGGIO DI INTERROGAZIONE SQL! Originato da SEQUEL-XRM e System-R (1974-1977) dell IBM! Significato originario Structured Query Language! Standard de facto! Attuale standard ANSI/ISO è SQL:1999

Dettagli

Biglietti e Ritardi: schema E/R

Biglietti e Ritardi: schema E/R Biglietti e Ritardi: schema E/R Ritardi: Progettazione dello schema di Fatto! Definire uno schema di fatto per analizzare i ritardi; in particolare l analisi deve considerare l aeroporto di partenza, mentre

Dettagli

Progetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario

Progetto 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,

Dettagli

CRM Strategico Soluzione evoluta per aumentare vendite e soddisfazione dei clienti

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

Dettagli

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

Customer Relationship Management

Customer Relationship Management 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 Schema funzionale dei sistemi Moduli

Dettagli

Logica di processo del CRCL

Logica di processo del CRCL Logica di processo del CRCL Definizione Caratteristiche Operazione Dati Anagrafici Reddituali Centrale Rischi Posizione Globale Credit Bureau Valutazione Preliminare Dettaglio Operazione Mutuo Credit Rating

Dettagli

L ARCHIVIAZIONE E LA GESTIONE DATI ATTRAVERSO L INTERAZIONE TRA MICROSOFT ACCESS ED EXCEL 1 INTRODUZIONE

L ARCHIVIAZIONE E LA GESTIONE DATI ATTRAVERSO L INTERAZIONE TRA MICROSOFT ACCESS ED EXCEL 1 INTRODUZIONE Roccatello Ing. Eduard L ARCHIVIAZIONE E LA GESTIONE DATI ATTRAVERSO L INTERAZIONE TRA MICROSOFT ACCESS ED EXCEL 1 INTRODUZIONE Agenda Presentazione docente Definizione calendario Questionario pre corso

Dettagli

sfide, opportunitàe competenze per i professionistidell ICT

sfide, opportunitàe competenze per i professionistidell ICT sfide, opportunitàe competenze per i professionistidell ICT competenze e lavoro dei Database Manager Gilberto Zampatti Gilberto.zampatti@ngi.it - gzampatti@solidq.com SolidQJournal Free monthly e-magazine

Dettagli

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 1 - Introduzione generale Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr

Dettagli

Sistemi per le decisioni Dai sistemi gestionali ai sistemi di governo

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

Dettagli

WEB RISK. Financial Transactions risk Management

WEB RISK. Financial Transactions risk Management WEB RISK Financial Transactions risk Management WebRisk WEB RISK è un sistema di intercettazione e prevenzione frodi per Issuers e Acquirers di carte di pagamento Valutazione del rischio Attribuzione del

Dettagli

VIDES. Mariagrazia Rossi

VIDES. Mariagrazia Rossi VIDES Mariagrazia Rossi Sommario Descrizione della realtà... 2 Requisiti Funzionali... 2 Requisiti non Funzionali... 3 Dizionario dei termini... 3 Diagramma dei casi d uso... 4 CASI D USO... 7 Process

Dettagli

Basi di dati. Il Linguaggio SQL. K. Donno - Il Linguaggio SQL

Basi 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,

Dettagli

Il mercato dell auto visto dai navigatori di QuattroRuote

Il mercato dell auto visto dai navigatori di QuattroRuote Il mercato dell auto visto dai navigatori di QuattroRuote Enrico Mangiarotti Editoriale Domus Guido Cuzzocrea Nunatac Quattroruote da sempre si impegna in un confronto con le Case auto per la progettazione

Dettagli