Costruzione di Modelli Previsionali
|
|
- Aniella Ferri
- 8 anni fa
- Visualizzazioni
Transcript
1 Metodologie per Sistemi Intelligenti Costruzione di Modelli Previsionali Ing. Igor Rossini Laurea in Ingegneria Informatica Politecnico di Milano Polo Regionale di Como
2 Agenda Knowledge discovery in database Costruzione di modelli previsionali Dati dipendenti dal tempo Ciclo di vita del cliente
3 Agenda Knowledge discovery in database Costruzione di modelli previsionali Dati dipendenti dal tempo Ciclo di vita del cliente
4 Knowledge Discovery in Databases (KDD) E il processo per identificare nei dati pattern con caratteristiche di validità, novità, utilità potenziale e facilità di comprensione (Frawley, Piatetsky, Shapiro, Mattheus, 1991)
5 Dati
6 Pattern o forme (1) Espressione (o regola) che descrive un fatto Esempio: se il cliente auto ha un età compresa tra i 18 e i 21 anni allora ha una elevata probabilità di causare un sinistro
7 Pattern o forme (2) Sinistro Si No Età
8 Caratteristiche dei pattern Validità: il pattern individuato potrebbe essere valido per i nuovi dati con lo stesso livello di certezza Novità: i pattern rappresentano delle novità che possono essere valutate attraverso un confronto tra i valori dei dati attuali e i valori dei dati passati Utilità Potenziale: i pattern individuati dovrebbero potenzialmente condurre ad azioni utili Facilità di comprensione: i pattern devono essere definiti allo scopo di migliorare e facilitare la comprensibilità dei dati
9 Il processo di KDD Valutazione Data Mining Trasformazione Preparazione Conoscenza Selezione Risultati Dati Dati Selezionati Dati Preparati Dati Trasformati
10 Le fasi principali (1) Definizione del problema Selezione dati Pulizia dati Caratteristiche fenomeno -Selezione dominio di applicazione - Definizione degli obiettivi aziendali - Selezione delle fonti dati da utilizzare - Selezione del set di variabili più adatte per il processo di analisi - Pulizia e normalizzazione dei dati - Eliminazione dei dati rumorosi (noise) e dei valori estremi (outlier) - Gestione dei campi vuoti (missing value) - Realizzazione di una struttura dati più adatta agli scopi e agli obiettivi prefissati -Applicazione di tecniche di riduzione dimensionale -Applicazione di metodi di trasformazione
11 Le fasi principali (2) Scelta del task Selezione tecniche Data Mining Data Mining Analisi e Validazione risultati - Definizione del tipo di analisi da effettuare (classificazione, previsione, ecc.) - Selezione delle tecniche di data mining da utilizzare per ricercare i pattern nei dati - Ricerca dei pattern di interersse - Interpretazione dei pattern scoperti con possibilità di reiterare l intero processo - Analisi esplorative dei modelli e definizione di opportune ipotesi - Consolidamento della conoscenza acquisita
12 Esempio: Identificazioni Frodi (1) Definizione del problema: Ottenere un profilo degli utenti che commettono delle frodi, allo scopo di riuscire a capire se un nuovo contratto può essere pericoloso per l azienda Raccolta dati: i dati provengono da filiali differenti. Sono omogenei? Sono nello stesso formato? Sono memorizzati su supporti compatibili? Data cleaning : I dati contengono informazioni che sono sicuramente inutili? Se si è utile eliminarla.
13 Esempio: Identificazioni Frodi (2) Conoscenza Implicita/Esplicita:..le frodi generalmente vengono effettuate da utenti che chiamano numeri stranieri o service provider (166/144).. DATA MINING: dai dati forniti su casi utenti che hanno commesso frodi e di utenti che non ne hanno commesse, generare una serie di profili che: caratterizzano gli utenti che devono essere considerati rischiosi ma che non si applicano ad utenti sicuri!
14 Esempio: Identificazioni Frodi (3) Validazione: il risultato ottenuto è quello che il committente si aspettava? E ragionevole? Proposta di nuovi goal: I risultati sono interessanti riuscireste ad automatizzare il processo in modo che sia possibile aggiornare i profili ogni settimana o mese? essere tanto accurati da scoprire con buona certezza se c è una possibile frode in atto nelle ultime sei ore?
15 KDD In generale il KDD è il processo di trasformazione..dei dati in informazione e dell informazione in conoscenza allo scopo di migliorare di capire.
16 Dal Dato alla Conoscenza Conoscenza Processo Decisionale Informazione Settore Operativo Dati Richieste
17 Catena del Valore dell Informazione Dati -Demografici -Geografici -Transazionali -Customer base Informazioni -Bianchi vive a Roma -Rossi ha acquistato un palmare -Verdi ha 32 anni -Neri ha collezionato 3 sinistri auto Decisioni Conoscenza -Promuovere Il conto corrente on-line a clienti giova -Offrire una polizza malattia a chi possiede già polizza vita -Effetuare campagne anti-attrition per i clienti di class medio alta -Il conto corrente on-line è acquistato da clienti giovani -Chi ha una polizza vita compra anche una polizza malattia -I clienti di classe medio-alta hanno una propensione all abbandono più alta
18 Conoscenza e Metaconoscenza Conoscenza Vera Conosciuto Non Conosciuto Metaconoscenza Conosciuto Non Conosciuto Si sa di Sapere Si sa di non Sapere Non si sa di Sapere Non si sa di non Sapere
19 Data Mining (1) Il Data Mining consiste in una serie di applicazioni di tecniche statistiche, algoritmiche e di visualizzazione finalizzate alla scoperta, quanto più automatizzata, di fenomeni interessanti (pattern, regolarità, outlier, ecc.) in grandi volumi di dati
20 Data Mining (2) Il Data Mining si occupa della scoperta di pattern non prevedibili a priori e nuove regole da grandi basi di dati. [A. Zantiage, Data Mining, Addison-Wesley, 1998] Il Data Mining è il processo di esplorazione e analisi, automatico o semiautomatico, di un ampia mole di dati al fine di scoprire modelli e regole significative. [M. J. A. Berry, G. S. Linoff,, Data Mining, Apogeo,2001] Per Data Mining si intende il processo di selezione, esplorazione e modellazione di grandi masse di dati al fine di scoprire regolarità o relazioni non note a priori, e allo scopo di ottenere un risultato chiaro e utile al proprietario del database. [P. Giudici, Data Mining, McGraw- Hill, 2001]
21 Data Mining Predittivo (1) si usa quando si conosce cosa cercare e si indirizzano gli sforzi d analisi verso un obiettivo specifico il modello predittivo è costruito secondo la modalità top-down a partire da esempi già noti e si applica poi a esempi non noti
22 Data Mining Predittivo (2) Il modello predittivo è rappresentato da una black box: a volte non interessa il meccanismo di funzionamento ma interessa la migliore previsione possibile Input Output
23 Esempi Previsione della possibile risposta del consumatore ad una certa campagna di mercato Previsione delle possibili perdite di consumatori nel medio/lungo periodo Classificare le richieste di prestiti, mutui, applicazioni per carte di credito in fasce di basso/medio/alto rischio Individuazione di richieste di rimborsi assicurativi fraudolenti Stima della spesa media dei consumatori rispetto ad una campagna pubblicitaria Stima delle quantità richieste o acquistate di certi beni
24 Agenda Knowledge discovery in database Costruzione di modelli previsionali Dati dipendenti dal tempo Ciclo di vita del cliente
25 Processo di costruzione dei modelli (1) 1-Set di addestramento (Training set) Il modello viene sperimentato utilizzando dati preclassificati. In questa fase gli algoritmi di data mining trovano pattern di valore previsionale 2-Set di prova (Test set) Questo set di dati serve a garantire che il modello non memorizzi il set di addestramento garantendo che sia il più generale possibile e che funzioni meglio con dai sconosciuti 3-Set di Valutazione (Evaluation set) Questo set di dati serve a verificare ulteriormente il rendimento del modello 4-Set di calcolo (Score set) Questo set di dati è non preclassificato e genera la previsione
26 Processo di costruzione dei modelli(2) 1 Set di Addestramento Modello (grezzo) 2 Set di Prova Modello (grezzo) Modello (grezzo) Modello (grezzo) 3 Set di Valutazione 4 Set di Calcolo Modello (migliore) Previsione
27 Valutazione delle prestazioni Matrice di Confusione: matrice che permette di individuare quali tra le previsioni fornite dal modello previsionale siano corrette e quali errate Curva Lift: grafico che raffigura le prestazioni di un modello previsionale come funzione della dimensione del campione
28 Matrice di Confusione (1) Hp: 3 classi C 1, C 2, C 3. C 1 C 2 C 3 C 1 C 11 C 12 C 13 C 2 C 3 C 21 C 22 C 23 C 31 C 32 C 33
29 Matrice di Confusione (2) Regola 1 I valori della diagonale principale rappresentano le classificazioni corrette Esempio: il valore C11 rappresenta il numero totale di casi della classe C1 correttamente classificati dal modello Regola 2 I valori nella riga C i rappresentano quei casi che appartengono alla classi C i. Esempio: se i=2 I casi associati alle celle C 21, C 22, C 23 appartengono tutti alla classe C 2. Il numero totale di casi della classe C 2 erroneamente classificati sono pari alla somma di C 21 e C 23. Regola 3 I valori nella colonna C i indicano i casi classificati come membri della classe C i. Esempio: se i=2 I casi associati alle celle C 12, C 22, C 32 sono classificati come membri della C 2. Il numero totale di casi erroneamente classificati come membri della classe C 2 sono pari alla somma di C 12 e C 32.
30 Esempio (1) Modello che accetta o rifiuta le richieste di carta di credito Accettate Rifiutate Richieste Accettate (calcolate) Accettate correttamente Accettate erroneamente Richieste Rifiutate (calcolate) Rifiutate erroneamente Rifiutate correttamente
31 Esempio (2) Hp: Tasso di errore del 10% MODELLO A Richieste Accettate Richieste Rifiutate Accettate Rifiutate MODELLO A Richieste Accettate Richieste Rifiutate Accettate Rifiutate Quale il modello migliore? Occorre valutare il costo medio del mancato pagamento della carta di credito con la perdita media di profitto che si ottiene rifiutando i soggetti che sono buoni candidati Nell esempio il modello B è il migliore perché la matrice indica che ha meno probabilità di accordare erroneamente una carta di credito a un soggetto che probabilmente sarà insolvente
32 Curva Lift 100 % Risposte corrette Lift=3,5 (70/20) Dati suddivisi in Percentili
33 Esempio di buon modello % Frodi rilevate Training Set Test Set Evaluation Set Baseline Richieste di risarcimento in %
34 Incremento teorico massimo (1) % Abbonati al servizio Miglior Risultato Teorico Curva di Modello Baseline Clienti in %
35 Incremento teorico massimo (2) Il primo 10% dei clienti corrisponde ad appena il 16% dei clienti con avviso di chiamata In realtà il 55% dei clienti possiede l avviso di chiamata Quindi se tutti i clienti con il maggior punteggio avessero l avviso di chiamata essi inciderebbero per il 18% L averne trovati il 16% costituisce un buon risultato
36 Sovrapprendimento % Abbonati al servizio Curva di Modello Baseline Clienti in %
37 Correlazione Input-Output % Abbonati al servizio Curva di Modello Baseline Clienti in %
38 Promozioni Carte di Credito (1) Numero Risposte Utilizzando il 20% della popolazione possiamo aspettarci una risposta da 625 delle persone campionate Risultato del Modello Baseline % Campionata
39 Promozioni Carte di Credito (2) Nessun Modello: a tutti i clienti con saldo nullo é stata inviato il rendiconto con l offerta promozionale NESSUN MODELLO Accettate Offerte Accettate (calcolate) Offerte Rifiutate (calcolate) 0 Rifiutate Il lift del modello é pari a 1 perchè il campione e la popolazione sono uguali MODELLO IDEALE Accettate Offerte Accettate (calcolate) Offerte Rifiutate (calcolate) 0 Rifiutate
40 Promozioni Carte di Credito (3) Due matrici di confusione per modelli alternativi con lift pari a 2,25 MODELLO A Accettate Offerte Accettate (calcolate) 540 Offerte Rifiutate (calcolate) 460 Rifiutate Lift (Modello A) = (540/24.000)/(1.000/ ) = 2,25 MODELLO B Accettate Offerte Accettate (calcolate) 450 Offerte Rifiutate (calcolate) 550 Rifiutate Lift (Modello B) = (450/20.000)/(1.000/ ) = 2,25
41 Promozioni Carte di Credito (4) Quale il modello migliore? Occorre considerare i costi delle scelte dei falsi positivi e dei falsi negativi Il modello Y è la scelta migliore se la riduzione delle spese delle spedizioni postali (4.000 spedizioni in meno) compensano la riduzione di profitto derivante dalle minori vendite (90 vendite in meno)
42 Densità del Set di Costruzione Campionatura creazione di un insieme di dati che contiene una quantità di record inferiore rispetto a quella del set di dati originario Sovracampionatura creazione di un set di dati di costruzione con una quantità maggiore di risultati rari e una inferiore di quelli comuni per bilanciare il rapporto fra il numero dei valori in output nel set di costruzione
43 Utilizzo della Sovracampionatura L'output può essere molto raro, come nel caso dei guasti nei macchinari L'output può richiedere una convalida prima di poter essere usato nella modellazione, come nei casi di frode L'output può interessare un lasso di tempo limitato, come gli abbandoni dei clienti o gli storni dall'attivo di un singolo mese
44 Esempio (1) Set di dati iniziale con una densità del 10% ` Set di dati sovracampionati con una densità del 33,3% `
45 Esempio (2) ` Un algoritmo di data mining assegna il suo punteggio maggiore al 40% del set di costruzione sovracampionato attribuendo un incremento (o lift) di 2 Accuratezza previsionale pari al 66,7% (4 record rossi nei 6 trovati) Incremento pari a 2 essendo nel set di dati sovracampionato il 33,3% dei record rossi (2=66,7%/33,3%) Dimensione del 40% (40%=6/15)
46 Esempio (3) ` I 10 risultati chiari del set sovracampionato ne rappresentano 45 (2:9) nel set iniziale I 5 risultati rossi del set sovracampionato li rappresentano tutti e 5 (1:1) L'accuratezza previsionale sarebbe del 30,7% perché i 4 rossi e i 2 chiari corrispondono ora ai 4 rossi e ai 9 chiari trovati dall'algoritmo L incremento è del 3,07% perché i dati originali sono scuri al 10% (3,07=30,7%/10%) La dimensione equivale ora a 26%(=13/50) Sui dati originali (senza sovracampionatura) il segmento con il maggior punteggio di questo modello corrisponde al 26% dei dati e ad un incremento di 3 punti
47 Effetti della Sovracampionatura Occorre sempre convertire il punteggio generato da un modello costruito su un set sovracampionato in una probabilità sui dati originali Set di dati Sovracampionati Lift di 2 sul 40% dei dati Set di dati Originale Lift di 3 sul 26% dei dati Analogamente occorre valutare l'impatto della sovracampionatura sul numero dei record selezionati per un'iniziativa di marketing con un punteggio assegnato dal modello superiore ad certo valore soglia Set di dati Sovracampionati Valore soglia corrispondente 1% dei dati Set di dati Originale Valore soglia corrispondente 0,07% dei dati
48 Agenda Knowledge discovery in database Costruzione di modelli previsionali Dati dipendenti dal tempo Ciclo di vita del cliente
49 Dati dipendenti dal tempo Il timeframe (intervalli temporali) gioca un ruolo fondamentale nella costruzione di modelli previsionali Si divide in tre categorie temporali principali: Passato Presente Futuro Consiste in quello che si è già verificato e nelle informazioni già raccolte e processate. Contiene le informazioni del passato PASSATO REMOTO: utilizzato per i dati di input PASSATO RECENTE: determina gli output LATENZA: rappresenta il presente E' il periodo di tempo in cui il modello è costruito. Le informazioni sul presente non sono disponibili perché ancora in fase di elaborazione dei sistemi operazionali. E' il periodo di tempo della previsione. Costruisce il modello sui dati del passato con le informazioni del passato e del presente.
50 Dati dipendenti dal tempo Il passato serve a prevedere il futuro Passato Presente Futuro Punto in cui finiscono i dati Punto in cui iniziano le previsioni Passato Latenza Output Modello Per costruire un modello efficace, i dati nel set di costruzione devono imitare il timeframe in cui il modello verrà applicato
51 Input e Output di un modello (1) La definizione degli output di un modello è solitamente complessa Tutti i dati di input del modello devono essere disponibili prima di qualsiasi informazione utilizzata per determinare gli output La violazione di questa regola determina la creazione di modelli che non riescono a prevedere correttamente il futuro
52 Input e Output di un modello (2) Campagna di marketing dello scorso anno: Passato Remoto Passato Recente Presente Consiste di tutti i dati a disposizione prima che venisse lanciata la campagna Consiste nelle informazioni successive alla campagna Periodo in cui stiamo costruendo il modello per la campagna di quest'anno Futuro Risposte all ultima campagna che non si sono ancora avute Tutti i dati disponibili fino al passato recente costituiscono gli input
53 Caso Banca di Credito (1) Titolo: analisi dinamiche di acquisto portafoglio clienti Obiettivo: costruzione di un modello previsionale per prevedere i diversi comportamenti dei clienti Dati: storico di 18 mesi
54 Caso Banca di Credito (2) Obiettivo: avere uno storico di 12 mesi per prevedere 6 mesi del futuro Mesi del Passato Input MODELLO Output
55 Caso Banca di Credito (3) L'utilizzo della variabile derivata Totale Saldi Scoperti calcolata con informazioni relative ai 12 mesi precedenti distorse i risultati Totale saldi scoperti Input MODELLO Output
56 Caso Supermercati Alfa (1) Titolo: promozione clienti Platino mese di agosto Obiettivo: proporre un'offerta speciale ai clienti che presentano maggiori probabilità di effettuare l acquisto nel mese di agosto Data Inizio Progetto: 1 giugno 2004 Dati: dal 1 settembre 2003 al 31 maggio 2004
57 Caso Supermercati Alfa (2) Metodologia: sviluppo di un modello per prevedere chi ha effettuato un'acquisto in maggio utilizzando i dati da settembre ad aprile Set Ott Nov Dic Gen Feb Mar Apr Mag Giu Input MODELLO Output Cosa succede a Luglio?
58 Caso Supermercati Alfa (3) Occorrono i dati di luglio per calcolare il modello ed effettuare una previsione ad Agosto Set Ott Nov Dic Gen Feb Mar Apr Mag Giu Lug Ago Input MODELLO Output 1 Agosto: il modello è pronto in attesa dei dati di luglio richiesti come input 14 Agosto: i dati di luglio sono disponibili 16 Agosto: i dati sono stati puliti ed è stato assegnato loro un punteggio 20 Agosto: le previsioni del modello sono state preparate ed utilizzate Le previsioni relative ad Agosto non sono disponibili alla fine dello stesso mese!!
59 Caso Supermercati Alfa (4) Metodologia: i dati di aprile non vengono utilizzati come input nel modello. In tal modo tutte le informazioni sono disponibili quando il modello sarà calcolato Set Ott Nov Dic Gen Feb Mar Apr Mag Giu Input MODELLO Output Aprile è il mese di latenza usato per calcolare e per preparare i risultati
60 Caso Supermercati Alfa (5) Metodologia: nessun problema per il calcolo del modello perché gli input sono ora disponibili a metà luglio Set Ott Nov Dic Gen Feb Mar Apr Mag Giu Lug Ago Input MODELLO Output
61 Modelli che si adattano nel tempo (1) Metodologia: il set di costruzione utilizza 10 mesi di storico per ricavare gli input e 1 mese per gli output. Le informazioni del mese di latenza non vengono usate Input MODELLO Output L'utilizzo di tutto lo storico presenta lo svantaggio che il modello può attingere a caratteristiche del passato che non si applicano al futuro.
62 Modelli che si adattano nel tempo (2) Metodologia: utilizzo di dati storici per realizzare set di costruzione con periodi di tempo che si sovrappongono Input MODELLO Output Gli algoritmi in tal modo conoscono strutture dati che non sono fissate in un dato momento cronologico
63 Modelli Multipli (1) Combina Modelli a combinazione di input segmentati: utilizzano modelli diversi per parti diverse dell'input. Un solo modello viene impiegato per ogni record di input dato. Modelli a combinazione di segmantazioni modellate: utilizzano i risultati di un modello per segmentare l'input e poi impiegare un altro modello per determinare l output.
64 Modelli Multipli (2) Se l affidabilità è alta, utilizza i risultati del primo modello. Altrimenti impiega i risultati di un modello a bassa affidabilità. Modelli a combinazione di correzione degli errori: utilizzano i risultati ad alta affidabilità da un modello e ne costruiscono uno separato impiegando I risultati a bassa affidabilità. Modelli a combinazione di perfezionamento dei dati: utilizzano i risultati di un modello come input di un altro modello.
65 Agenda Knowledge discovery in database Costruzione di modelli previsionali Dati dipendenti dal tempo Ciclo di vita del cliente
66 Ciclo di Vita del Cliente Acquisizione Attivazione Gestione del Rapporto e Retention Prospect Responder Cliente Effettivo Ex Cliente Alto Valore Abbandono Volontario Mercato Target Nuovo Cliente Cliente Iniziale Alto Potenziale Basso Valore Abbandono Forzato
67 Eventi Principali Prospect Responder Cliente Effettivo Ex Cliente Alto Valore Abbandono Volontario Mercato Target Nuovo Cliente Cliente Iniziale Alto Potenziale Basso Valore Abbandono Forzato Campagne di Acquisizione Utilizzo Campagne Anti Attrition Risposta alla campagna di acquisizione Churn Richiesta Informazioni Adesione Formale Campagne di Cross-Selling Campagne di Up-Selling
68 Dati ricavabili nelle varie fasi Alto Valore Abbandono Volontario Mercato Target Nuovo Cliente Cliente Iniziale Alto Potenziale Basso Valore Abbandono Forzato Cronologia Campagne Dati demografici acquisiti Altro Utilizzo del prodotto Storico pagamenti Risposta alle campagne Credit Report Preferenze di canale Informazioni fornite spontaneamente Altro Altro Motivazioni Abbandono
69 Applicazioni di Data Mining Alto Valore Abbandono Volontario Mercato Target Nuovo Cliente Cliente Iniziale Alto Potenziale Basso Valore Abbandono Forzato Modello Predittivo per la Vendita Modello Predittivo per Risk Analysis Modelli Descrittivi su attributi Rilevanti Modello Descrittivo sul comportamento del cliente Modello Predittivo per campagne di Cross/Up-Selling Modello Predittivo per individuazione di frodi Modello Predittivo per il Churn
70 Caso Acme Corporation Profilo: società di vendite per corrispondenza specializzata nella vendita di equipaggiamenti per la caccia Campagna di Marketing: lancio del nuovo prodotto esca per bip-bip pensato per I clienti più fedeli Budget: $ Obiettivo: ottimizzazione dei costi
71 Lift del modello Curva di guadagno percentuale utilizzata ottenuta con il modello di risposta. Il 10% dei clienti con il punteggio più alto rappresenta il 30% dei responder % Responder Modello di Risposta Baseline 0 Clienti %
72 Dati di Marketing Costo spedizione offerta: 1 $ Previsione ordine cliente: 100 $ (di questi 55 $ coprono i costi del prodotto, della spedizione e di gestione) Ricavo netto cliente: 44 $ ( ) Spese fisse generali: $ Percentuale di Risposta: 1% Clienti: 1 milione
73 Matrice di Ricavo Effettivi Si No Previsti Si 44 $ -1$ No 0 $ 0 $
74 Foglio di Calcolo ricavi Decile Ricavi Cum Lift Dim Dim (SI) Dim (NO) Profitto $ 0 % 0,0 % 0 % 0, (20.000) 10 % 30,0 % 30 % % 20,0 % 50 % % 15,0 % 65 % (27.500) 40 % 13,0 % 78 % (69.000) 50 % 7,0 % 85 % ( ) 60 % 5,0 % 90 % ( ) 70 % 4,0 % 94 % ( ) 80 % 4,0 % 98 % ( ) 90 % 2,0 % 100 % ( ) 100 % 0,0 % 100 % ( )
75 Curve di profitto $ $ $ $ $ 0 ( $) ( $) Si = 100 $; No = 1 $ Si = 44 $; No = 1 $ Si = 44 $; No = 2 $
76 Ottimizzazione dei clienti (1) Profilo: ampliamento della gamma dei prodotti. ACME è ha ora diversi reparti specializzati nella disinfestazione di animali nocivi e parassiti Campagne di Marketing: gestite più campagne contemporaneamente per promuovere tutta la vasta gamma di prodotti Obiettivo: dato un certo numero di campagne, si punta all'ottimizzazione della campagna successiva per ogni cliente
77 Ottimizzazione dei clienti (2) Approccio basato sull ottimizzazione del profitto Campagna 1 Campagna 3 Per quasi tutte le campagne viene scelto lo stesso segmento di clienti, mentre altri vengono completamente ignorati Valore Potenziale Campagna 2 Campagne Successive Occorre evitare di sommergere i clienti di messaggi diversi perchè potrebbero ignorare il messaggio o peggio passare alla concorrenza
78 Ottimizzazione dei clienti (3) Approccio basato sulla massimizzazione del valore di ogni cliente Campagna 1 Campagna 5 Sono presi in considerazione tutti i possibili canali e messaggi che possono essere diretti ad ogni tipologia di clientela Valore Potenziale Campagna 4 Campagna 2 Campagna 3 Campagne Successive Ottimizzare significa assegnare un preciso messaggio al cliente giusto
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
DettagliCAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI
VERO FALSO CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI 1. V F Un ipotesi statistica è un assunzione sulle caratteristiche di una o più variabili in una o più popolazioni 2. V F L ipotesi nulla unita
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
DettagliUno 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
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
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
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
DettagliProgettaz. e sviluppo Data Base
Progettaz. e sviluppo Data Base! Progettazione Basi Dati: Metodologie e modelli!modello Entita -Relazione Progettazione Base Dati Introduzione alla Progettazione: Il ciclo di vita di un Sist. Informativo
Dettaglivendite Come organizzare le informazioni Il Customer Relationship Management nelle Istituzioni Finanziarie Europe
Premessa Analisi dei progetti di Customer Il Customer Il data base per il marketing e per le : Come organizzare le informazioni Più di un terzo delle istituzioni non inserisce ancora in un unico data base
DettagliOrganizzazione e pianificazione delle attività di marketing
Organizzazione e pianificazione delle attività di marketing Il continuum delle strutture tra efficienza ed efficacia Struttura funzionale Struttura divisionale Struttura a matrice Struttura orizzontale
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
DettagliBasi di dati. Concetti introduttivi ESEMPIO. INSEGNAMENTI Fisica, Analisi, Aule. Docenti. Entità Relazioni Interrogazioni. Ultima modifica: 26/02/2007
Basi di dati Concetti introduttivi Ultima modifica: 26/02/2007 ESEMPIO INSEGNAMENTI Fisica, Analisi, Informatica Aule Docenti Entità Relazioni Interrogazioni St udent i Database 2 Tabella (I) STUDENTE
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
DettagliSTATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
DettagliCRM: IL FUTURO DEL MARKETING ATTRAVERSO LA CONOSCENZA DEL CLIENTE
UNIVERSITÁ DEGLI STUDI DI UDINE FACOLTÁ DI ECONOMIA Corso di Laurea in Economia Aziendale Esame di Laurea CRM: IL FUTURO DEL MARKETING ATTRAVERSO LA CONOSCENZA DEL CLIENTE Tutore: Prof. Maria Chiarvesio
DettagliDOMANDE a risposta multipla (ogni risposta esatta riceve una valutazione di due; non sono previste penalizzazioni in caso di risposte non corrette)
In una ora rispondere alle dieci domande a risposta multipla e a una delle due domande a risposta aperta, e risolvere l esercizio. DOMANDE a risposta multipla (ogni risposta esatta riceve una valutazione
DettagliLeasing secondo lo IAS 17
Leasing secondo lo IAS 17 Leasing: Ias 17 Lo Ias 17 prevede modalità diverse di rappresentazione contabile a seconda si tratti di leasing finanziario o di leasing operativo. Il leasing è un contratto per
DettagliProgettazione di Basi di Dati
Progettazione di Basi di Dati Prof. Nicoletta D Alpaos & Prof. Andrea Borghesan Entità-Relazione Progettazione Logica 2 E il modo attraverso il quale i dati sono rappresentati : fa riferimento al modello
DettagliCalcolo del Valore Attuale Netto (VAN)
Calcolo del Valore Attuale Netto (VAN) Il calcolo del valore attuale netto (VAN) serve per determinare la redditività di un investimento. Si tratta di utilizzare un procedimento che può consentirci di
DettagliProgetto PI.20060128, passo A.1 versione del 14 febbraio 2007
Università degli Studi di Roma La Sapienza Facoltà di Ingegneria Corso di Laurea in Ingegneria Gestionale Corso di Progettazione del Software Proff. Toni Mancini e Monica Scannapieco Progetto PI.20060128,
DettagliLa gestione aziendale, il reddito e il patrimonio
1 di 6 La gestione aziendale, il reddito e il patrimonio Come possono essere classificate le operazioni di gestione? La gestione aziendale è l insieme coordinato di operazioni attraverso le quali l impresa
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
DettagliGestione Turni. Introduzione
Gestione Turni Introduzione La gestione dei turni di lavoro si rende necessaria quando, per garantire la continuità del servizio di una determinata struttura, è necessario che tutto il personale afferente
DettagliDatabase. 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
DettagliL azienda e la sua gestione P R O F. S A R T I R A N A
L azienda e la sua gestione P R O F. S A R T I R A N A L azienda può essere considerata come: Un insieme organizzato di beni e persone che svolgono attività economiche stabili e coordinate allo scopo di
DettagliStrumenti finanziari Ias n.32 e Ias n.39
Strumenti finanziari Ias n.32 e Ias n.39 Corso di Principi Contabili e Informativa Finanziaria Prof.ssa Sabrina Pucci Facoltà di Economia Università degli Studi Roma Tre a.a. 2004-2005 prof.ssa Sabrina
DettagliLa gestione del cliente in un ottica di marketing
La gestione del cliente in un ottica di marketing La soddisfazione del cliente Intuitivamente semplice, ma implica un esatta definizione dei parametri misurabili, in base ai quali un cliente si può definire
DettagliCosa è un foglio elettronico
Cosa è un foglio elettronico Versione informatica del foglio contabile Strumento per l elaborazione di numeri (ma non solo...) I valori inseriti possono essere modificati, analizzati, elaborati, ripetuti
DettagliVALUTARE GLI EQUILIBRI DELL IMPRESA
VALUTARE GLI EQUILIBRI DELL IMPRESA Quattro valori fondamentali per valutare una impresa sono: 1. Il Capitale Operativo Investito, che è dato dal Capitale Fisso (Costi pluriennali a lenta rotazione) +
DettagliDetrazioni fiscali per il risparmio energetico e le Ristrutturazioni Edilizie -aspetti tecnici,giuridico-fiscali e accesso al credito-
Detrazioni fiscali per il risparmio energetico e le Ristrutturazioni Edilizie -aspetti tecnici,giuridico-fiscali e accesso al credito- Guglielmo Bernardi Financial Advisor Chi può accedere al credito?
DettagliITER Imprese & Territorio
ITER Imprese & Territorio Generalità...2 La Scheda Impresa...4 Il sistema di Rating...6 Bilanci...7 Analisi di composizione...8 Elenchi imprese...9 Milano, novembre 2009 1 GENERALITÀ ITER è una applicazione,
DettagliDIFFERENZIARE LE CAMPAGNE DI MARKETING La scelta del canale adeguato
Via Durini, 23-20122 Milano (MI) Tel.+39.02.77.88.931 Fax +39.02.76.31.33.84 Piazza Marconi,15-00144 Roma Tel.+39.06.32.80.37.33 Fax +39.06.32.80.36.00 www.valuelab.it valuelab@valuelab.it DIFFERENZIARE
DettagliLa gestione delle scorte tramite il punto di riordino ed il lotto economico
La gestione delle scorte tramite il punto di riordino ed il lotto economico 1. Introduzione Le Scorte sono costituite in prevalenza da materie prime, da accessori/componenti, da materiali di consumo. Rappresentano
DettagliEsercitazione relativa al cap. 10 INVESTIMENTI
Esercitazione relativa al cap. 10 INVESTIMENTI GLI INVESTIMENTI FINANZIARI SONO ACQUISTI DI ATTIVITA FINANZIARIE EFFETTUATE NELL ASPETTATIVA DI RICEVERNE UN RENDIMENTO. I PIU IMPORTANTI SONO: - I DEPOSITI
DettagliCOMUNICATO STAMPA PUBBLICAZIONE DELLE NUOVE STATISTICHE SUI TASSI DI INTERESSE BANCARI PER L AREA DELL EURO 1
10 dicembre COMUNICATO STAMPA PUBBLICAZIONE DELLE NUOVE STATISTICHE SUI TASSI DI INTERESSE BANCARI PER L AREA DELL EURO 1 In data odierna la Banca centrale europea (BCE) pubblica per la prima volta un
DettagliCorso di. Analisi e contabilità dei costi
Corso di Analisi e Contabilità dei Costi Prof. 1_I costi e il sistema di controllo Perché analizzare i costi aziendali? La CONOSCENZA DEI COSTI (formazione, composizione, comportamento) utile EFFETTUARE
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
DettagliREALIZZARE UN BUSINESS PLAN CON MICROSOFT EXCEL 2007
REALIZZARE UN BUSINESS PLAN CON MICROSOFT EXCEL 2007 INTRODUZIONE Uno degli elementi più importanti che compongono un Business Plan è sicuramente la previsione dei risultati economico-finanziari. Tale
DettagliIAS 32 Strumenti finanziari: esposizione nel bilancio d esercizio e informazione integrativa
IAS 32 Strumenti finanziari: esposizione nel bilancio d esercizio e informazione integrativa SCHEMA DI SINTESI DEL PRINCIPIO CONTABILE SINTESI ILLUSTRAZIONE DEL PRINCIPIO CONTABILE 1 FINALITA' LIABILITY
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
DettagliMService La soluzione per ottimizzare le prestazioni dell impianto
MService La soluzione per ottimizzare le prestazioni dell impianto Il segreto del successo di un azienda sta nel tenere sotto controllo lo stato di salute delle apparecchiature degli impianti. Dati industriali
DettagliAprire WEKA Explorer Caricare il file circletrain.arff Selezionare random split al 66% come modalità di test Selezionare J48 come classificatore e
Alberi di decisione Aprire WEKA Explorer Caricare il file circletrain.arff Selezionare random split al 66% come modalità di test Selezionare J48 come classificatore e lanciarlo con i parametri di default.
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
DettagliGUIDA - Business Plan Piano d impresa a 3/5 anni
GUIDA - Business Plan Piano d impresa a 3/5 anni 1 Executive summary...2 2 Business idea...2 3 Analisi di mercato...2 4 Analisi dell ambiente competitivo...2 5 Strategia di marketing...3 5.1 SWOT Analysis...3
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
DettagliINCREMENTARE LE QUOTE DI MERCATO E LA REDDITIVITÀ
INCREMENTARE LE QUOTE DI MERCATO E LA REDDITIVITÀ L ANALISI DELLA CONCORRENZA E IL CUSTOMER VALUE MANAGEMENT 1. [ GLI OBIETTIVI ] PERCHÉ ADOTTARE UN PROCESSO DI CUSTOMER VALUE MANAGEMENT? La prestazione
DettagliIL MARKETING E QUELLA FUNZIONE D IMPRESA CHE:
IL MARKETING E QUELLA FUNZIONE D IMPRESA CHE:! definisce i bisogni e i desideri insoddisfatti! ne definisce l ampiezza! determina quali mercati obiettivo l impresa può meglio servire! definisce i prodotti
DettagliCap.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
DettagliIndagine 2011 Customer Satisfaction. Marzo 2011
Indagine 2011 Customer Satisfaction Marzo 2011 Obiettivi Per il terzo anno consecutivo, l UFFICIO MARKETING DI FIRE ha SVOLTO un indagine sul grado di soddisfazione dei propri CLIENTI, in base a un sistema
DettagliPotenza dello studio e dimensione campionaria. Laurea in Medicina e Chirurgia - Statistica medica 1
Potenza dello studio e dimensione campionaria Laurea in Medicina e Chirurgia - Statistica medica 1 Introduzione Nella pianificazione di uno studio clinico randomizzato è fondamentale determinare in modo
DettagliLibrerie digitali. Video. Gestione di video. Caratteristiche dei video. Video. Metadati associati ai video. Metadati associati ai video
Video Librerie digitali Gestione di video Ogni filmato è composto da più parti Video Audio Gestito come visto in precedenza Trascrizione del testo, identificazione di informazioni di interesse Testo Utile
Dettagli4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0
Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice
DettagliSistemi 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
DettagliL assicurazione auto come elemento strategico nello sviluppo della bancassicurazione danni
L assicurazione auto come elemento strategico nello sviluppo della bancassicurazione danni Forum Bancassicurazione 2015 Roma, 8 ottobre 2015 BNL ha iniziato a vendere prodotti «non vita» nel 2007; nel
DettagliAi fini economici i costi di un impresa sono distinti principalmente in due gruppi: costi fissi e costi variabili. Vale ovviamente la relazione:
1 Lastoriadiun impresa Il Signor Isacco, che ormai conosciamo per il suo consumo di caviale, decide di intraprendere l attività di produttore di caviale! (Vuole essere sicuro della qualità del caviale
DettagliOgni azienda ha la necessità di conoscere il proprio sistema dei costi sia per controllare la situazione esistente che per verificare il
Ogni azienda ha la necessità di conoscere il proprio sistema dei costi sia per controllare la situazione esistente che per verificare il raggiungimento degli obiettivi avendo come fine il mantenimento
DettagliGli utenti del mercato online ebay.it Analisi degli abbandoni
Gli utenti del mercato online ebay.it Analisi degli abbandoni Nunatac: N. Del Ciello, P. Bauce, L. Scendrate ebay: C. Corotto, A. Rota, G. Manetti L azienda ebay è un sito internet che offre ai propri
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
DettagliMassimizzazione del profitto
Massimizzazione del profitto Diversi tipi di impresa Obiettivo dell impresa: massimo profitto Profitto Economico e Profitto Contabile Costo Economico (Costo Opportunità) Profitto Normale e Extra-Profitto
DettagliVi ricordate quello che abbiamo visto nelle prime lezioni? LA VALUTAZIONE ECONOMICA E FINANZIARIA DEL PROGETTO. L analisi di sensitività
LA VALUTAZIONE ECONOMICA E FINANZIARIA DEL PROGETTO a cura di Roberto M. Brioli Coll. Arch. Mirko Bisulli LE ANALISI DI SENSIBILITÀ Vi ricordate quello che abbiamo visto nelle prime lezioni? Alcune caratteristiche
DettagliSoftware per Helpdesk
Software per Helpdesk Padova - maggio 2010 Antonio Dalvit - www.antoniodalvit.com Cosa è un helpdesk? Un help desk è un servizio che fornisce informazioni e assistenza ad utenti che hanno problemi nella
DettagliCONTI CORRENTI A CONSUMATORI INDICATORE SINTETICO DI COSTO (ISC) E PROFILI DI OPERATIVITA
individuati CONTI CORRENTI A CONSUMATORI INDICATORE SINTETICO DI COSTO (ISC) E PROFILI DI OPERATIVITA Che cos è l ISC L INDICATORE SINTETICO DI COSTO (ISC) è un indice definito da Banca d Italia per quantificare,
DettagliTesto alla base del Pitgame redatto dal prof. Yvan Lengwiler, Università di Basilea
Testo alla base del Pitgame redatto dal prof. Yvan Lengwiler, Università di Basilea Funzionamento di un mercato ben organizzato Nel Pitgame i giocatori che hanno poche informazioni private interagiscono
DettagliCorrettezza. Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1. Dispensa 10. A. Miola Novembre 2007
Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1 Dispensa 10 Correttezza A. Miola Novembre 2007 http://www.dia.uniroma3.it/~java/fondinf1/ Correttezza 1 Contenuti Introduzione alla correttezza
DettagliI PRIMI ANNI DELLA MUTUA FIDE BANK. Breve analisi dell attività della MFB in Madagascar e spunti per il futuro
I PRIMI ANNI DELLA MUTUA FIDE BANK Breve analisi dell attività della MFB in Madagascar e spunti per il futuro dic-09 gen-10 feb-10 mar-10 apr-10 mag-10 giu-10 lug-10 ago-10 set-10 ott-10 nov-10 dic-10
DettagliREADY-TO-GO PRODUZIONE
READY-TO-GO PRODUZIONE Modulo Standard QlikView OBIETTIVO Le aziende che fabbricano prodotti hanno la necessità di avere un controllo efficiente delle loro attività produttive e di assemblaggio. Questo,
DettagliLA SODDISFAZIONE DEL CLIENTE A PARTIRE DALLA GESTIONE DINAMICA DEL SUO CICLO DI VITA. LA CUSTOMER RETENTION E IL PROGETTO VALORE CLIENTE DELLA
LA SODDISFAZIONE DEL CLIENTE A PARTIRE DALLA GESTIONE DINAMICA DEL SUO CICLO DI VITA. LA CUSTOMER RETENTION E IL PROGETTO VALORE CLIENTE DELLA Piergiorgio Qualizza Servizio Commerciale Milano, 9 febbraio
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
DettagliCome capire se la tua nuova iniziativa online avrà successo
Come capire se la tua nuova iniziativa online avrà successo Ovvero: la regola dei 3mila Quando lanci un nuovo business (sia online che offline), uno dei fattori critici è capire se vi sia mercato per quello
DettagliIAS 40 - OIC 16: Investimenti immobiliari
IAS 40 - OIC 16: Investimenti immobiliari Roma, marzo/maggio 2015 Finalità e ambito di applicazione Un investimento immobiliare è una proprietà immobiliare posseduta per: Percepire canoni d affitto Ottenere
DettagliArea Marketing. Approfondimento
Area Marketing Approfondimento CUSTOMER SATISFACTION COME RILEVARE IL LIVELLO DI SODDISFAZIONE DEI CLIENTI (CUSTOMER SATISFACTION) Rilevare la soddisfazione dei clienti non è difficile se si dispone di
DettagliAnalisi sensitività. Strumenti per il supporto alle decisioni nel processo di Valutazione d azienda
Analisi sensitività. Strumenti per il supporto alle decisioni nel processo di Valutazione d azienda Premessa Con l analisi di sensitività il perito valutatore elabora un range di valori invece di un dato
DettagliLUdeS Informatica 2 EXCEL. Seconda parte AA 2013/2014
LUdeS Informatica 2 EXCEL Seconda parte AA 2013/2014 STAMPA Quando si esegue il comando FILE STAMPA, Excel manda alla stampante tutte le celle del foglio di lavoro corrente che hanno un contenuto. Il numero
DettagliShopping online: un italiano su cinque si affida al mobile
OSSERVATORIO 7PIXEL Shopping online: un italiano su cinque si affida al mobile - Nel 2012 il traffico da dispositivi mobile è cresciuto di oltre 4 volte rispetto al 2011 - L utente mobile è più attivo
DettagliStrutture. Strutture e Unioni. Definizione di strutture (2) Definizione di strutture (1)
Strutture Strutture e Unioni DD cap.10 pp.379-391, 405-406 KP cap. 9 pp.361-379 Strutture Collezioni di variabili correlate (aggregati) sotto un unico nome Possono contenere variabili con diversi nomi
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
DettagliTEMPO E RISCHIO. Il valore del denaro è funzione del tempo in cui è disponibile
Esercitazione TEMPO E RISCHIO Il valore del denaro è funzione del tempo in cui è disponibile Un capitale - spostato nel futuro si trasforma in montante (capitale iniziale più interessi), - spostato nel
DettagliRAPPORTO CER Aggiornamenti
RAPPORTO CER Aggiornamenti 8 Febbraio 2013 Ancora senza credito ANCORA SENZA CREDITO I primi segnali di inversione del ciclo economico non trovano ancora conferma nei dati del credito. Il 2012 si è infatti
DettagliIn questo manuale sono indicate le procedure per utilizzare correttamente la gestione delle offerte dei fornitori.
Release 5.20 Manuale Operativo ORDINI PLUS Gestione delle richieste di acquisto In questo manuale sono indicate le procedure per utilizzare correttamente la gestione delle offerte dei fornitori. La gestione
DettagliANALISI DELLE FREQUENZE: IL TEST CHI 2
ANALISI DELLE FREQUENZE: IL TEST CHI 2 Quando si hanno scale nominali o ordinali, non è possibile calcolare il t, poiché non abbiamo medie, ma solo frequenze. In questi casi, per verificare se un evento
DettagliLorenzo Di Mattia Fund Manager HI Sibilla Macro Fund
Lorenzo Di Mattia Fund Manager HI Sibilla Macro Fund Milano, 19 novembre 2013 La strategia Global Macro Caratterizzata da ampio mandato, in grado di generare alpha tramite posizioni lunghe e corte, a livello
DettagliProcedura tecnico-statistica per il calcolo dell Indice di Disagio Socioeconomico (IDS)
Procedura tecnico-statistica per il calcolo dell Indice di Disagio Socioeconomico (IDS) Unità di Valutazione-DPS Ministero dello Sviluppo Economico Luglio 2008 Per garantire uniformità e completezza dei
DettagliIndicatori economico statistici per il direct marketing.
Indicatori economico statistici per il direct marketing. Il più popolare è la redemption : RED = n risposte/n contatti X100 Il CPO, Costo per Ordine, è dato dall investimento promozionale/n risposte. Si
DettagliLe sfide della nuova direttiva per la centrale di committenza
Le sfide della nuova direttiva per la centrale di VALUTAZIONE DELL EFFICIENZA E DELL EFFICACIA DELLA DIRETTIVA 2004/18 1 Frammentazione ed eterogeneità delle stazioni appaltanti (250.000); 2 Le piccole
DettagliCampaign Management: il caso Vodafone Omnitel. franco.renne@icteam.it
Campaign Management: il caso Vodafone Omnitel franco.renne@icteam.it 2 Aprile 2003 Presentazione ICTeam è una società di informatica... Franco Renne è un informatico... e non è un esperto di marketing...
DettagliContabilità generale e contabilità analitica
1/5 Contabilità generale e contabilità analitica La sfida della contabilità analitica è di produrre informazioni sia preventive che consuntive. Inoltre questi dati devono riferirsi a vari oggetti (prodotti,
DettagliSCENARIO. Personas. 2010 ALICE Lucchin / BENITO Condemi de Felice. All rights reserved.
SCENARIO Personas SCENARIO È una delle tecniche che aiuta il designer a far emergere le esigente dell utente e il contesto d uso. Gli scenari hanno un ambientazione, attori (personas) con degli obiettivi,
DettagliValutazione degli investimenti aziendali
Finanza Aziendale Analisi e valutazioni per le decisioni aziendali Valutazione degli investimenti aziendali Capitolo 18 Indice degli argomenti 1. Definizione e classificazione degli investimenti 2. I profili
DettagliPuoi aumentare la popolarità della tua azienda e singoli prodotti, sia a livello locale che più ampio.
A cosa può servire? Awareness Puoi aumentare la popolarità della tua azienda e singoli prodotti, sia a livello locale che più ampio. Lead generation Puoi aumentare la generazione di contatti profilati
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,
DettagliOrganizzazione dell azienda farmacia e farmacoeconomia
Organizzazione dell azienda farmacia e farmacoeconomia Sistema di rilevazione: economicità, bilancio, indici di bilancio Claudio Jommi claudio.jommi@pharm.unipmn.it Agenda delle prossime lezioni Equilibrio
DettagliVALORE DELLE MERCI SEQUESTRATE
La contraffazione in cifre: NUOVA METODOLOGIA PER LA STIMA DEL VALORE DELLE MERCI SEQUESTRATE Roma, Giugno 2013 Giugno 2013-1 Il valore economico dei sequestri In questo Focus si approfondiscono alcune
DettagliSMS Strategic Marketing Service
SMS Strategic Marketing Service Una piattaforma innovativa al servizio delle Banche e delle Assicurazioni Spin-off del Politecnico di Bari Il team Conquist, Ingenium ed il Politecnico di Bari (DIMEG) sono
DettagliAziende Commerciali e servizi:budget e cash flow per Reparti e Consolidato
Aziende Commerciali e servizi:budget e cash flow per Reparti e Consolidato Molto spesso nelle Aziende commerciali e/o di Servizi si ha la necessità di analizzare, sia a livello economico che finanziario,
DettagliLA COMBINAZIONE DEI FATTORI PRODUTTIVI CAP. 5
LA COMBINAZIONE DEI FATTORI PRODUTTIVI CAP. 5 Appunti di estimo Il fine economico dell imprenditore Le motivazioni che spingono un imprenditore ad avviare attività di impresa sono: Produrre beni e servizi,
DettagliIDENTIFICAZIONE 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
DettagliCRM 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
DettagliISC. L indicatore sintetico di costo del conto corrente
ISC L indicatore sintetico di costo del conto corrente Indice Cos è l ISC, l Indicatore Sintetico di Costo del conto corrente I 7 profili tipo di utilizzo Ma in definitiva, perché controllare l ISC? Dove
DettagliI clienti cambiano assicuratore per avere prezzi migliori, ma restano fedeli se il servizio è di qualità
bonus.ch: indagine di soddisfazione 2013 sulle assicurazioni auto Gli Svizzeri sono soddisfatti del proprio assicuratore auto: il punteggio medio tra tutti gli assicuratori, ottenuto a seguito dell indagine
DettagliRAPPORTO MENSILE ABI Gennaio 2015 (principali evidenze con i dati di fine 2014)
RAPPORTO MENSILE ABI Gennaio 2015 (principali evidenze con i dati di fine 2014) 1. A fine 2014 l'ammontare dei prestiti alla clientela erogati dalle banche operanti in Italia, 1.820,6 miliardi di euro
Dettagli