Costruzione di Modelli Previsionali

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Costruzione di Modelli Previsionali"

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 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

CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI

CAPITOLO 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

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

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

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

COME SVILUPPARE UN EFFICACE PIANO DI INTERNET MARKETING

COME 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

Dettagli

Ricerca di outlier. Ricerca di Anomalie/Outlier

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

Dettagli

Progettaz. e sviluppo Data Base

Progettaz. 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

Dettagli

vendite Come organizzare le informazioni Il Customer Relationship Management nelle Istituzioni Finanziarie Europe

vendite 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

Dettagli

Organizzazione e pianificazione delle attività di marketing

Organizzazione 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

Dettagli

Per visualizzare e immettere i dati in una tabella è possibile utilizzare le maschere;

Per 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

Dettagli

Basi di dati. Concetti introduttivi ESEMPIO. INSEGNAMENTI Fisica, Analisi, Aule. Docenti. Entità Relazioni Interrogazioni. Ultima modifica: 26/02/2007

Basi 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

Dettagli

CORSO ACCESS PARTE II. Esistono diversi tipi di aiuto forniti con Access, generalmente accessibili tramite la barra dei menu (?)

CORSO 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

Dettagli

STATISTICA IX lezione

STATISTICA 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

Dettagli

CRM: IL FUTURO DEL MARKETING ATTRAVERSO LA CONOSCENZA DEL CLIENTE

CRM: 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

Dettagli

DOMANDE a risposta multipla (ogni risposta esatta riceve una valutazione di due; non sono previste penalizzazioni in caso di risposte non corrette)

DOMANDE 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

Dettagli

Leasing secondo lo IAS 17

Leasing 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

Dettagli

Progettazione di Basi di Dati

Progettazione 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

Dettagli

Calcolo del Valore Attuale Netto (VAN)

Calcolo 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

Dettagli

Progetto PI.20060128, passo A.1 versione del 14 febbraio 2007

Progetto 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,

Dettagli

La gestione aziendale, il reddito e il patrimonio

La 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

Dettagli

SysAround S.r.l. L'efficacia delle vendite è l elemento centrale per favorire la crescita complessiva dell azienda.

SysAround 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

Dettagli

Gestione Turni. Introduzione

Gestione 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

Dettagli

Database. Si ringrazia Marco Bertini per le slides

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

Dettagli

L 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 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

Dettagli

Strumenti finanziari Ias n.32 e Ias n.39

Strumenti 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

Dettagli

La gestione del cliente in un ottica di marketing

La 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

Dettagli

Cosa è un foglio elettronico

Cosa 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

Dettagli

VALUTARE GLI EQUILIBRI DELL IMPRESA

VALUTARE 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) +

Dettagli

Detrazioni 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- 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?

Dettagli

ITER Imprese & Territorio

ITER 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,

Dettagli

DIFFERENZIARE LE CAMPAGNE DI MARKETING La scelta del canale adeguato

DIFFERENZIARE 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

Dettagli

La 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 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

Dettagli

Esercitazione relativa al cap. 10 INVESTIMENTI

Esercitazione 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

Dettagli

COMUNICATO STAMPA PUBBLICAZIONE DELLE NUOVE STATISTICHE SUI TASSI DI INTERESSE BANCARI PER L AREA DELL EURO 1

COMUNICATO 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

Dettagli

Corso di. Analisi e contabilità dei costi

Corso 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

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi 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

Dettagli

REALIZZARE UN BUSINESS PLAN CON MICROSOFT EXCEL 2007

REALIZZARE 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

Dettagli

IAS 32 Strumenti finanziari: esposizione nel bilancio d esercizio e informazione integrativa

IAS 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

Dettagli

La BDCR Assilea per la valutazione del profilo di rischio delle imprese

La 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

Dettagli

MService La soluzione per ottimizzare le prestazioni dell impianto

MService 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

Dettagli

Aprire WEKA Explorer Caricare il file circletrain.arff Selezionare random split al 66% come modalità di test Selezionare J48 come classificatore e

Aprire 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.

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

GUIDA - Business Plan Piano d impresa a 3/5 anni

GUIDA - 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

Dettagli

LE CARTE DI CONTROLLO (4)

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

Dettagli

INCREMENTARE LE QUOTE DI MERCATO E LA REDDITIVITÀ

INCREMENTARE 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

Dettagli

IL MARKETING E QUELLA FUNZIONE D IMPRESA CHE:

IL 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

Dettagli

Cap.1 - L impresa come sistema

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

Dettagli

Indagine 2011 Customer Satisfaction. Marzo 2011

Indagine 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

Dettagli

Potenza 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 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

Dettagli

Librerie digitali. Video. Gestione di video. Caratteristiche dei video. Video. Metadati associati ai video. Metadati associati ai video

Librerie 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

Dettagli

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0

4 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

Dettagli

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

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

Dettagli

L assicurazione auto come elemento strategico nello sviluppo della bancassicurazione danni

L 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

Dettagli

Ai fini economici i costi di un impresa sono distinti principalmente in due gruppi: costi fissi e costi variabili. Vale ovviamente la relazione:

Ai 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

Dettagli

Ogni 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 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

Dettagli

Gli utenti del mercato online ebay.it Analisi degli abbandoni

Gli 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

Dettagli

FIRESHOP.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 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

Dettagli

Massimizzazione del profitto

Massimizzazione 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

Dettagli

Vi ricordate quello che abbiamo visto nelle prime lezioni? LA VALUTAZIONE ECONOMICA E FINANZIARIA DEL PROGETTO. L analisi di sensitività

Vi 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

Dettagli

Software per Helpdesk

Software 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

Dettagli

CONTI CORRENTI A CONSUMATORI INDICATORE SINTETICO DI COSTO (ISC) E PROFILI DI OPERATIVITA

CONTI 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,

Dettagli

Testo 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 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

Dettagli

Correttezza. Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1. Dispensa 10. A. Miola Novembre 2007

Correttezza. 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

Dettagli

I 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 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

Dettagli

READY-TO-GO PRODUZIONE

READY-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,

Dettagli

LA 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 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

Dettagli

Cos 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 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

Dettagli

Come capire se la tua nuova iniziativa online avrà successo

Come 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

Dettagli

IAS 40 - OIC 16: Investimenti immobiliari

IAS 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

Dettagli

Area Marketing. Approfondimento

Area 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

Dettagli

Analisi 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 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

Dettagli

LUdeS Informatica 2 EXCEL. Seconda parte AA 2013/2014

LUdeS 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

Dettagli

Shopping online: un italiano su cinque si affida al mobile

Shopping 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

Dettagli

Strutture. Strutture e Unioni. Definizione di strutture (2) Definizione di strutture (1)

Strutture. 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

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

TEMPO E RISCHIO. Il valore del denaro è funzione del tempo in cui è disponibile

TEMPO 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

Dettagli

RAPPORTO CER Aggiornamenti

RAPPORTO 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

Dettagli

In questo manuale sono indicate le procedure per utilizzare correttamente la gestione delle offerte dei fornitori.

In 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

Dettagli

ANALISI DELLE FREQUENZE: IL TEST CHI 2

ANALISI 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

Dettagli

Lorenzo Di Mattia Fund Manager HI Sibilla Macro Fund

Lorenzo 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

Dettagli

Procedura tecnico-statistica per il calcolo dell Indice di Disagio Socioeconomico (IDS)

Procedura 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

Dettagli

Indicatori economico statistici per il direct marketing.

Indicatori 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

Dettagli

Le sfide della nuova direttiva per la centrale di committenza

Le 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

Dettagli

Campaign Management: il caso Vodafone Omnitel. franco.renne@icteam.it

Campaign 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...

Dettagli

Contabilità generale e contabilità analitica

Contabilità 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,

Dettagli

SCENARIO. Personas. 2010 ALICE Lucchin / BENITO Condemi de Felice. All rights reserved.

SCENARIO. 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,

Dettagli

Valutazione degli investimenti aziendali

Valutazione 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

Dettagli

Puoi aumentare la popolarità della tua azienda e singoli prodotti, sia a livello locale che più ampio.

Puoi 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

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

Organizzazione dell azienda farmacia e farmacoeconomia

Organizzazione 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

Dettagli

VALORE DELLE MERCI SEQUESTRATE

VALORE 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

Dettagli

SMS Strategic Marketing Service

SMS 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

Dettagli

Aziende Commerciali e servizi:budget e cash flow per Reparti e Consolidato

Aziende 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,

Dettagli

LA COMBINAZIONE DEI FATTORI PRODUTTIVI CAP. 5

LA 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,

Dettagli

IDENTIFICAZIONE DEI BISOGNI DEL CLIENTE

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

Dettagli

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

ISC. L indicatore sintetico di costo del conto corrente

ISC. 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

Dettagli

I clienti cambiano assicuratore per avere prezzi migliori, ma restano fedeli se il servizio è di qualità

I 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

Dettagli

RAPPORTO 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) 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