Progetto di Data Mining e Scoperta di Conoscenza
|
|
- Eugenio Salvatori
- 5 anni fa
- Visualizzazioni
Transcript
1 Progetto di Data Mining e Scoperta di Conoscenza Università della Calabria UNICAL Dipartimento di Elettronica, Informatica e Sistemistica DEIS Analisi Database Vendita/Assistenza Auto Dott. Giuseppe Manco Ing. Ettore Ritacco
2 Outline Introduzione Problemi Descrizione del database Descrizione generale Descrizione delle tabelle Descrizione delle relazioni tra le tabelle Obiettivi del progetto Task descrittivo Task predittivo Metodologia consigliata
3 Introduzione Si ha a disposizione un DB relativo alla vendita ed all assistenza di automobili (nuove ed usate) I dati provengono da un unica sorgente informativa che raccoglie informazioni su: I soggetti che hanno effettuato l acquisto di un automobile o di un servizio presso le diverse sedi dell azienda; Le automobili ed i servizi forniti; Le campagne promozionali portate avanti dall azienda.
4 Problemi L azienda si pone principalmente due obiettivi: Incrementare le proprie vendite (di auto e/o servizi) attraverso una serie di campagne promozionali mirate ai clienti Determinare i fattori che portano all affiliazione o all abbandono dei clienti
5 Descrizione Preliminare Il database selezionato per i task di mining si basa sul concetto di evento. Ogni customer subisce una serie di eventi di diverso tipo (call, purchase) Ogni evento fa parte di una campagna promozionale che può essere mirata all acquisto di nuove vetture o di un servizio Le risposte di un customer agli eventi sono denominate outcomes Le campagne possono considerare in modo diverso gli outcome: l outcome O è considerato positivo per la campagna C, mentre viene considerato negativo per la campagna C 2
6 Schema relazionale
7 Tabella Wrapped Events Contiene eventi monitorati dal sistema Ogni evento è caratterizzato da Istante di inizio Istante di fine Tipo Riferimento alla campagna promozionale Riferimento alla compagnia Riferimento al customer Riferimento esterno Descrizione Costo
8 Tabella Wrapped Events Campo ID enddate startdate Type Campaign Company Customer ExternalReferences Description EventCost Descrizione Data di fine Data di inizio Tipologia dell evento: {Call, Change Profile, Purchase} Riferimento alla campagna promozionale Riferimento alla compagnia Riferimento al customer Prossima slide Descrizione Costo
9 WrappedEvents & ExternalReferences Ad ogni evento viene associato, tramite la relazione con ExternalReference, un possibile outcome o una fattura (invoice) gistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered class Data Model - w rappedev ents&externalref gistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered w rappedev ents (externalreferences = id) ExternalReferences gistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered (campaign = id) (outcome = id) gistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered Gli outcome considerati negativi per una campagna vengono specificati attraverso la relazione CampaignNegative- Outcome mentre tutti gli altri possibili outcome sono considerati positivi gistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered Campaigns gistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered Outcomes Inv oices gistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered (CAMPAIGN_ID = id) (OUTCOME_ID = id) gistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered gistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered CampaignNegativ eoutcome gistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered gistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered
10 ExternalReference Campo ID Outcome Invoice Descrizione Riferimento ad un outcome Riferimento ad un invoice Outcome Campo ID Value Descrizione Descrizione testuale (chiamata persa, fissato appuntamento, non risponde, ecc.)
11 Campaigns Campo ID Name enddate startdate typeid Campo ID Label Types Descrizione Nome della campagna Data di fine Data di inizio Riferimento ad un tipo Descrizione {Service, Car} class Data Model - wrap... stered Trial Version Campaigns stered Trial Version stered Trial Version (typeid = id) «FK» stered Trial Version stered Trial Version Types stered Trial Version
12 Invoices Ogni fattura è relativa all acquisto di un cliente presso una compagnia Invoices contiene le informazioni aggregate a livello di fattura, mentre InvoicesParts offre informazioni più dettagliate a livello di singoli componenti/servizi acquistati con una stessa fattura class Inv oice View Unregistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered Trial V Unregistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered Trial V Unregistered Trial Version EA 7.5 Unregistered Trial Version (company EA 7.5 = id) Unregistered Trial V Customers Inv oicesparts Unregistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered Trial V (customer = id) (customer = id) Unregistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered Trial V Inv oices Companies Unregistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered Trial V (company = id)
13 Invoices: Descrizione Campo Id Customer Company Goods Area Date Amount Details Descrizione Riferimento al Customer Riferimento alla compagnia {Servizio, Usato, Pezzi di ricambio, Case automobilistiche} VAN=auto nuove VAU=auto usate VAS=servizio VASA=servizio a valore aggiunto VAR=ricambio Data Totale della fattura!! Dettagli in formato testuale
14 InvoicesParts Campo Id Customer Company Goods Area Date Amount Invoice_id Details Descrizione Riferimento al Customer Riferimento alla compagnia {Servizio, Usato, Pezzi di ricambio, Case automobilistiche} VAN=auto nuove VAU=auto usate VAS=servizio VASA=servizio a valore aggiunto VAR=ricambio Data Costo della singola voce Riferimento ad invoice Dettagli in formato testuale
15 Customers Ogni Customer è caratterizzato da un profilo demografico (città, età) ed informazioni aggiuntive (addcustomerinfos) class Customer.5 Unregistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered Trial Vers.5 Unregistered Customers Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered Trial Vers.5 Unregistered Trial Version (customer EA 7.5 = id) Unregistered Trial Version (country EA = id) 7.5 Unregistered Trial Vers.5 Unregistered (customer Trial = id) Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered Trial Vers CustomerCityCountryJoin countries.5 Unregistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered Trial Vers AddCustomerInfos (city = id).5 Unregistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered Trial Vers.5 Unregistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered Trial Vers.5 Unregistered Trial Version EA 7.5 Unregistered Trial Version EA 7.5 Unregistered Trial Vers (city = id) cities
16 Customer Campo Descrizione Id Label - Età Età Acquired Data di registrazione del customer Cities Countries Campo Descrizione Campo Descrizione Id Id Name Nome della città Cap Name City
17 AddCustomerInfos Campo Id Date Customer AcquireDate Km Company lastoffservice Manufacturer Model Newcar ServiceModel servicemanufacturer Descrizione Data modifica profilo Riferimento a customer Data di registrazione Kilometri all ultimo passaggio in officina Riferimento alla compagna Ultima volta che ha fatto un passaggio in officina Produttore dell automobile Modello dell automobile Booleano - Auto nuova? Modello dell auto portata in officina l ultima volta Produttore dell auto portata in officina l ultima volta
18 Obiettivi del progetto Il progetto consiste in due task di mining: Task predittivo (classificazione / regressione) Task descrittivo (clustering)
19 Task predittivo Una campagna promozionale consiste nel contattare un cliente, principalmente attraverso una chiamata telefonica. La campagna ha successo se in seguito alla telefonata il cliente usufruirà della promozione offerta entro un certo lasso di tempo. Gli intervalli di tempo a cui si è interessati sono: mese 3 mesi 6 mesi
20 Task predittivo Il primo task di mining da implementare ha come obiettivo stimare il grado di positività della campagna Più precisamente si è interessati a predire la proficuità (in denaro) dell attuazione di una campagna su un certo cliente (nei periodi di tempo suddetti): Quanto guadagna l azienda se offre una promozione P al cliente X?
21 Task descrittivo Si vuole effettuare una segmentazione della clientela In altre parole si vuole raggruppare utenze con profili di comportamento simili In particolare si è interessati (opzionale) a definire un clustering (gerarchico) basato su: Modellazione anagrafica dei clienti: si raggruppano gli utenti in base alle informazioni relative alla loro anagrafica (residenza, automobili possedute, ecc ) Modellazione comportamentale dei clienti: si raggruppano gli utenti in base alle loro azioni nei confronti dell azienda (utenti base, utenti premium, utenti affiliati, utenti a rischio, utenti persi) L attenzione deve ricadere principalmente sui clienti a rischio di abbandono
22 Metodologia consigliata In letteratura per risolvere il problema di modellazione comportamentale si usa un indice di qualità dei clienti noto come RFM Quanto è importante un cliente? L RFM è una combinazione di tre parametri: Recency, quanto tempo fa l utente ha fatto il suo ultimo acquisto di beni e servizi Frequency ossia la frequenza con cui effettua acquisti di beni e servizi Monetary quanto in totale il cliente ha speso in acquisti di beni e servizi
23 Metodologia consigliata La metodologia che si consiglia è la seguente: Definire una matrice [numeroclienti x (3 * numeroprodotti)] Una riga per ogni cliente Tre colonne per ogni prodotto Una colonna per il valore della recency Una per il valore della frequency Ed una per il monetary value Eseguire gli algoritmi per la segmentazione della clientela sulla struttura dati appena definita
24 Metodologia consigliata
25 Fine Buon lavoro a tutti
ANALISI RFM. Recency Frequency - Monetary. Ijjou Akentour
ANALISI RFM Recency Frequency - Monetary Ijjou Akentour Cos è L analisi RFM è una tecnica utilizzata per scopi di targeting, permette infatti di identificare e classificare i clienti esistenti con l obiettivo
DettagliProgetto ed Implementazione di un Modello Multi-Dimensionale
Progetto ed Implementazione di un Modello Multi-Dimensionale Alfredo Cuzzocrea DEIS Dipartimento di Elettronica, Informatica e Sistemistica Università della Calabria cuzzocrea@deis.unical.it Un Caso di
DettagliConoscere le assicurazioni Gli elementi costitutivi dell assicurazione. Copertina
Copertina 1/21 Indice e obiettivo 2/21 Introduzione In questa lezione vedremo che cos è il rischio e come viene gestito dalla Compagnia assicurativa. Le assicurazioni, infatti, sono nate proprio per aiutare
DettagliBICOOP Churn Analisys
BICOOP Churn Analisys Definizione del concetto di abbandono e creazione di modelli previsionali Mirco Nanni KDD Lab,ISTI-CNR, Pisa mirco.nanni@isti.cnr.it Master MAINS, 6 luglio 2009 Sommario Introduzione
DettagliRegole associative Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Regole associative Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 26/27 Introduzione Le regole associative si collocano tra i metodi di apprendimento non supervisionato e sono volte
DettagliCase Study. Pianificazione di assortimenti e promozioni per la distribuzione al dettaglio
Case Study Pianificazione di assortimenti e promozioni per la distribuzione al dettaglio Il contesto applicativo Analisi di dati relativi alle vendite di una grande catena di supermarket (Coop Toscana-Lazio)
Dettagli(spazio per i docenti)
Politecnico di Milano Facoltà di Ingegneria dell Informazione Metodologie per Sistemi Intelligenti Prof. Lanzi e Ing. Rossini 6 Settembre 2005 COGNOME E NOME (IN STAMPATELLO) MATRICOLA Risolvere i seguenti
DettagliBUSINESS INTELLIGENCE E RETENTION DELLA CLIENTELA IN CARTASI
BUSINESS INTELLIGENCE E RETENTION DELLA CLIENTELA IN CARTASI Marco Bianchi Crema Responsabile Marketing Customer Base CartaSi Milano, 15 aprile 2004 La presentazione La è presentazione stata realizzata
DettagliInformazioni preliminari. BackToWork24 - Via Dell Annunciata, 21 - Milano
Informazioni preliminari BackToWork24 - Via Dell Annunciata, 21 - Milano Profilo Aziendale La mission è trasformare il mercato dell home-service, ossia dei servizi per la cura e manutenzione della casa,
DettagliPROGETTI DI SISTEMI INFORMATIVI DIREZIONALI
PROGETTI DI SISTEMI INFORMATIVI DIREZIONALI Punti chiave di un progetto di SID I SID sono differenti dai SI di supporto alle attività operative QUINDI richiedono approcci alla progettazione diversi Gli
Dettagli2 3 4 5 6 7 8 9 1 21 22 10 20 19 9 18 17 16 15 14 13 12 11 3 5 4 6 7 8 12 13 2 1 11 10 9 1 2 3a 4 3b 14 5 6 13 8 12 10 11 7 9 1 3 2 Questo
DettagliImplementazione degli algoritmi.
Implementazione degli algoritmi. 4.1. Introduzione. In questo capitolo sarà discussa l implementazione software per l ambiente MATLAB 6.1 che è stata fatta degli algoritmi di identificazione presentati
DettagliQuesto simbolo, aggiunto al numero di serie, indica che l apparato risponde pienamente ai requisiti della Direttiva Europea delle Radio e Telecomunicazioni 1999/05/EC, per quanto concerne i terminali radio.
DettagliAnalisi customer sul servizio di Call Center dell URP del Comune di Bari. (periodo di rilascio dal 18/11/2017 al 22/11/2017)
Analisi customer sul servizio di Call Center dell URP del Comune di Bari (periodo di rilascio dal 18/11/2017 al 22/11/2017) 1. ANALISI DESCRITTIVE DEL CAMPIONE Il campione dei rispondenti (N=157) al questionario
DettagliIn questo esempio, lasciare tutti i criteri di Selezione (Selection) vuoti per visualizzare tutte le allerte.
Supporto lavoro Visualizzare i dettagli di un ordine d acquisto IT Step 1. Nel momento in cui si accede al sistema network di monitoraggio prodotti con riordino a terze parti di SAP, viene visualizzato
DettagliSemplice Veloce Personalizzato Informazioni aggiornate.
Semplice Veloce Personalizzato Informazioni aggiornate AC Tecnosoftware è un marchio di AX PROFESSIONAL Via dell Artigianato, 83-32010 Pieve d Alpago BL Tel. +39 0437 983232 - Fax. +39 0437 983222 http://
Dettagli08. Le indagini panel nelle ricerche di mercato
Statistica per le ricerche di mercato A.A. 2013/14 08. Le indagini panel nelle ricerche di mercato 2 Il campionamento ripetuto (panel) 1/2 Un panel è un campione continuativo e permanente, costituito dalle
DettagliQuesto simbolo, aggiunto al numero di serie, indica che l apparato risponde pienamente ai requisiti della Direttiva Europea delle Radio e Telecomunicazioni 1999/05/EC, per quanto concerne i terminali radio.
DettagliLezioni di Ricerca Operativa 2 Dott. F. Carrabs
Lezioni di Ricerca Operativa Dott. F. Carrabs.. 009/00 Lezione 6: - mmissibilità di un vincolo - Vincoli alternativi - Vincoli alternativi a gruppi - Rappresentazione di funzioni non lineari: Costi fissi
DettagliAnalysis Service. Dutto Riccardo IPSI - tel Dutto Riccardo - SQL Server 2008.
SQL Server Business Intelligence Development Studio Analysis Service Dutto Riccardo riccardo.dutto@polito.it IPSI - tel.7991 http://dbdmg.polito.it/ Il Data warehouse Sorgenti dati operazionali DB relazionali
DettagliRispettate sempre la privacy Altrui Questa è una norma di fondamentale importanza per chiunque operi nel settore del radioascolto.
Rispettate sempre la privacy Altrui Questa è una norma di fondamentale importanza per chiunque operi nel settore del radioascolto. Tenete presente che il contenuto delle comunicazioni radio ricevute non
Dettagliesupplier - Guida all Utilizzo
esupplier - Guida all Utilizzo Capitolo 1 Inizio... 2 Menu Principale/ Home Page... 2 Aprire una Nuova Finestra... 2 Allargare e Ridurre la Schermata... 3 Scaricare Files in Excel... 4 Uscire... 4 Capitolo
DettagliFondamenti di Informatica
Fondamenti di Informatica Programmazione in MATLAB Gestione File Grafici E s e rc i t a z i o n i Pe r C a s a P r o f. R a f f a e l e P i z zo l a n t e A. A. 2 0 1 6 / 1 7 Esercitazioni per Casa Indice
DettagliOSM Manutenzione Officine. Versione /05/2018. Pagina 1 di 12
OSM Manutenzione Officine Versione 2.1 18/05/2018 Pagina 1 di 12 COS'E' OSM MANUTENZIONE OFFICINE 1 E' un gestionale open-source personalizzato, dedicato a chi si occupa per la manutenzione officine. E'
DettagliLaboratorio n 7 del Ing. Dario Cogliati
Laboratorio n 7 del 28-11-2017 Ing. Dario Cogliati Es1 DB Assicurazioni Progettare il sistema informativo di una assicurazione. L assicurazione ha clienti con codice fiscale, cognome, nome, indirizzo,
DettagliStatistica per le ricerche di mercato
Università degli studi della Tuscia Dipartimento di Economia e Impresa Statistica per le ricerche di mercato a.a. 2012/13 Dr. Luca Secondi 01. Introduzione al corso 1 Statistica per le ricerche di mercato
DettagliSoluzioni per le Flotte
Soluzioni per le Flotte QUATTRORUOTE PROFESSIONAL: banche dati e soluzioni integrate per il settore delle flotte il valore aggiunto dell offerta quattroruote professional: soluzioni integrate Il nostro
DettagliCORSO DI PERFEZIONAMENTO BIG DATA MANAGEMENT E DATA ANALYTICS
CORSO DI PERFEZIONAMENTO BIG DATA MANAGEMENT E DATA ANALYTICS ANNO ACCADEMICO 2018/2019 SIGNIFICATO E FINALITÀ L attuale era dei Big Data è caratterizzata da una crescita esponenziale di dati, generati
DettagliRaccolta e analisi dei requisiti
Raccolta e analisi dei requisiti Definizione di requisito: asserzione riguardante un servizio del sistema o un vincolo Un asserzione di servizio descrive il modo in cui il sistema deve reagire alle richieste
DettagliCOMUNICATO STAMPA presente sul sito:
COMUNICATO STAMPA presente sul sito: www.unrae.it unione nazionale r a p p r e s e n t an t i autoveicoli esteri I CLIENTI PRIVATI SI ORIENTANO SEMPRE PIU ALL ACQUISTO DELL AUTO USATA DA OPERATORI DI SETTORE
DettagliNew B.E.R. UE 461/2010 Procedura per effettuare i TAGLIANDI durante la GARANZIA della Casa Auto (nei primi 24 mesi)
New B.E.R. UE 461/2010 Procedura per effettuare i TAGLIANDI durante la GARANZIA della Casa Auto (nei primi 24 mesi) In collaborazione con l Ing. Raffaele CARACCIOLO referente AUTOMOTIVE di UNC 29 maggio
DettagliSQL - Structured Query Language
SQL - Structured Query Language Lab 05 Alessandro Lori Università di Pisa 27 Aprile 2012 Riepilogo esercitazione precedente Operatori insiemistici (UNION, INTERSECT, EXCEPT) Riepilogo esercitazione precedente
DettagliIndagine sulla soddisfazione dei clienti che si sono rivolti al call center aziendale
Indagine sulla soddisfazione dei clienti che si sono rivolti al call center aziendale (Delibera ARG/com 164/08 e successive modifiche e integrazioni) II semestre 2015 INTRODUZIONE L indagine è finalizzata
DettagliEstensioni del linguaggio SQL per interrogazioni OLAP
Sistemi Informativi Avanzati Anno Accademico 2012/2013 Prof. Domenico Beneventano Estensioni del linguaggio SQL per interrogazioni OLAP Esempio! Esempio delle vendite con scontrino (nella tabella, per
DettagliEsercitazione: Dalle Specifiche alla Modellazione ER. Roberto Basili a.a. 2011/2012
Esercitazione: Dalle Specifiche alla Modellazione ER Roberto Basili a.a. 2011/2012 Outline! Analisi delle specifiche! Estrazione di entità, attributi e relazioni! Creazione di uno schema relazionale Esempio:
DettagliClassificazione Mario Guarracino Data Mining a.a. 2010/2011
Classificazione Mario Guarracino Data Mining a.a. 2010/2011 Introduzione I modelli di classificazione si collocano tra i metodi di apprendimento supervisionato e si rivolgono alla predizione di un attributo
DettagliManuale NoiPA. NoiPAssicura
Manuale NoiPA NoiPAssicura Versione 1.0 Febbraio 2017 Indice 1 Introduzione... 3 2 Il self service NoiPAssicura... 3 2.1 Requisiti per l utilizzo del servizio... 3 3 Accesso a NoiPAssicura... 4 3.1 Richiesta
DettagliD&B Fast Reports Azienda
D&B Fast Reports D&B Fast Reports Azienda Decidere rapidamente con Internet Decidere in rapidità è una necessità irrinunciabile per essere competitivi. Anche quando si tratta di transazioni frequenti o
DettagliSi considerino le seguenti specifiche relative alla realizzazione di un sistema informativo per un concessionario di automobili.
Compito Sistemi Informativi. Tempo concesso : 90 minuti 19 giugno 2012 Nome: Cognome: Matricola: Crediti: [6] [9] Esercizio 1 (punti 7+2) Si considerino le seguenti specifiche relative alla realizzazione
DettagliSistemi Informativi 01CIT 6 Settembre 2007
Matricola Cognome Nome: Sistemi Informativi 01CIT 6 Settembre 2007 Non e consentito usare appunti, libri o simili. Scrivere solo su questi fogli. 1 Modellare( con UML activity diagram) il seguente processo
DettagliABI Dimensione Cliente 2014
ABI Dimensione Cliente 2014 Comportamenti finanziari e bisogni dei clienti, redditività: modelli per un approccio efficiente al Marketing L esperienza vissuta nel gruppo di lavoro Cedacri Matteo Venesio
DettagliGLI ALBERI DELLA QUALITÀ
GLI ALBERI DELLA QUALITÀ Per la definizione degli alberi della qualità, ovvero di quegli elementi del che condizionano la percezione - e quindi il giudizio - degli utenti, si è partiti dalla distinzione
DettagliNOME: DATA DI NASCITA: SCUOLA: NAZIONE:
NOME: DATA DI NASCITA: SCUOLA: NAZIONE: CODICE NUMERICO: Istruzioni: (1) Scrivi le tue risposte in fogli separati. Unisci i fogli con la puntatrice alla fine. (2) Puoi usare penna o matita, penne colorate
DettagliINTRODUZIONE ALLA PROGRAMMAZIONE AD ALTO LIVELLO IL LINGUAGGIO JAVA. Fondamenti di Informatica - D. Talia - UNICAL 1. Fondamenti di Informatica
Fondamenti di Informatica INTRODUZIONE ALLA PROGRAMMAZIONE AD ALTO LIVELLO IL LINGUAGGIO JAVA Fondamenti di Informatica - D. Talia - UNICAL 1 Fondamenti di Informatica - Programma Un programma è una formulazione
DettagliINTRODUZIONE ALLA PROGRAMMAZIONE AD ALTO LIVELLO IL LINGUAGGIO JAVA. Fondamenti di Informatica - Programma
Fondamenti di Informatica INTRODUZIONE ALLA PROGRAMMAZIONE AD ALTO LIVELLO IL LINGUAGGIO JAVA Fondamenti di Informatica - D. Talia - UNICAL 1 Fondamenti di Informatica - Programma Un programma è una formulazione
DettagliCorso di Informatica. Access. Struttura tabella. Tabelle - esempi 11/01/2008
Corso di Informatica Ing. Dario Sguassero Access Accessè un programma specializzato nella gestione dei database Un database è una raccolta di informazioni organizzate Un database di Access è costituito
DettagliNew B.E.R. UE 461/2010 Procedura per effettuare i TAGLIANDI durante la GARANZIA della Casa Auto (nei primi 24 mesi)
New B.E.R. UE 461/2010 Procedura per effettuare i TAGLIANDI durante la GARANZIA della Casa Auto (nei primi 24 mesi) In collaborazione con l Ing. Raffaele CARACCIOLO referente AUTOMOTIVE di UNC 29 maggio
DettagliCar Folio Reports Guida all'aggiornamento del prodotto
Car Folio Reports Guida all'aggiornamento del prodotto American Express @Work Reporting Copyright 2007 American Express Travel Related Services, Inc. Tutti i diritti riservati 1 Indice Sezione Pagina Car
DettagliGESTIONE MAGAZZINO 1
GESTIONE MAGAZZINO 1 Un azienda vuole automatizzare la procedura di gestione delle scorte del suo magazzino di prodotti organizzato per reparti. Il sistema informativo deve essere in grado di : produrre
DettagliSQL Server Business Intelligence Development Studio. SQL Server BI Development Studio. SQL Server BI Development Studio *Analysis Services*
SQL Server Business Intelligence Development Studio Analysis Service Dutto Riccardo http://dbdmg.polito.it/ SQL Server BI Development Studio Analysis Services Operazioni OLAP Creazione di dimensioni Creazione
DettagliCorso di Informatica
Corso di Informatica Modulo T1 A1 Gli oggetti reali 1 Prerequisiti Corso programmazione base Compito di una funzione Strutture di controllo 2 1 Introduzione Il mondo reale è popolato di oggetti, ciascuno
DettagliCRM I E D I Z I O N E - A P R I L E
CRM ANALYST M a s t e r I E D I Z I O N E - A P R I L E 2 0 1 9 C R M A N A L Y S T I l C R M A n a l y s t è i n g r a d o d i e s t r a r r e v a l o r e d a l l e i n f o r m a z i o n i c h e c i a
DettagliSQL Server Business Intelligence Development Studio
SQL Server Business Intelligence Development Studio Analysis Service Dutto Riccardo http://dbdmg.polito.it/ SQL Server BI Development Studio Analysis Services Operazioni OLAP Creazione di dimensioni Creazione
Dettaglix ;x Soluzione Gli intervalli di confidenza possono essere ottenuti a partire dalla seguente identità: da cui si ricava: IC x ;x = +
ESERCIZIO 6.1 Si considerino i 0 campioni di ampiezza n = estratti da una popolazione X di N = 5 elementi distribuiti normalmente, con media µ = 13,6 e σ = 8,33. A partire dalle 0 determinazioni della
DettagliI servizi del SITR-IDT
I servizi del SITR-IDT Sistema Informativo Territoriale Regionale (SITR-IDT) Titolo Creatore I servizi del SITR-IDT SITR Data 05/02/10 Soggetto Tipo Editore Descrizione Autori Formato Riferimento Diritti
DettagliAppunti lezione 01/12/2016 Giovedì (pomeriggio) Mattia Marzano, Annicchiarico Cristian
Appunti lezione 01/12/2016 Giovedì (pomeriggio) Mattia Marzano, Annicchiarico Cristian Si analizzi il seguente caso di studio: Una nuova compagnia aerea vuole offrire un servizio di prenotazione e di acquisto
DettagliIl calcolo del VAR operativo mediante la metodologia stocastica parametrica. Simona Cosma
Il calcolo del VAR operativo mediante la metodologia stocastica parametrica Simona Cosma Contenuti Il VAR operativo: inquadramento concettuale La metodologia attuariale EVT (Extreme Value Theory) Il VAR
DettagliIL MANUALE PER IL CONSULENTE SAP
GLI E-BOOK DI SI-SOFT INFORMATICA IL MANUALE PER IL CONSULENTE SAP - COMPLETO - 2 INDICE Navigazione sul gestionale SAP pag. 4 Introduzione progetti SAP pag. 35 Le fasi di un progetto SAP pag. 72 Le figure
DettagliData Mining2 Advanced Aspects and Applications
Data Mining2 Advanced Aspects and Applications Fosca Giannotti and Mirco Nanni Pisa KDD Lab, ISTI-CNR & Univ. Pisa http://www-kdd.isti.cnr.it/ DIPARTIMENTO DI INFORMATICA - Università di Pisa anno accademico
DettagliIl presente plico contiene 3 esercizi e deve essere debitamente compilato con cognome e nome, numero di matricola.
Politecnico di Milano Facoltà di Ingegneria Industriale INFORMATICA B Appello 2 Settembre 2013 COGNOME E NOME RIGA COLONNA MATRICOLA Spazio riservato ai docenti Il presente plico contiene 3 esercizi e
DettagliIl valore del Filo d Argento
Il valore del Filo d Argento Report delle attività svolte in applicazione della Deliberazione della Giunta Regionale della Lombardia N X/1185 del 20/12/ 2013 Le attività svolte in Lombardia nel periodo
DettagliLaboratorio di Algoritmi e Strutture Dati
Laboratorio di Algoritmi e Strutture Dati Docente: Camillo Fiorentini 8 gennaio 8 Il problema è simile all esercizio 5.6 del libro di testo di algoritmi (Introduzione agli algoritmi e strutture dati, T.
DettagliTerm: Billing ID What it means: Il Billing ID è un codice di riferimento che puoi utilizzare per trovare i dettagli del cliente in Commerce Interface. Se ti occorrono ulteriori istruzioni su come usare
DettagliCorso di Perfezionamento
Programmazione Dinamica 1 1 Dipartimento di Matematica e Informatica Università di Camerino 15 febbraio 2009 Tecniche di Programmazione Tecniche di progettazione di algoritmi: 1 Divide et Impera 2 Programmazione
DettagliApplicazioni della SVD
Applicazioni della SVD Gianna M. Del Corso Dipartimento di Informatica, Università di Pisa, Italy 28 Marzo 2014 1 Le applicazioni presentate 2 Text Mining 3 Algoritmo di riconoscimento di volti Le Applicazioni
DettagliCompito Sistemi Informativi LA. Tempo concesso : 90 minuti 28 Giugno 05 Nome: Cognome: Matricola: Esercizio 1
Compito Sistemi Informativi LA. Tempo concesso : 90 minuti 28 Giugno 05 Nome: Cognome: Matricola: Esercizio 1 Si considerino le seguenti specifiche relative alla realizzazione del sistema informativo di
DettagliMASTER UNIVERSITARIO
MASTER UNIVERSITARIO I Analisi Dati per la Business Intelligence e Data Science in collaborazione con Gestito da: V edizione 2016/2017 Dipartimento di Culture, Politica e Società Dipartimento di Informatica
DettagliLEZIONE BASI DI DATI I 22/10/2008 XML
LEZIONE BASI DI DATI I 22/10/2008 XML Il linguaggio XML (Extended Markup Language) è uno standard per la strutturazione dei dati sul web. A differenza di html, che è utilizzato per formattare documenti
DettagliJaguar10pp.qxd :36 Pagina 3 JAGUAR FIRENZE
JAGUAR FIRENZE Un mondo completamente nuovo tra fascino e tecnologia. LE CONCESSIONARIE. Una presenza consolidata nel campo degli autoveicoli e una filosofia sempre tesa a soddisfare ogni desiderio del
DettagliVerticale per la gestione dei servizi
Verticale per la gestione dei servizi GeKoM è un software verticale sviluppato per gestire ed organizzare servizi come contratti e interventi tecnici. Da un paio d anni, questo software è diventato indispensabile
DettagliSostenere nel tempo la relazione con il cliente attraverso la multicanalità
Sostenere nel tempo la relazione con il cliente attraverso la multicanalità Carlo Panella Milano, 12 marzo 2008 Agenda Premessa: la generazione del valore Ad ogni cliente un livello di servizio Strategia
DettagliCimino - Informatica per la Logistica Lezione 3 - slide 16 di 23
Il Parallel Gateway 1 non ha condizioni logiche associate. Viene usato per sincronizzare flussi paralleli (in ingresso) e per creare flussi paralleli (in uscita). Si attende che tutti i token in ingresso
DettagliCentri Provinciali per l Istruzione degli Adulti
Centri Provinciali per l Istruzione degli Adulti degli Studenti Versione 1.0 Ottobre 2017 Direzione generale per gli studi, la statistica e i sistemi informativi CPIA Le funzioni fornite agli istituti
DettagliLe scelte strategiche Segmentazione e posizionamento
UNIVERSITA DEGLI STUDI DI NAPOLI PARTHENOPE DIPARTIMENTO DI STUDI AZIENDALI E QUANTITATIVI MODULO DI DIDATTICA DEL MARKETING 16-19/05/2014 Le scelte strategiche Segmentazione e posizionamento michele.simoni@uniparthenope.it
DettagliClass diagram COMPORTAMENTO associazioni
Class diagram Rappresenta le classi che compongono il sistema, cioè le collezioni di oggetti, ciascuno con il proprio stato e COMPORTAMENTO (attributi ed operazioni) Specifica, mediante associazioni, le
DettagliI Componenti del processo decisionale 7
Indice Introduzione 1 I Componenti del processo decisionale 7 1 Business intelligence 9 1.1 Decisioni efficaci e tempestive........ 9 1.2 Dati, informazioni e conoscenza....... 12 1.3 Ruolo dei modelli
DettagliUniversità degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) Secondo Parziale - 11 Giugno 2018
DIPARTIMENTO DI INGEGNERIA GESTIONALE, DELL INFORMAZIONE E DELLA PRODUZIONE Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) Secondo Parziale - 11 Giugno 2018 Nome: Cognome: Matricola:
DettagliManuale NoiPA. Detrazioni familiari a carico
Manuale NoiPA Detrazioni familiari a carico Versione 1.0 Ottobre 2017 Indice 1 Introduzione... 3 2 Il self service Detrazioni familiari a carico... 3 2.1 Requisiti per l utilizzo del servizio... 4 3 Accesso
DettagliUML2. Concetti base. Andrea Polini. Laboratorio di Ingegneria del Software Corso di Laurea in Informatica L31 Università di Camerino
UML2 Concetti base Andrea Polini Laboratorio di Ingegneria del Software Corso di Laurea in Informatica L31 Università di Camerino (Labortorio di Ingegneria del Software) UML2 - Concetti Base 1 / 12 Cos
DettagliBuyer della grande distribuzione organizzata
identificativo scheda: 33-006 stato scheda: Validata Descrizione sintetica Il Buyer si occupa delle attività di approvvigionamento dei beni e dei servizi fondamentali allo svolgimento delle attività nell
DettagliBOLLETTINO CAMPAGNA DI SICUREZZA
Data: 07-05 - 2010 Oggetto: Dati su carico pedana Modelli e numeri di serie interessati: Z-80: da Z80-101 a Z8009-2448 Tempo richiesto: 30 minuti Problema: Genie Industries ha riscontrato che sulle macchine
Dettaglie-shop Ordina online i tuoi prodotti con pochi e semplici clic!
Ordina online i tuoi prodotti con pochi e semplici clic! ACQUISTI IMPERO ONLINE GUIDA UTENTE Introduzione e-shop, il sito web per gli acquisti Impero online e-shop garantisce l accesso a 10 000 articoli
DettagliL APPROCCIO AL CLIENTE 4 TECNICHE DI VENDITA 5 NEGOZIARE E PERSUADERE 6 IL COMPORTAMENTO EFFICACE NELLA VENDITA 7
Sommario TECNICHE DI VENDITA 4 L APPROCCIO AL CLIENTE 4 TECNICHE DI VENDITA 5 TECNICHE DI VENDITA 5 TECNICHE DI VENDITA 6 NEGOZIARE E PERSUADERE 6 TECNICHE DI VENDITA 7 IL COMPORTAMENTO EFFICACE NELLA
DettagliPer la descrizione dei comandi MATLAB verranno usate le seguenti convenzioni.
AMATLAB A.1 Introduzione MATLAB (abbreviazione di MATrix LABoratory) è un software sviluppato da The MathWorks Inc. È diffusamente utilizzato per risolvere problemi computazionali nell analisi e progettazione
DettagliPiattaforma Applicativa Gestionale. Documentazione Fastpatch nr. 297 Release 6.5
Piattaforma Applicativa Gestionale Documentazione Fastpatch nr. 297 Release 6.5 Numero Fastpatch Release Numero 6.5 297 Segnalazione Miglioria M7574 Modulo Argomento Descrizione VEND Gestione documenti
DettagliUso di base dell ordinamento di dati in Microsoft Excel
Uso di base dell ordinamento di dati in Microsoft Excel L ordinamento dei dati Un foglio elettronico fornisce una funzionalità di ordinamento dei dati che si trovano nelle colonne o nelle righe. Ordinare
DettagliCorso di. Basi di Dati I. 2. Il modello relazionale
Corso di Basi di Dati 2. Il modello relazionale A.A. 2016 2017 Il modello relazionale Il modello relazionale prevede che una base di dati sia organizzata essenzialmente in forma di tabelle. Il punto di
DettagliSQL Server BI Development Studio. SQL Server Business Intelligence Development Studio. Analysis Services
SQL Server Business Intelligence Development Studio Analysis Service Dutto Riccardo Analysis Services Operazioni OLAP Creazione di dimensioni Creazione e interrogazione di cubi Operazioni di Data Mining
DettagliServizio WEB. Legnano Termosanitaria. Guida di base all utilizzo.
Servizio WEB 2013 Legnano Termosanitaria Guida di base all utilizzo www.legnanotermosanitaria.it SERVIZIO WEB LEGNANOTERMOSANITARIA.IT Guida per l utente Premessa Benvenuti nel servizio Web offerto da
DettagliSegmentazione e posizionamento
Segmentazione e posizionamento Obiettivi della lezione La segmentazione e la definizione del mercato obiettivo Il posizionamento competitivo Perché segmentare il mercato? Per suddividere il mercato di
DettagliLa sfida dei Big Data
copyright - Paolo Garza - Tutti i diritti riservati La sfida dei Big Data Laboratorio #3 Data mining: Algoritmi di clustering Obiettivo Applicare algoritmi di data mining per effettuare il clustering di
DettagliSistemi informativi aziendali struttura e processi
Sistemi informativi aziendali struttura e processi ERP: L area acquisti Copyright 2011 Pearson Italia Srl Obiettivi Funzioni base dei sistemi per il flusso passivo Definire le condizioni commerciali dei
DettagliInformazioni preliminari AZIENDA B5
Informazioni preliminari AZIENDA B5 28 Settembre 2017 h.17.00 Il Sole 24 Ore - Via Monte Rosa 91 - Milano Profilo aziendale La società, fondata nel 2015, è attiva nel settore dell e-commerce e si occupa
DettagliModelli matematici e Data Mining
Modelli matematici e Data Mining Introduzione I modelli matematici giocano un ruolo critico negli ambienti di business intelligence e sistemi di supporto alle decisioni. Essi rappresentano un astrazione
DettagliProgetto PI , passo A.1 versione del 6 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.20050704,
DettagliSegmentazione e Marketing 121
Segmentazione e Marketing 121 Corso di Laurea in Informatica per il Management Università di Bologna Andrea De Marco Segmentazione Cosa Significa? Usiamo la parola "segmentazione" per definire il processo
DettagliUn algoritmo è costituito da una serie di passaggi che portano alla risoluzione di un problema.
Algoritmi e Problem Solving Algoritmo Un algoritmo è costituito da una serie di passaggi che portano alla risoluzione di un problema. 1) I passaggi devono tener conto di vincoli imposti dal problema 2)
Dettagli