Statistica per l’Analisi Organizzativa
Università Commerciale L. Bocconi
Anno Accademico 2006-2007
Bruno Scarpa
21 settembre 2006
le aziende
21 settembre 2006
statistica in azienda
Diversi livelli di coinvolgimento della statistica nel „fare business“
focus sui prodotti
Analisi di
marketing:
“reports” e
statistiche
descrittive di
base
Supporto
all’uomo di
marketing:
aiuto
quantitativo
alle idee di
marketing
Fare analisi e
proporre
idee: è il
motore delle
azioni di
marketing
Guida
commerciale
e tecnologica
focus sul cliente
Strumenti: Reports
Tabelle
Semplici indicatori
21 settembre 2006
Reports
Tabelle
Semplici indicatori
Semplici modelli
Tabelle
Indicatori/tassi
Modelli
Data mining
Modelli Statistici
Data mining
Reports
Tabelle
Indicatori
Customer base: approccio strategico
Un unico obiettivo
Aumentare il Customer Lifetime Value
attraverso la riduzione del churn
e l’aumento dell’ARPU
… attraverso
PROFILING &
SEGMENTATION
Identificare i potenziali “churners”
Massimizzare la soddisfazione dei clienti
Focalizzarsi su target per cross e up sell
21 settembre 2006
Ridurre il churn
Massimizzare il
valore del cliente
Customer Relationship Management
Identificare
Realizzare
Praticare
tutte le attività necessarie a garantire il
processo di attenzione e fidelizzazione
dell’individuo verso l’azienda e la sua
offerta di prodotti e servizi
e, conseguentemente
la massimizzazione delle opportunità di
business attraverso la soddisfazione
costante dei bisogni
21 settembre 2006
Profiling
Identificare
Classificare
Acquisire
Gestire
tutte le informazioni che consentono la
conoscenza e l’analisi del proprio target di
riferimento
e, conseguentemente
la realizzazione di prodotti e servizi ad elevata
probabilità di soddisfazione dei suoi bisogni
sources
21 settembre 2006
analysis
mgmnt
VALORE DEL CLIENTE
100%
Customer base: segmentazione di base
MASSIMIZZARE
IL VALORE
COSTRUIRE
FELDELTA’
DIFFERENZIAZIONE DEI SERVIZI
INBOUND & OUTBOUND
SCHEMA DI LOYALTY (Incentivi)
BLOCCHI (Disincentivi alla fuga)
AZIONI A BASSO
COSTO/ NO
PROMOZIONI
0%
NON COSTI AGGIUNTIVI PER LA
GESTIONE DEL CLIENTE
AZIONI DI “MASSA”
0%
OPERATORE CC PERSONALE
NUOVI VAS
MEMBER GETS MEMBER
CURA & ATTENZIONE
AUMENTARE IL
VALORE
AZIONI DI UP / CROSS SELL
INCENTIVARE L’USO
INCENTIVARE ATTIVAZIONE DI
VAS
FEDELTA’ DEL CLIENTE
…ALLA CONCORRENZA!
21 settembre 2006
100%
100%
L’approccio di crm
OBIETTIVI
AZIONI
ANALISI
(PROFILING)
DATI
“GREZZI”
Generazione di profitti attraverso l’acquisizione di clienti ad alto valore, la creazione di
valore e un’attenta politica di “cost to serve”
4Acquisizione di clienti (conversione di prospect in clienti)
4Aumento del valore dei clienti attraverso azioni di cross-sell e di up-sell
4“trattenere” i clienti (retention)
4Attenzione al “cost to serve”
4Campagne
4Programmi di “Loyalty”
4Personalizzazione dei Servizi
4Gestione dei canali di contatto
4(sviluppo di nuovi prodotti)
4Analisi di dati sui clienti
4Segmentazione & micro-segmentazione
4Suggerimenti sui bisogni e le preferenze
dei clienti
CUSTOMER DATA
4ID (nome, indirizzo, num. di telefono, piano tariffario...)
4Dati Demografici (età, città, ...)
4Dati Socio-economici (reddito, professione, titolo di
studio, classe di valore, ...)
4Dati Psicografici (ambiente, preferenze, hobbies, ...)
4Patterns d’uso (spesa telefonica, servizi usati e
frequenza, ...)
21 settembre 2006
4Analisi delle propensioni sui “contatti”
•Uso dei canali
•Ragioni di contatto
4Esperienza del cliente per ogni canale (CC, Portale,chat,
Messaging, Dealers)
4Efficienza del Customer Care
4Storia dei contatti del cliente
•Uso dei canali
•Motivo di contatto
•Numero di contatti
DATI SUI LIVELLI DI SERVIZIO DEI CANALI
...
L’approccio di crm
OBIETTIVI
AZIONI
ANALISI
(PROFILING)
DATI
“GREZZI”
Generazione di profitti attraverso l’acquisizione di clienti ad alto valore, la creazione di
valore e un’attenta politica di “cost to serve”
4Acquisizione di clienti (conversione di prospect in clienti)
4Aumento del valore dei clienti attraverso azioni di cross-sell e di up-sell
4“trattenere” i clienti (retention)
4Attenzione al “cost to serve”
4Campagne
4Programmi di “Loyalty”
4Personalizzazione dei Servizi
4Gestione dei canali di contatto
4(sviluppo di nuovi prodotti)
4Analisi di dati sui clienti
4Segmentazione & micro-segmentazione
4Suggerimenti sui bisogni e le preferenze
dei clienti
CUSTOMER DATA
4ID (nome, indirizzo, num. di telefono, piano tariffario...)
4Dati Demografici (età, città, ...)
4Dati Socio-economici (reddito, professione, titolo di
studio, classe di valore, ...)
4Dati Psicografici (ambiente, preferenze, hobbies, ...)
4Patterns d’uso (spesa telefonica, servizi usati e
frequenza, ...)
21 settembre 2006
4Analisi delle propensioni sui “contatti”
•Uso dei canali
•Ragioni di contatto
4Esperienza del cliente per ogni canale (CC, Portale,chat,
Messaging, Dealers)
4Efficienza del Customer Care
4Storia dei contatti del cliente
•Uso dei canali
•Motivo di contatto
•Numero di contatti
DATI SUI LIVELLI DI SERVIZIO DEI CANALI
...
*costa poco rilevare dati in modalità
automatica
*costa poco immagazzinare
sempre più grandi
dati in data-base
Contesti rilevanti:
* data-base aziendali (customer-base, CRM, ...) soprattutto per
telefoniche, banche e assicurazioni, grande distribuzione (cfr
carte fedeltà)
* ambito scientifico: microarrays, radiotelescopi, fisica delle
alte energie
* tecnologie varie: telerilevazione, riconoscimento vocale,
OCR, etc.
* dati non strutturati
- text-mining (motori di ricerca web)
21 settembre 2006
Il DWH
Esempio: TLC
Dati sui VAS &
Killer
Applications
Dati di Billing
Offerta della
pagine/ contenuti
web(es. page views,
Dati di
traffico
da web
unique visitors, ...)
Dati raccolti attraverso il web
(questionari, indagini e
comportamenti dei visitatori)
Dati sulle e-mail
Dati di traffico telefonico
Dati sulle communities
Dati sulle attivazioni (e.g.
Data di sottoscrizione del
contratto, Tipo di
contratto, Piano tariffario,
...)
Informazioni sociodemografiche
...
...
...
21 settembre 2006
Dati sui
costi
DWH
Dati e indici
ottenuti dalle
analisi della CB
Dati sui “gravi errori”
che l’azienda compie
nella gestione di clienti
(es. errori dibilling, ...)
Altri dati sui servizi a
valore aggiunto (interni
e sui siti “amici”)
Dati dal CRM
operativo
Dati sul Campaign Management
& storia dei contatti di
Marketing
Ricerce di mercato e dati esterni
Dati sui programmi di
Loyalty
*il data-base disponibile è enorme!
è quindi opportuno:
- tener conto degli obiettivi delle analisi
- non concentrarsi solo su da dove e come
raccogliere informazioni
- utilizzare estrazioni di parti del data-base
diverse a seconda degli obiettivi
Ad esempio:
* Nel datamart per la previsione della disattivazione, è più utile tenere
l’informazione sugli errori di fatturazione rispetto ai dettagli sociodemografici
* Campioni casuali di clienti possono essere molto utili
21 settembre 2006
L’approccio di crm
OBIETTIVI
AZIONI
ANALISI
(PROFILING)
DATI
“GREZZI”
Generazione di profitti attraverso l’acquisizione di clienti ad alto valore, la creazione di
valore e un’attenta politica di “cost to serve”
4Acquisizione di clienti (conversione di prospect in clienti)
4Aumento del valore dei clienti attraverso azioni di cross-sell e di up-sell
4“trattenere” i clienti (retention)
4Attenzione al “cost to serve”
4Campagne
4Programmi di “Loyalty”
4Personalizzazione dei Servizi
4Gestione dei canali di contatto
4(sviluppo di nuovi prodotti)
4Analisi di dati sui clienti
4Segmentazione & micro-segmentazione
4Suggerimenti sui bisogni e le preferenze
dei clienti
CUSTOMER DATA
4ID (nome, indirizzo, num. di telefono, piano tariffario...)
4Dati Demografici (età, città, ...)
4Dati Socio-economici (reddito, professione, titolo di
studio, classe di valore, ...)
4Dati Psicografici (ambiente, preferenze, hobbies, ...)
4Patterns d’uso (spesa telefonica, servizi usati e
frequenza, ...)
21 settembre 2006
4Analisi delle propensioni sui “contatti”
•Uso dei canali
•Ragioni di contatto
4Esperienza del cliente per ogni canale (CC, Portale,chat,
Messaging, Dealers)
4Efficienza del Customer Care
4Storia dei contatti del cliente
•Uso dei canali
•Motivo di contatto
•Numero di contatti
DATI SUI LIVELLI DI SERVIZIO DEI CANALI
...
Alcuni problemi
acquisizione della clientela
prospect
→Raggiungere
→Trovare
una soglia minima di clienti ASAP
e attrarre i clienti giusti: quanto spendere per ciascun diverso cliente
potenziale?
Scoprire frodi di sottoscrizione
→determinare
domande di sottoscrizione fraudolente
profittabilità dei clienti
valore del cliente
„dormienti“ e share of wallet
monitoraggio e management del rischio
→Determinare
21 settembre 2006
e ottimizzare i parametri di rischio
Alcuni problemi
Customer profiling
fedeltà
approccio predittivo
→modelli di previsione del churn
cosa ciascun cliente vuole?
come contattare ogni cliente?
attrito e retention
→Modellazione
chi sono i clienti?
e determinazione e delle
valutazione delle azioni
principali cause
azioni: programmi di
Spesso non è possibile effettuare
esperimenti caso-controllo
loyalty/campagne/up sell-cross sell
→I
relazione col cliente
→Personalizzazione
contatto
21 settembre 2006
clienti sono autoselezionati
Valutare a posteriori alcune azioni
dell‘attenzione e del
→Stima
gli effetti delle azioni
condizionatamente all’effetto di tutte le
altre variabili
L’approccio di crm
OBIETTIVI
AZIONI
ANALISI
(PROFILING)
DATI
“GREZZI”
Generazione di profitti attraverso l’acquisizione di clienti ad alto valore, la creazione di
valore e un’attenta politica di “cost to serve”
4Acquisizione di clienti (conversione di prospect in clienti)
4Aumento del valore dei clienti attraverso azioni di cross-sell e di up-sell
4“trattenere” i clienti (retention)
4Attenzione al “cost to serve”
4Campagne
4Programmi di “Loyalty”
4Personalizzazione dei Servizi
4Gestione dei canali di contatto
4(sviluppo di nuovi prodotti)
4Analisi di dati sui clienti
4Segmentazione & micro-segmentazione
4Suggerimenti sui bisogni e le preferenze
dei clienti
CUSTOMER DATA
4ID (nome, indirizzo, num. di telefono, piano tariffario...)
4Dati Demografici (età, città, ...)
4Dati Socio-economici (reddito, professione, titolo di
studio, classe di valore, ...)
4Dati Psicografici (ambiente, preferenze, hobbies, ...)
4Patterns d’uso (spesa telefonica, servizi usati e
frequenza, ...)
21 settembre 2006
4Analisi delle propensioni sui “contatti”
•Uso dei canali
•Ragioni di contatto
4Esperienza del cliente per ogni canale (CC, Portale,chat,
Messaging, Dealers)
4Efficienza del Customer Care
4Storia dei contatti del cliente
•Uso dei canali
•Motivo di contatto
•Numero di contatti
DATI SUI LIVELLI DI SERVIZIO DEI CANALI
...
Modelli statistici e data mining
4Utilizzo di tecniche e metodologie statistiche di vario tipo e di
diverso livello di complessità
4L’approccio è graduale: si parte da soluzioni e metodologie
semplici e poi man mano ci si sposta su modelli e strumenti più
sofisticati (KISS = Keep It Simple. Sam!)
4È preferibile non affidarsi a soluzioni automatiche (black box) che
propongono “schiaccia il bottone e il computer farà tutto da solo”
(la proposta tipica dei tools in vendita)
4Data mining: Insieme di tecniche statistiche (e non) per la stima
di modelli non-lineari per grosse quantità di dati, ma caratterizzate
da ridotta complessità computazionale.
21 settembre 2006
Definizione abbastanza condivisa:
'Data mining' rappresenta l'attività di
elaborazione in forma grafica o numerica di
grandi raccolte o di flussi continui di dati con
lo scopo di estrarre informazione utile a chi
detiene i dati stessi.
*ma di fatto ognuno la vive in modo diverso
*soprattutto in aree disciplinari diverse
21 settembre 2006
Voci autorevoli:
Data mining is fundamentally an applied
discipline (...)
data mining requires an understanding of both
statistical and computational issues. (p. xxviii)
The most fundamental difference between classical
statistical applications and data mining is the
size of the data.
(p. 19)
[da Hand, Mannila & Smith, 2001]
21 settembre 2006
Aspetti salienti:
•la dimensione dei dati lievita
(qui n.righe ~ 103/106, n.colonne ~ 102/103)
* ambito osservazionale
* ma non esiste un "piano campionamento";
semplicemente i dati "esistono“
* dati raccolti per esigenze gestionali
non per scopi di analisi
* i dati sono sporchi, anzi luridi
* campioni o censimenti?
21 settembre 2006
o simili,
Di cosa ci occuperemo?
Gli interrogativi:
come costruire l’informazione in azienda?
come interpretarla?
come utilizzarla?
come analizzarla?
Cosa studieremo:
insieme di metodi e tecniche statistiche specificamente pertinenti per lo
studio empirico-quantitativo dei fenomeni aziendali.
Caratteristiche specifiche
(a) In questo contesto non è, in generale, possibile la sperimentazione
controllata. Si ha invece osservazione in condizioni non sperimentali
(b) la ‘teoria’ disponibile sul comportamento economico o sociale può fornire
informazioni a priori, che conviene utilizzare:
•
identità contabili [es. 1: reddito = consumo + risparmio];
•
specificazione di relazioni funzionali [es. 2: funzione di consumo:
consumo = f(reddito, ricchezza, …)];
•
restrizioni sui parametri e/o sulla distribuzione degli errori [es. 3:
consumo = α + β reddito + ε, con 0<β<1].
21 settembre 2006
Il target potenziale
•L’ufficio marketing di un’azienda italiana
che offre servizi Internet è interessato a
conoscere qual è la presenza attuale del
suo prodotto (la connessione a internet) in
Italia.
•Interessa inoltre avere delle previsioni su
quale sarà la percentuale di famiglie connesse
alla rete nel prossimo anno.
•Qual è il target potenziale, il massimo numero
di possibili clienti del prodotto? Qual è il
margine su cui è possibile agire?
•Come si posiziona l’azienda tra i competitors?
E’ conosciuta dai potenziali clienti?
Target potenziale
21 settembre 2006
Esempio 2: la customer base
•Il direttore marketing di un’azienda
di telecomunicazioni vuole avere ogni
giorno sotto controllo l’andamento
delle vendite del giorno precedente
ma anche l’utilizzo medio del
serivizio dei suoi clienti.
•Quando il numero dei clienti diventa
grande è importante che siano bene
identificati i clienti “migliori”, in
modo da trattarli meglio. Come
sceglierli?
21 settembre 2006
customer base: il churn
Modellare la disattivazione:
costruire, validare, interpretare un modello che
descriva il comportamento degli utenti in termini di
disattivazione in relazione ad altre variabili note
Perché?
Per descrivere il fenomeno
Per prevedere i potenziali futuri disattivi
Per predisporre azioni
Per verificare l’efficacia di operazioni di
marketing/Customer Operation
21 settembre 2006
customer base: il churn
Le fonti
Aziendali: (“DWH”, database operazionali, …)
•Per tutti i clienti
•Informazioni su
traffico
Altre fonti: Ricerche di mercato
•Per un piccolo campione “casuale” di clienti
•Informazioni su
servizi opzionali
comportamenti
comportamento del cliente
stili di vita
reclami-rapporti con customer care
motivi della disattivazione
azioni di marketing/customer care
tempi della scelta
fatture/ricariche
dati demografico/anagrafici
21 settembre 2006
•ottenuti tramite interviste
il churn: gli obiettivi
Determinare un indicatore di propensione alla disattivazione per
ogni cliente
Prevedere i potenziali futuri disattivi
Capire i motivi fondamentali che portano alla disattivazione e i
comportamenti che la precedono
Individuare possibili azioni volte alla retention del cliente
Verificare l’efficacia di operazioni di Marketing/Customer
Operation
21 settembre 2006
il churn: gli obiettivi
Chi è a rischio di
abbandono?
Caratteristiche demografiche
Usage
Comportamenti di traffico
Contatti con l’azenda
Informazioni sul billing
Copertura della rete dei pop
Quando è
maggiore il
rischio di
abbandono?
Comportamento
dei clienti sul churn
Perché sono a
rischio di
abbandono?
21 settembre 2006
Promozioni della
concorrenza
Eventi della vita
Offerte della
concorrenza
convenienza dei prezzi
Prezzo dell’Hardware
Servizio al cliente
Programmi a premi
Il churn: l’analisi statistica
•Come si ottiene l’indice di propensione?
•Quali caratteristiche dei clienti hanno effetto sulla decisione di
disattivare e qual è l’effetto di ogni “variabile” considerata tra le
altre?
•Ma non ci potrebbe essere qualche effetto di “sovrapposizione”
tra le variabili? Come tenerne conto?
•Avendo a che fare con stime come dare una misura di
“affidabilità” di queste stime? Come ottenere misure di qualità di
adattamento ai dati?
21 settembre 2006
Segmentazione e profiling
•Conoscere i clienti, per suddividerli in gruppi a seconda di
interessi, propensioni all’utilizzo di uno o più prodotti o servizi
offerti dall’azienda
•Tutto finalizzato a personalizzare ogni eventuale contatto,
azione di marketing, relazione...
•Alcuni esperti della società italiana propongono di suddividere i
clienti sulla base di due “assi” che descrivono le caratteristiche
socio-culturali degli individui
21 settembre 2006
Segmentazione e profiling
CENTRALITÀ DEL
CORPO E DEL
CONSUMO
CULTURA
PICCOLO
BORGHESE
[21.7%]
[7.0%]
TRADIZIONALISMO
[11.6%]
NUOVA
FRONTIERA
[12.0%]
[12.0%]
IMPEGNO
[10.3%]
INTERIORITÀ
[8.1%]
RADICI
[17.3%]
•L’altro asso Privato-Sociale è
caratterizzato da una parte dal
Privato, cioè la cultura intessuta di
valori materiali ed aspirazioni
individualistiche orientata ai
valori del sé e del privato, dall’altra
dal Sociale, indicante la cultura
solidaristica impregnata di valori
etici e spirituali orientata alla
collettività e al sociale.
•Un asse di Apertura-Chiusura
dove Apertura indica la cultura
industriale e post-industriale,
aperta al cambiamento,
all’innovazione e alla
complessità sociale, mentre
Chiusura indica la cultura di stampo
arcaico e preindustriale arroccata
sui valori tradizionali e
diffidente verso il nuovo.
•Ma come determinare questi assi (o altri)?
•Come inserire ciascun cliente nel suo esatto punto della “mappa”?
•Come assegnarlo a un gruppo definito?
21 settembre 2006
La valutazione delle azioni
Azioni: massimizzare la redemption
L’analisi ex post è essenziale per identificare quale
azione agisce meglio e su quale target
AC
M E NT
PLOY
•I modelli di misura (indicatori/modelli
di analisi e algoritmi)
N
O
I
T
E
ON D
ACTI
Per misurare le azioni è necessario
definire:
N
G
I
S
E
D
•Gli strumenti di misurazione
ACTION
MEASUREMENT
21 settembre 2006
La valutazione delle azioni
caso-controllo
Target:
Azione:
clienti “a rischio” con una determinata caratteristica
(1A) - Lettera con suggerimenti per l’utilizzo (DM)
(1B) - Lettera con suggerimenti per l’utilizzo + 1 regalo (DM)
Disegno di indagine: Caso-controllo
Alcuni risultati
Test di significatività
Abbandoni
Azione
casi
controllo
differenza
1A
61.30%
61.13%
+0.17%
+0.12
0.90
1B
59.21%
61.13%
-1.92%
-1.40
0.16
21 settembre 2006
t
p-value
La valutazione delle azioni
…ma, se l’azione dipende dalla scelta del cliente?
Target:
Tutti i clienti
Azione: Sottoscrizione di un particolare servizio
Disegno di indagine: non è possibile confrontare i sottoscrittori con un
analogo campione di non sottoscrittori del servizio (autoselezione)
Non è possibile disegnare a priori l'indagine!
21 settembre 2006
Consumo di gas e prezzo
Per alcune città del Texas sono rilevati
prezzo e consumo di gas
C’è una relazione?
È possibile prevedere il consumo di
gas se si fissa un prezzo?
21 settembre 2006
Il problema...
...è quello di capire la dinamica all’interno dei dati osservati.
Si tratta di
•capire quali sono le strutture di relazione,
•individuare se eventuali relazioni evidenti sono attribuibili al
caso, o se sono davvero presenti nel fenomeno in esame
•scoprire eventuali relazioni nascoste dalla componente di
“rumore” presente nei i dati
•avere degli elementi per capire la realtà
•predisporre una strumentazione che sia utile per fare
previsioni
21 settembre 2006
Che cosa sviluppiamo in questo corso?
Ci concentreremo soprattutto su alcuni strumenti quantitativi utili
per affrontare i diversi problemi che si incontrano nel mondo
aziendale
Faremo dei richiami di alcuni aspetti di matematica che ci saranno
utili per l’analisi statistica dei dati
Approfondiremo semplici modelli per studiare la relazione tra
variabili.
Durante il corso utilizzeremo semplici strumenti informatici di
supporto per le analisi
21 settembre 2006
L’approccio
•Una comprensione delle caratteristiche degli strumenti è essenziale
per poter scegliere adeguatamente lo strumento adatto
•Lo stesso tipo di padronanza è richiesto per poter interpretare
correttamente i risultati prodotti dagli algoritmi
•Una certa competenza sugli aspetti algoritmici e computazionali è
di aiuto per meglio valutare l’output del calcolatore anche in termini
della sua attendibilità
Quindi:
cercheremo di combinare assieme metodologie aggiornate con una
certa comprensione sia del problema operativo, sia delle
caratteristiche dei metodi e modelli utilizzati
21 settembre 2006
Il Programma
•Lo studio delle relazioni tra i fenomeni.
•Richiami del modello lineare
Modello lineare semplice
Inferenza sui parametri del modello
Estensioni del modello
Modello lineare multiplo
•Le tecniche statistiche e l’approccio analitico alla soluzione dei problemi.
Contrasto tra aderenza ai dati e complessità del modello (contrasto tra
distorsione e varianza)
tecniche generali per la selezione del modello
•Metodi di previsione di variabili quantitative.
Regressione lineare e metodi legati (GLM, …)
Cenni ai metodi di regressione non parametrica
Modelli di regressione strutturata (modelli additivi, alberi, reti neurali)
•Metodi di classificazione
Modelli lineari e generalizzazioni (regressione lineare e logistica, analisi
discriminante lineare e quadratica)
Modelli strutturati (alberi, GAM, reti neurali)
•Cenni ai metodi di raggruppamento
21 settembre 2006
L’ambiente R
•Molti pacchetti statistici forniscono procedure che aiutano nel calcolo dei
modelli e metodi che incontreremo in questo corso… È quindi possibile
utilizzare un qualsiasi software statistico, purché sia in grado di effettuare i
calcoli necessari; ogni inadeguatezza del software è responsabilità vostra.
•Noi, per le esercitazioni in aula, ne abbiamo scelto uno: l’ambiente R
Alcuni motivi per la scelta:
In termini di qualità, R costituisce uno dei migliori prodotti disponibili
È un prodotto “open source”, e quindi gratuito
Il fatto che sia gratuito non significa che valga poco: R è curato e
aggiornato continuamente da esperti di massimo livello scientifico
R è anche un linguaggio, si presta quindi facilmente alla programmazione
di varianti di metodi esistenti
Sono inoltre disponibili un’amplissima gamma di moduli aggiuntivi
predisposti, da esperti di vari ambiti. L’insieme delle tecniche utilizzabili
copre l’intero panorama delle più aggiornate metodologie
Essendo “open source” consente a ciunque di poter contribuire al progetto
anche correggendo eventuali ‘bachi’
La modalità di utilizzo di R è tale per cui l’utente è indotto a prendere
consapevolezza del funzionamento dei metodi usati.
21 settembre 2006
Lo studio e l’esame
•La materia non è tra le più comuni
•L’approccio è di tipo “operativo”
Per cui
la frequenza è vivamente consigliata!
•Non ci sono grossi libri da studiare:
conviene riprendere ogni giorno quanto fatto a lezione
studiate insieme in piccoli gruppi
•Per i frequentanti la valutazione
fatevi/fate domande
sarà basata su:
sfruttate il ricevimento
Partecipazione attiva - domande
•Attività di lavoro personale/di gruppo bi-settimanale
Attività bisettimanali – “per casa”
Approfondimenti
Ricerche e Analisi
Attività (assegnata a metà corso)
Attività per casa - Homeworks
Prova Finale (I appello)
Studi di Caso
•Laboratorio
Per quasi la metà delle lezioni si utilizzerà direttamente il Computer
->Aule Informatiche per il lavoro personale
•Valutazione
21 settembre 2006
Testi e altre fonti utili
Libro di testo: A. Azzalini, B. Scarpa (2004). Analisi dei dati e data mining. Springer.
Altri libri:
Sui contenuti del corso:
T. Hastie, R. Tibshirani, J. Friedman. The Element of Statistical Learning.
Springer-Verlag.
Sul programma R:
S.M. Iacus, G. Masarotto (2003). Laboratorio di Statistica con R. McGrawHill, Milano.
P. Bortot, L. Ventura, A. Salvan (2000). Inferenza Statistica: Applicazioni
con S-PLUS e R. CEDAM, Padova
Software:
R
21 settembre 2006
http://www.r-project.org
Notizie
Orario delle lezioni:
Giovedì
Venerdì
Docente:
Ufficio:
Bruno Scarpa
Dipartimento di metodi quantitativi – Stanza 124
Orario di ricevimento:
Giovedì
email:
url:
[email protected]
http://www.unipv.it/dipstea/bruno
Collaboratore:
Ufficio:
Paola Cerchiello
Dipartimento di metodi quantitativi – Stanza 110
21 settembre 2006
14:30-16:00
10:30-12:00
N21
INFO4
16:30-17:30
Buon Lavoro!
21 settembre 2006