Homepage

Master I Livello: Big Data Analytics and Technologies for Management, MABIDA

.

Innova la Tua decisione con l’informazione!

Questa Pagina è la pagina ufficiale del master: http://www.disit.org/mabida

Pagina web amministrativa del Master MABIDA su UNIFI
Pagina su LinkedIn del Master Mabida
Pagina Facebook del master: https://www.facebook.com/MasterBigdataMabida
 

Cosa offre MADIBA?
Il Master (part-time) di I° Livello in Big Data Analytics and Technology Management dell’Università di Firenze (MABIDA) si propone di trasmettere strumenti e concetti disegnati per valorizzare l’informazione digitale disponibile nelle organizzazioni, indipendentemente dalla dimensione, natura e settore di appartenenza di queste ultime. L’integrazione di discipline afferenti al Management, Data Science e Information Technology permette di definire un percorso formativo in cui lo studente imparerà ad acquisire, elaborare e analizzare i dati provenienti da diverse fonti e supportare l’interpretazione, progettazione e realizzazione di azioni di governo mirate. Puntando a formare figure professionali che siano protagoniste del cambiamento, assieme al rigore scientifico ed all’attività di laboratorio, verrà posta enfasi sulla gestione delle risorse e dei progetti nelle moderne organizzazioni economiche secondo metodologie lean, diffuse nelle startup e sempre più apprezzate anche dalle aziende di lungo corso perché capaci di rispondere meglio alle sfide di ambienti economici mutevoli, complessi e incerti come quello corrente.

Sbocchi professionali
MABIDA mira a formare decisori autonomi, in grado di rispondere a contesti ad alta intensità di azione, attraverso una capacità di analisi e giudizio personale fondata sull’interpretazione dei dati. I possibili sbocchi professionali includono sia le figure di data analyst avanzato che quello di data scientist, ovvero di professionisti in grado di analizzare data sia in modalità consuntivo che predittiva. MABIDA promuove gi strumenti che consentono di impiegare al meglio i dati a supporto dei processi decisionali, compresi i framework e gli strumeni che valorizzano i Big Data.

Struttura e Contenuto del Master
MABIDA avrà una durata di 12 mesi di cui 9 di insegnamento frontale (Novembre 2017- Luglio 2018) che si terranno presso la sede dell’Università di Firenze (Scuola di Studi Umanistici e della Formazione) in Via Laura 48 a Firenze il venerdì e sabato e sarà organizzato in sette moduli, affiancati da numerosi workshop effettuati con il supporto di manager provenienti da aziende nazionali ed internazionali di differenti settori, un project work e una prova finale.
 

Gli insegnamenti previsti sono riportati di seguito con i relativi corsi di studio e i
settori disciplinari, i docenti e i CFU previsti:

1. Management e Marketing
Management (3 cfu), Cristiano Ciappei: Processo manageriale; Gli assetti di impresa; Strategia, gestione organizzazione. Le funzioni aziendali; Imprenditorialità ed innovazione; Governance e teoria delle decisioni; Produzione, logistica e operations management; Organizzazione e knowledge management; Gestione del personale.
Marketing (3 cfu), Raffaele Donvito: Sense Making del marketing; Conoscenza di mercato e decisori aziendali; Principi del marketing Management; Marketing strategico e la segmentazone di mercato; Marketing opertativo e il marketing mix. Customer Relation management e gli impatti del Big Data Marketing.
Ricerche di mercato (3 cfu), Silvia Ranfagni: Raccolta, conservazione ed analisi dei dati relativi a problemi attinenti a comportamenti di acquisto e vendita alla definizione del sistema e delle tendenze di un mercato. Il tutto con particolari riferimenti prodotti, distribuzione, efficacia della pubblicità e tecniche promozionali, nonché della valutazione del posizionamento competitivo dell'impresa. Cenni anche su tecniche di ricerca quali: Product Test, Concept Test, Area Test, Focus Group, Intervista con questionario, Interviste in Profondità, Metodi Proiettivi.
Web marketing (3 cfu), Monica Faraoni: Comprensione del cliente digitale; Analisi del comportamento di acquisto digitale; Big Data a sostegno della profilazione e segmentazione della domanda; Analisi della percezione della customer value; Dinamiche percettive relative ai processi di branding. La gestione del brand attraverso il Digital Marketing; Digital corporate communication; Uso del Big Data per le strategie di pricing; apertura di negozio digitale.
Social network marketing (3 cfu), Professionista a contratto: Panoramica sul Digital Advertising ed i principali ruoli di staff, modelli di acquisizione mobile (CPM, CPC, CPA; CPL), relativi KPIs (CTR, CR e ROI). Importanza del web analytics e di tool marketing automation. Come metriche, dimensioni e dati importati in tool di web analytics possono migliorare le performance delle campagne (esempio tool interni: CAT, CATALYTICS e GENIUS). Google Adwords: creazione di una campagna e ottimizzazione. Facebook e social advertising: principi, strategie e metriche. Real Time Bidding & Programmatic Buying. Native Advertising - Video & Content: come il messaggio si rivolge ai diversi tipi di audience e relative
metriche. User Experience (UX) e landing page: l'importanza dei test A/B per massimizzare le
conversioni e la retention dell'utente.

2. Strategia e Finanza
Strategia e valore d’impresa su Excel (4 cfu), Professionista a contratto: Costruzione del piano industriale e relativo piano economico finanziario; il modello di business (Canvas); le assumption; elementi di excel avanzato per la costruzione di piani economico-finanziari; costruzione fogli di input; valutazione economico-finanziaria attraverso indicatori di bilancio e metodi di valutazioni (DCF: discounted cash flow; EVA: economic valued added).
Finanza aziendale (3 cfu), Alessandro Giannozzi: Gli investimenti e i finanziamenti aziendali; introduzione al rischio finanziario; strumenti finanziari; gestione di portafogli finanziari; finanza big data-driven.
Business Intelligence (3 cfu), Professionista a contratto: Introduzione alla business intelligence, le analitiche big data, la data business analysis, introduzione a KNIME, le tecniche di data mining in KNIME, la data visualization, tipologie di charts, elementi di teoria cognitiva per la data visualization.
E-business intelligence (3 cfu), Professionista a contratto: Architettura dei sistemi di Business Intelligence; Fonti di dati e Sistemi alimentanti Datawarehouse e DataMarts Tecniche OLAP e analisi dei dati; Funzionalità di Data Mining; Analisi multidimensionali; Funzionalità di query e interpretazione dei dati; Reports e ad hoc reporting; valutazione dell’investimento pubblicitario sull’acquisizione del cliente online.

3. Management Data Science
Data Management Science I (3 cfu) e III (3 cfu), Andrea Gigli: Applicazione manageriali utilizzando i seguenti tool: Python ed R da impiegare nel processo di estrazione, trasformazione, loading e analisi dei dati (big e non solo) per business management & insight generation. Business Intelligence e Review Online. Analisi quantitativa e qualitativa di DB clienti. Forecasting per il marketing. Rappresentazione di business insights quantitativi, qualitativi e georeferenziati. Analisi degli acquisti dei clienti di una GDO e visualizzazione dei risultati. Analisi della user experience di una Mobile App. Impiego della PCA nella customer analysis, implementazione del modello RFM per la segmentazione dei clienti e visualizzazione dei risultati. Analisi del Customer Engagement. Analisi delle campagne pubblicitarie on line. Text Mining.
Data Management Science II (3 cfu), Professionista a contratto: Applicazioni manageriali con SPSS; metodi unsupervised su SPSS: analisi fattoriale esplorativa, cluster analysis, metodi supervised con SPSS: regressione multipla; ANOVA su SPSS; introduzione ai modelli ad equazioni strutturali (SEM), applicazioni SEM su SmartPLS; introduzione alla System Dynamics, applicazioni di System Dynamics su VensimPLE. Ttutti questi tool saranno usati come applicazioni di processi interpretativi, decisionali o implementativi di stratgie o tattiche di businness.

4. Data base, modelli e sistemi a supporto delle decisioni
Modelli e sistemi a supporto delle decisioni (4 cfu), Cristina Martelli: Dalle narrazioni alla modellazione concettuale del dominio di interesse del decisore Ruolo del linguaggio per la costruzione di modelli concettuali espressivi e robusti, anche alla luce delle nuove tecnologie semantiche. Sistemi di documentazione per metadati, glossari, thasuri e ontologie. Rappresentare e concettualizzare spazio e tempo. L’integrazione e l’armonizzazione delle fonti viene affrontato presentando caratteristiche, limiti e prestazioni dei diversi strumenti che verranno poi affrontati nel proseguo del corso: data base relazionali (esempi su Access), XML, Open Data, Linked Data, ontologie, statistical data sets.
Basi di dati, SQL (3 cfu), Professionista a contratto: Introduzione alle basi dati, Linguaggio di interrogazione dei database relazionali: SQL, sequel (structured query language), dati strutturati e semistrutturati dei sistemi informativi.

5. Data Mining e Machine Learning
Data Mining I (3 cfu), Carla Rampichini: Questo modulo tratta gli aspetti teorici e applicativi dei modelli lineari generalizzati. In particolare: modello di regressione lineare; teoria dei modelli lineari generalizzati; modello logit per risposta dicotomica, modello logit multinomiale.
Data Mining II (3 cfu), Laura Grassini: Unsupervised methods, Reducing the number of variables: principal component analysis and sin- gular value decomposition, Reducing the number of units: cluster analysis: hierarchical, k − means, k − medoids. Distance measures in cluster analysis, Mining association rules, Software: R, RStudio.
Data Mining III (3 cfu), Fabrizio Cipollini: Continuous vs categorical dependent variables: regressions vs classification, Focus on parameters and their estimators (Statistics) vs focus on Prediction and corresponding error measures (Data Mining), Accuracy measures, Validation, Bias/Variance trade-off and the idea of penalization; Subset selection, Shrinkage methods (Ridge Regression, Lasso, Elastic Nets), Basis expansion and regularization: Regression splines vs Smoothing splines, the concept of degrees of freedom.
Introduzione alla data analysis Bayesiana (3 cfu), Federico Mattia Stefanini: Incertezza aleatoria ed epistemica: elicitazione della distribuzione iniziale ed euristiche. Grafi di eventi. Indipendenza condizionata tra variabili, scambiabilità, reti Bayesiane, relazioni causali ed intervento. Il principio di verosimiglianza. La regola di Bayes in famiglie parametrizzate, sintesi della distribuzione finale, distribuzioni predittive. I principi di sequenzialità e di misura precisa; il conflitto informativo. Approssimazione di distribuzioni finali e di predittive: la simulazione Monte Carlo con librerie dedicate. Procedure diagnostiche di output. Alcuni criteri per la selezione di modello.
Introduzione al machine learning (3 cfu), Paolo Frasconi: Il corso presenta una introduzione ai seguenti temi: Supervised learning. Generalized linear models. Regularization. Naive Bayes. Perceptron. Support vector machines. Kernel methods. Basic learning theory and VC bounds. Tradeoffs for large scale learning and SGD. Decision trees and random forests. Bagging and boosting. Deep learning. Word vectors. Applications to natural language and text analysis. Unsupervised learning. Clustering. Dimensionality reduction. Collaborative filtering. The machine learning library of Spark.

6. Big Data Management
Big Data I (3 cfu), Paolo Nesi: Le architetture parallele e distribuite, Lo speed up, Lo scheduler, Modello Hadoop. Open Data, private data, licensing, Static data VS real time data, Integrazione di Domini diversi, Internet of Things. Architetture dal dato ai servizi delle smart city. Supporto alle decisioni, system thinking, Suggerimenti geolocalizzati e comportamento utente in città. Smart City Dashboard. Twitter: i meccanismi, Twitter Vigilange la piattaforma, o Predizioni via Twitter, Sentiment su Twitter, Interoperabilità delle social network. Anatomia di social network: ECLAP, ApreToscana, Valutazione delle prestazioni. Con sperimentazioni su modelli predittivi e di diagnosi precoce su dati: social media, mobilità, comportamento utente, energia, etc.
Big Data II (3 cfu), Piefrancesco Bellini: 3V, 4V e 5V, NoSQL database, CAP, Tabelle e grafi, Alcuni esempi di tool NoSQL, Valutazione delle prestazioni, Tassonomie e SKOS, RDF e OWL, Dai domini alle Ontologie e RDF, Inferenza su modelli ontologici, knowledge base, Esempi di ontologie. Reasoning and inferential. Tassonomie e SKOS, RDF e OWL, Dai domini alle Ontologie e RDF, Inferenza su modelli ontologici, knowledge base, Esempi di ontologie, Da OD a LD e RDF store.
Big Data III (3 cfu), Professionista a contratto: concetto di crawling, robots, Le strutture HTML, Il linguaggio naturale, Natural language processing, Sentiment analysis, Cross Media Content, Ricerca e indicizzazione di contenuti cross media, User profiling: informazioni statiche e dinamiche, Suggestion, clustering, indicizzazione, etc. Concetti del cloud, architetture cloud, Monitoraggio Cloud, smart cloud, gestione e ottimizzazione, simulazione cloud.

7. Stage/Progetto Finale

Perché iscriversi al MADIBA?
MABIDA è un programma interdiscipinare che permette da un lato di arrichire il curriculum di profili business con conoscenze statistiche e informatiche, dall’altro di integrare quello di profili IT con conoscenze statistiche e manageriali, contestualizzando la formazione attorno alla risoluzione di problemi concreti e stimolando la collaborazione tra i partecipanti di diversa estrazione. MABIDA prevede oltre 400 ore di lezione ripartite tra il venerdì e il sabato per favorire la partecipazione al Master di studenti lavoratori. MABIDA si preoccupa di formare business analyst e data-driven decision maker, in grado sia di rispondere alle esigenze operative del moderno ambiente tecnologico che di comprendere gli approfondimenti necessari per migliorarsi. MABIDA si focalizza sull’insegnamento di hard skills la cui domanda nel mercato del lavoro è in forte crescita, come lo scripting in Python, R, SQL, lo statistical learning, i processi di raccolta, trasformazione e organizzazione di Big Data. MABIDA permette ai partecipanti di assistere a workshop e seminari presentati da professionisti e manager di aziende come Vodafone, Pirelli, Gucci, Luisaviaroma, ContactLab, CRIF, BNova, Procter & Gamble, Data Reply e da promettenti startup data-driven.

Domanda di Ammissione

pagina web del Master su UNIFI
 

Ammissione: Titoli e colloquio di orientamento.

si veda il sito web.


Comitato Ordinatore:

  • Cristiano Ciappei, Coordinatore del Master, Ordinario di Economia e Gestione delle Imprese

  • Paolo Nesi , Ordinario di Sistemi di Elaborazione delle Informazioni

  • Cristina Martelli, Associato di Statistica Economica

  • Raffaele Donvito, Associato di Economia e Gestione delle Imprese

  • Silvia Ranfagni, Associato di Economia e Gestione delle Imprese

 
Faculty (lista docenti in via di completamento):

  • Pierfrancesco Bellini - Ricercatore - Dipartimento di Ingegneria dell'Informazione. ING-INF/05 - Sistemi di elaborazione delle informazioni.
  • Vincenzo Cavaliere - Professore associato, Dipartimento di Scienze per l'Economia e l'Impresa. SECS-P/10 - Organizzazione aziendale. Insegnamenti: Imprenditorialità, Innovazione e Cambiamento Organizzativo; Organizzazione Aziendale.
  • Cristiano Ciappei - Professore ordinario, Dipartimento di Scienze per l'Economia e l'Impresa. SECS-P/08 - Economia e gestione delle imprese. Insegnamenti: Strategia e Valore di Impresa; Laboratorio Etica d’Impresa.
  • Fabrizio Cipollini - Professore associato, Dipartimento di Statistica, Informatica, Applicazioni 'G. Parenti' (DiSIA). SECS-S/03 - Statistica economica. Insegnamenti: Statistical Inference; Statistica Economica.
  • Raffaele Donvito - Professore associato, Dipartimento di Scienze per l'Economia e l'Impresa SECS-P/08 - Economia e gestione delle imprese. Insegnamenti: Internazionalizzazione dell’Impresa; Laboratorio Retail Marketing; Marketing Principi e Strumenti.
  • Monica Faraoni – Ricercatore, Dipartimento di Scienze per l'Economia e l'Impresa. SECS-P/08 - Economia e gestione delle imprese. Insegnamenti: Laboratorio Strumenti di Business Online.
  • Paolo Frasconi - Professore ordinario, Dipartimento di Ingegneria dell'Informazione. ING-INF/05 - Sistemi di elaborazione delle informazioni. Insegnamenti: Machine Learning; Apprendimento Automatico; Intelligenza Artificiale. http://ai.dsi.unifi.it/
  • Elena Gori – Ricercatore, Dipartimento di Scienze per l'Economia e l'Impresa. SECS-P/07 – Economia Aziendale. Insegnamenti: Public Management and Acounting; Economia Aziendale; Tecnica e Analisi dei Bilanci.
  • Laura Grassini - Professore ordinario, Dipartimento di Statistica, Informatica, Applicazioni 'G. Parenti' (DiSIA). SECS-S/03 - Statistica economica. Insegnamenti: Statistica Information Systems; Computer Sciences and Application Lab; Statistica Economica (Aziendale); Statistica Aziendale.
  • Simone Guercini - Professore ordinario, Dipartimento di Scienze per l'Economia e l'Impresa. SECS-P/08 - Economia e gestione delle imprese. Insegnamenti: Marketing strategico e comunicazione; Marketing internazionale.
  • Elena Livi – Professore associato, Dipartimento di Scienze per l'Economia e l'Impresa. SECS-P/08 - Economia e gestione delle imprese. Insegnamenti: Economia e Gestione delle Imprese; Laboratorio Business Intelligence; Gestione e Marketing delle Imprese Turistiche.
  • Simone Marinai - Professore associato, Dipartimento di Ingegneria dell'Informazione. ING-INF/05 - Sistemi di elaborazione delle informazioni. Insegnamenti: Data and Document Mining; Tecnologia delle Basi di Dati; Algoritmi e Strutture Dati. http://ai.dsi.unifi.it/
  • Cristina Martelli - Professore associato, Dipartimento di Statistica, Informatica, Applicazioni 'G. Parenti' (DiSIA). SECS-S/03 - Statistica economica. Insegnamenti: Data Warehousing; Sistemi Informativi Statistici; Statistical Information System.
  • Paolo Nesi - Professore ordinario, Dipartimento di Ingegneria dell'Informazione. ING-INF/05 - Sistemi di elaborazione delle informazioni. Insegnamenti: Knowledge and Management Protection System; Sistemi Cooperativi e di Protezione; Sistemi Distribuiti. http://www.disit.org
  • Carla Rampichini - Professore ordinario, Dipartimento di Statistica, Informatica, Applicazioni 'G. Parenti' (DiSIA). SECS-S/01 – Statistica. Insegnamenti: Statistica; Modelli Statistici.
  • Silvia Ranfagni – Ricercatore, Dipartimento di Scienze per l'Economia e l'Impresa. SECS-P/08 - Economia e gestione delle imprese. Insegnamenti: Strumenti per il Management e il Marketing; Laboratorio di Strumenti di Management e Marketing; Marketing delle Imprese Culturali; Marketing Principi e Strumenti.
  • Rinaldo Rinaldi - Professore associato, Dipartimento di Ingegneria Industriale.  ING-IND/17 - Impianti industriali meccanici. Insegnamenti: Gestione Integrata della Produzione e della Logistica; Engineering Designing; Operations Management; Laboratorio Impianti e Logistica Industriale.
  • Oliviero Roggi - Professore associato, Dipartimento di Scienze per l'Economia e l'Impresa. SECS-P/09 - Finanza aziendale. Insegnamenti: Corporate Finance; Intermediari Finanziari e Finanza; Merger and Acquisition Valuation.
  • Daria Sarti – Ricercatore, Dipartimento di Scienze per l'Economia e l'Impresa. SECS-P/10 - Organizzazione aziendale. Insegnamenti: Tourism Business Organization, Human Resources and Events Management; Laboratorio Gestione delle Risorse Umane.
  • Federico Mattia Stefanini - Professore associato, Dipartimento di Statistica, Informatica, Applicazioni 'G. Parenti' (DiSIA). SECS-S/01 – Statistica. Insegnamenti: Statistica.

 

Master: Big Data, Analytics and technologies for Management (flyer)
Imprenditorialità, marketing e organizzazione • Imprenditorialità e teoria delle decisioni pubbliche e private • Web marketing strategy and research • Organizzazione, produzione e gestione del personale • Valutazioni e simulazioni strategiche • Statistica • Statistica I • Statistica II • Data Base e Intelligenza Artificiale • Data Base • Machine Learning • Data mining e Sistemi di data Management • Data mining • Sistemi informativi e statistici di Data Management • Modelli e Sistemi a Supporto delle Decisioni • Big Data Management • Big data problem, reasoning and inference • Architetture parallele: web crawling, grid, mapreduce e oltre • Bigdata: architectures and solutions • Tir....

 
Coordinatore del master:

Prof. Cristiano Ciappei
Via delle Pandette, 9 - 50127 Firenze
Tel. 055 2759734
Fax 055 2759910
E-mail cristiano.ciappei@unifi.it


Sede del Corso: Scuola di Economia e Management, Via delle Pandette, 32 - Firenze, in collaborazione con ingegneria e statistica
 

Con il Patrocinio di:



 

....pu

To access to this group: