MASTER I LIVELLO: BIG DATA ANALYTICS AND TECHNOLOGIES FOR MANAGEMENT, MABIDA, 5° edizione
scadenza domanda 1 marzo 2021
inizio lezioni 26 marzo 2021
lezioni in diretta on line causa Covid fino a Luglio poi in modalità duale (con opzione se in presenza o in remoto).
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
 

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 industria 4.0 (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 segmentazione di mercato; Marketing operativo 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.
Strategia e valore Business plan, Lamberto Zollo Professionista a contratto: Costruzione del piano industriale e relativo piano economico finanziario; gli investimenti e i finanziamenti aziendali; introduzione al rischio 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).
Business Intelligence (3 cfu), Andrea De Mauro: 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.

2 Management Data Science
Data Management Science I (3 cfu) II (3cfu) e III (3 cfu), professionisti a contratto: 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.
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.
Digital Marketing data science (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. Data base, modelli e sistemi a supporto delle decisioni
Modelli e sistemi a supporto delle decisioni I (3 cfu) e II (3cfu), Cristina Martelli e 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. 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.

4. Data Mining
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),Alessandro Magrini: 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.
Reti Neurali (3 cfu),Alessandro Magrini, modelli computazionali composto di "neuroni" artificiali,
utilizzati per tentare di risolvere problemi ingegneristici di intelligenza artificiale come quelli che si pongono in diversi ambiti economico-tecnici
Introduzione al machine learning (3 cfu), professionista a contrato: 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.

5. Big Data Management
Big Data (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.
Introduzione al machine learning (3 cfu), professionista a contrato: 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.
Algoritmi (3 cfu),professionista a contratto. Strategie di ottimizzazione attraverso una sequenza finita di operazioni, il modulo si occupa vuoi della scelta di algoritmi già esistenti che consentono di risolvere specifici problemi ed introduce alla creazione di algoritmi ad hoc. 

Perché iscriversi al MADIBA?
MABIDA è un programma interdisciplinare che permette da un lato di arricchire 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 342 ore di lezione ripartite tra il venerdì pomeriggio 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):

• 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.
• 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.
• 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.
• 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.

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