Overview
• Le opportunità e i vantaggi che derivano dalle grandi moli di dati aziendali
• Quali le discipline coinvolte: dalla statistica ai sistemi di auto-addestramento ai modelli di riconoscimento
• I dati: quali organizzazioni e strutture adottare
• Grandi volumi: se e come ridurre e la maledizione della “dimensionalità”
• La formulazione del problema: tradurre obiettivi di business in metodi analitici adeguati

Introduzione a Enterprise Miner
• Principali funzionalità, componenti, definizione di un progetto
• Definizione dei diagrammi di flusso delle analisi
• Alcune analisi esplorative iniziali
• Tecniche di selezione delle variabili
• Gestione dei dati mancanti

Regressione
• Condurre una analisi di regressione (un esempio in area marketing)
• Esame di alcuni dei metodi di regressione disponibili

Neural Networks
• Costruire percettroni multistrato
• Visualizzazione della complessità di una rete

Decision Trees
• Analisi delle funzionalità del nodo Decision Tree (un esempio in area credit scoring)
• Alberi decisionali con partizionamento binario e multiplo
• Potatura e valutazione degli alberi decisionali

Valutazione di un modello e implementazione
• Confrontare i modelli stimati
• Costruire un semplice modello con il nodo di ensamble
• Produrre ed utilizzare il codice di score

Cluster Analysis
• Condurre una cluster analysis (un esempio in area vendite)
• Il nodo di Clustering: il metodo delle K-medie
• Le mappe di Kohonen per l’analisi dei gruppi
• Esplorare i gruppi con il nodo Insight

Associazioni e Sequenze
• Uso del nodo di associazione (un esempio in area bancaria)
• Quantificare l’associazione tra elementi
• Analizzare le sequenze.