Masterclass BUSINESS INTELLIGENCE E BUSINESS ANALYTICS

Suddiviso in 8 item differenti – 32 ore

Item 1 
Fondamenti di Excel per la gestione dei dati – 4 ore
Verifica delle skill di partenza e loro integrazione: Pivot, campi calcolati, CERCA.VERT, chiavi primarie, refresh e grafici automatici in Excel.

Item 2
Strumenti Excel avanzati: Power Query in Excel – 4 ore
Uso di Power Query come strumento di connessione, pulizia e integrazione dei dati: funzioni di unpivot, append automatizzato, creazione di indici, di colonne, di anagrafiche. Modalità di interfaccia con il modello dati e con i dati di input.

Item 3 
Strumenti Excel avanzati: Power Pivot in Excel – basi del DAX e dei KPI – 4 ore
Dalle pivot tradizionali alle Power Pivot in Excel. Il modello dati VertiPaq. Data model, connessioni tra tabelle, colonne calcolate, misure, KPI base. Estensione ad un numero illimitato di righe e di tabelle.

Item 4 
Visualizzazione e Cloud: Power BI Desktop e Cloud Service – 4 ore
Power BI Desktop: caratteristiche. Come usare Excel e Power BI Desktop / Cloud insieme. Le visual di Power BI Desktop. Analyze in Excel. Refresh dei dati sul Cloud tramite gateway.

Item 5 
Calcoli avanzati: in Power BI Desktop – DAX intermedio – 4 ore
DAX: iteratori, funzioni avanzate di calcolo gestionale, applicazioni.

Item 6 
Calcoli avanzati: in Power BI Desktop –DAX avanzato – 4 ore
DAX: CALCULATE per calcoli avanzati.

Item 7 
Calcoli avanzati: in Power BI Desktop – Sales vs Budget e basi di Time Intelligence – 4 ore
Caso riepilogativo di sintesi di un report di confronto tra Sales e Budget e di un report di confronto delle vendite in diversi periodi temporali con calcolo dei tassi di variazione.

Item 8 
Calcoli avanzati: in Power BI Desktop – Time intelligence avanzata – 4 ore
Come generare una tabella calendario in modo automatizzato e come ottimizzare i calcoli temporali.

Suddiviso in 4 item – 16 ore

Item 1 
Statistica: introduzione e primi calcoli  – 4 ore
Aritmetica, matematica e logica. Assegnazioni di valori. Creazione e manipolazione di vettori e matrici. Selezione degli elementi. Comandi ricorrenti. Salvataggio dei dati. I data frame. Uso dei data frame per rappresentare le matrici di dati generati da indagini statistiche.

Item 2
Statistica: fondamenti di statistica descrittiva – 4 ore
Analisi descrittiva dei dati mediante tabelle di frequenza, indici sintetici e strumenti grafici. Comandi per il calcolo degli indici di posizione e variabilità come media, varianza e quantili. Grafici per variabili qualitative (pie e barplot) e grafici per variabili quantitative come istogrammi e boxplot. Diagrammi di dispersione. Misure di dipendenza tra due variabili.

Item 3
Statistica: la regressione lineare semplice – 4 ore
Definizione di un modello di regressione. Parametri che individuano la relazione tra output e variabile esplicativa. R2 e bontà di adattamento. Analisi dei residui.

Item 4
Statistica: la regressione lineare semplice e l’inferenza da modello – 4 ore
Stima e verifica di ipotesi per un modello di regressione. Inferenza su un modello di regressione lineare in R. Introduzione al modello multivariato. Comando Predict per le previsioni. Intervalli di confidenza.

Suddiviso in 4 item – 16 ore

Item 1
Statistica: modello di regressione multipla e diagnostica – 4 ore
Introduzione al machine learning: il modello di regressione multipla. Valutare l’accuratezza del modello scelto e la bontà dell’adattamento del modello ai dati: diagnostica sui residui, trasformazioni dei predittori, individuazione dei punti di leverage e outlier.

Item 2
Statistica: modelli di regressione alternativi – La regressione logistica – 4 ore
Lavorare con dati qualitativi, modellare la probabilità di accadimento di un fenomeno di interesse. Primi modelli utili per la classificazione e la profilazione.

Item 3
Statistica: Statistical Learning per la classificazione – Analisi discriminante lineare e quadratica – 4 ore
Il problema della classificazione/profilazione di oggetti/osservazioni in base alle caratteristiche salienti e/o alle informazioni disponibili. Introduzione e comparazione dei principali metodi dell’analisi discriminante con il modello logistico.

Item 4
Statistica: Advanced Statistical Learning – 4 ore
Metodi di selezione del modello e regolarizzazione, utilizzo delle splines e dei modelli additivi generalizzati (GAM). Introduzione al problema del clustering: principal component analysis e k-means.

Item 1
Analytics con Power BI Desktop – 4 ore
Riepilogo complessivo in un task, con dati reali ma pubblici, svolto durante la lezione che va dalla connessione ai dati con Power Query, al loro arricchimento con Power BI Desktop, fino agli Analytics con R, tutto usando soltanto Power BI Desktop.