CLEM

Lingua Insegnamento:

ITALIANO
Testi di riferimento:

Le slide e evetuale altro materiale di studio verrà caricato sul sito web del corso nella piattaforma e-learning di Ateneo
Obiettivi formativi:

L'insegnamento concorre agli obiettivi formativi del Corso di Studio in Economia e Management fornendo le competenze pratiche e operative relative al trattamento dei dati pertinenti all'analisi economico-aziendale, con particolare riferimento agli strumenti informatici applicati alla gestione d'impresa. In coerenza con l'attenzione del Corso di Studio agli effetti dell'innovazione tecnologica e della digitalizzazione sui contesti lavorativi, l'insegnamento affianca agli strumenti tradizionali di analisi dei dati l'uso di agenti AI generativi, mettendone a confronto rapidità, trasparenza del procedimento e affidabilità dei risultati.
Sul piano dell'area quantitativa, l'insegnamento sviluppa la capacità di studiare le relazioni tra variabili e di leggere le tendenze dei dati economico-aziendali; sul piano dell'area aziendale, la capacità di tradurre queste letture in risposte a domande di business utili a interpretare i fenomeni aziendali e a supportare le decisioni. L'approccio question-centric adottato nel corso rende operativa la combinazione tra approcci qualitativi e quantitativi indicata dal Corso di Studio: la domanda gestionale orienta la scelta del metodo di analisi, e il risultato quantitativo viene restituito in forma interpretata e comunicabile.Risultati di apprendimento attesi (Descrittori di Dublino)
Conoscenza e capacità di comprensione. Lo studente conosce il quadro concettuale dell'analisi dei dati e comprende l'approccio question-centric come modo di impostare un'analisi a partire da una domanda di business, insieme ai concetti di base dell'analisi univariata, bivariata e multivariata su variabili numeriche e categoriali.
Capacità di applicare conoscenza e comprensione. Lo studente sa tradurre una domanda descrittiva o diagnostica in un percorso di analisi e realizzarlo operativamente con Excel e con gli agenti AI generativi, applicando raggruppamento e aggregazione dei dati e analisi univariata, bivariata e multivariata, e produce una risposta visuale basata sui dati a partire da una domanda di ricerca.
Autonomia di giudizio. Lo studente sa scegliere il tipo di analisi appropriato alla domanda posta, valutare pertinenza e correttezza dei risultati, formulare ipotesi sulle relazioni tra variabili e verificare criticamente la plausibilità e la validità degli output, in particolare di quelli prodotti da strumenti di AI, valutando anche le soluzioni proprie e altrui nel confronto delle retrospettive.
Abilità comunicative. Lo studente sa comunicare i risultati di un'analisi attraverso rappresentazioni visuali efficaci e interpretazioni discorsive dei grafici prodotti, in modo da rendere esplicita e immediatamente comprensibile la risposta alla domanda di partenza.
Capacità di apprendimento. Lo studente sviluppa un metodo di lavoro question-centric riutilizzabile in autonomia su domande, contesti e dati nuovi, anche con l'ausilio di strumenti basati su AI generativa.
Prerequisiti:

Nessun prerequisito, salvo buona volontà e impegno.
Metodi didattici:

L'insegnamento si articola in due fasi. Nella prima le lezioni hanno carattere prevalentemente frontale e sono dedicate all'inquadramento concettuale dell'analisi dei dati e alla presentazione degli strumenti del corso, Microsoft Excel e agenti AI generativi, con dimostrazioni pratiche del loro utilizzo.
Nella seconda fase (Moduli 4–5) la didattica assume carattere laboratoriale e si organizza, per ciascuna tipologia di domanda di analisi proposta, in tre momenti:

breve inquadramento e dimostrazione guidata: il docente introduce i concetti necessari a rispondere al quesito di analisi e svolge in aula un esempio completo su dati di esempio, con Excel e/o agenti AI generativi;
challenge competitiva: gli studenti applicano in autonomia gli strumenti per rispondere a una domanda della stessa tipologia su dati diversi, producendo una risposta visuale corredata da commento di sintesi; velocità di consegna e correttezza della soluzione concorrono alla vittoria della challenge e all'attribuzione del punteggio bonus;

retrospettiva: una selezione delle soluzioni prodotte dagli studenti viene analizzata e discussa collettivamente in aula, confrontando percorsi di analisi alternativi e mettendo a confronto i risultati ottenuti con Excel e con gli agenti AI generativi
Modalità di verifica dell'apprendimento:

La prova conclusiva consiste in una prova pratica (challenge finale) valutata in trentesimi.
La prova pratica (challenge finale) è composta da quattro quesiti di analisi da svolgere con Excel e/o AI generativa (seguendo le indicazioni specifiche del docente) su un dataset fornito dal docente.
Gli studenti potranno opzionalmente svolgere un progetto individuale che consiste in una analisi svolta a piacere dallo studente su dati concordati con il docente e presentata attraverso una presentazione orale supportata da slides in sede di appello. La valutazione considera tre dimensioni, ciascuna da 0 a 10 punti: 1) chiarezza espositiva, 2) rilevanza delle domande di analisi scelte, 3) correttezza dell'analisi.
Nel caso lo studente decida di svolgere il progetto individuale, la votazione finale sarà la media tra la votazione ottenuta nella prova pratica (challenge finale) e la votazione ottenuta nel progetto individuale.
Al voto così calcolato si somma un punteggio bonus (massimo 5 punti) maturato svolgendo le challenge proposte durante il corso: 1 punto per ogni challenge vinta. La vittoria di una challenge verrà determinata sia dalla velocità di consegna che dalla correttezza della soluzione implementata.
Sostenibilità:
Obiettivi Agenda 2030 per lo sviluppo sostenibile:
Altre Informazioni:

L'insegnamento introduce all'analisi dei dati per il business secondo una prospettiva question-centric: il punto di partenza è la domanda di business a cui rispondere attraverso i dati.
Il corso introduce dapprima i concetti di analisi e visualizzazione dei dati, necessari ad affrontare i moduli operativi del corso. Vengono poi introdotti gli strumenti utilizzati nel corso: Microsoft Excel, per l’analisi dei dati controllata e deterministica, e gli agenti AI generativi (es. Copilot, ChatGPT, Claude, Gemini), per l’analisi dei dati assistita dall’intelligenza artificiale.
Il resto del corso si svilupperà in moduli operativi che alternano brevi inquadramenti concettuali, dimostrazioni guidate, challenge competitive svolte dagli studenti in classe e retrospettive in cui le soluzioni proposte dagli studenti vengono analizzate e discusse in classe. Le challenge impegneranno gli studenti nell’uso pratico degli strumenti per rispondere a domande di analisi predeterminate di carattere descrittivo (che cosa è successo) e diagnostico (perché è successo), attraversando diverse funzioni aziendali e tipologie di dato. Partecipando alle challenge, gli studenti avranno la possibilità di guadagnare punti aggiuntivi che incrementeranno il voto finale.
Sul piano dei metodi tecnici, le domande di analisi verranno affrontate attraverso operazioni di raggruppamento e aggregazione dei dati e attraverso analisi univariata, bivariata e multivariata su variabili numeriche e categoriali, con l’obiettivo comune di produrre grafici e visualizzazioni esplicative corredate da commenti di sintesi per dare chiare risposte alle domande di partenza.
Un filo conduttore dell'intero corso è il continuo confronto tra l'analisi condotta con software tradizionali, in particolare Microsoft Excel, e quella condotta con strumenti di agenti AI generativi, consentendo agli studenti di metterne a confronto rapidità, trasparenza del procedimento e affidabilità dei risultati.

Modulo 1 — Introduzione all’analisi dei dati

L'approccio question-centric: rispondere a domande di business attraverso i dati
Tipologie di analisi dei dati: descrittiva, diagnostica, predittiva, prescrittiva
Tipologie di dati: variabili numeriche (interval e ratio) e categoriali (nominali e ordinali)
Analisi univariata:
Concetti: distribuzioni di frequenza assolute e relative; media e mediana; dispersione; quartili e scarto interquartile.
Visualizzazione dei dati: grafici a torta, istogrammi, boxplot
Analisi bivariata:
Concetti: confronto di una variabile numerica tra categorie; relazione tra due variabili numeriche.
Visualizzazione dei dati: Grouped/Stacked bar-chart, line-chart, boxplot affiancati, scatterplot
Analisi multivariata:
Concetti: Cenni all'osservazione congiunta di più variabili.
Visualizzazione dei dati: Heatmap, grafico combinato

Modulo 2 — Introduzione agli strumenti del corso: Excel

Microsoft Excel:
Organizzazione e preparazione dei dati

Struttura tabellare (intestazioni, una riga = un'osservazione) e conversione in Tabella Excel (Ctrl+T)
Ordinamento e filtro base
Tipi di dato in Excel (numero, testo, data)

Formule:

Formule di base
Riferimenti relativi e assoluti

Grafici e tabelle pivot:

Creazione di grafici in Excel
Costruzione di una tabella pivot: righe, colonne, valori, filtri, funzioni di aggregazione (somma/media/conteggio), funzionalità “mostra dati” (differenze e percentuali), campi calcolati
Formattazione condizionale, crosstab analysis e heatmaps in Excel

Modulo 3: Introduzione agli strumenti del corso: Agenti AI generativi

Cos'è un LLM: principio di funzionamento
Cenni di prompt engineering e struttura di un prompt
Cos'è un agente: capacità di usare strumenti (leggere un file, eseguire codice, creare un grafico)
Dimostrazione dei sistemi GenAI più diffusi: Copilot, ChatGPT, Gemini, Claude
Limiti: finestra di contesto, knowledge cutoff, allucinazioni, riservatezza dei dati caricati, bias
Buone pratiche nell’uso dell’AI generativa: verifica critica dell'output, richieste di spiegazione dei passaggi, ispezione dei passi di ragionamento e del codice prodotto
Confronto Excel vs AI generativa: rapidità, trasparenza e controllo sul procedimento di analisi, affidabilità dei risultati

Modulo 4 — Analisi descrittiva in pratica: che cosa è successo.
In questo modulo verranno proposte diverse tipologie domande di analisi descrittiva, da rispondere attraverso analisi univariata e bivariata su variabili numeriche e categoriali, produzione di grafici, sintesi e commento dei grafici prodotti per rispondere alle domande di analisi, attraverso Excel e/o agenti AI generativi.
Per ogni tipologia di domanda proposta le lezioni saranno suddivise in:
- Esempio svolto a lezione dal docente su dati di esempio
- Challenge: gli studenti dovranno applicare in pratica gli strumenti per rispondere a una domanda della stessa tipologia ma su dati diversi.
- Retrospettiva: Una selezione delle soluzioni proposte dagli studenti verrà analizzata e discussa in classe.
Modulo 5 — Analisi diagnostica in pratica: perché è successo.

La struttura del modulo è analoga a quella del modulo precedente.
Verranno proposte diverse tipologie domande di analisi diagnostica, da rispondere attraverso analisi bivariata o multivariata su variabili numeriche e categoriali, produzione di grafici, sintesi e commento dei grafici prodotti per rispondere alle domande di analisi, attraverso Excel e/o agenti AI generativi.
Per ogni tipologia di domanda proposta le lezioni saranno suddivise in:
- Esempio svolto a lezione dal docente su dati di esempio
- Challenge: gli studenti dovranno applicare in pratica gli strumenti per rispondere a una domanda della stessa tipologia ma su dati diversi.
- Retrospettiva: Una selezione delle soluzioni proposte dagli studenti verrà analizzata e discussa in classe.