CITY UNIVERSITY BUSINESS SCHOOL

27174 METHODS FOR BUSINESS ANALYSIS
Course Description
TEACHING LANGUAGE: Italian
SEMESTER: 2nd Semester - Summer 2014-2015
TOTAL LECTURE /LAB HOURS: 36
CREDIT POINTS: 6
SCIENTIFIC FIELD: SECS-S/01
TOTAL HOURS OF EXERCISES: 12
LECTURER: Dr. Fabrizio Durante, Office E-2.08, [email protected]
LECTURING ASSISTANT: Dr. Fabrizio Durante, Office E-2.08, [email protected]
TEACHING ASSISTANT: not foreseen
PREREQUISITE: not foreseen
COURSE DESCRIPTION: the course will present a vast set of statistical tools for understanding and making
prediction from the data, including regression, classification, supervised methods and unsupervised methods
(cluster analysis). All the discussed tools will be implemented in practice with the software R.
LIST OF TOPICS COVERED: Introduction to Statistical learning. Linear regression. Logistic regression.
Model selection. Non-linear regression. Classification and cluster analysis. Introduction to R.
EDUCATIONAL OBJECTIVES: To select and use properly the main tools of statistical learning and
forecasting in different situations.
LEARNING OUTCOMES (area entrepreneurship):
Knowledge and understanding:
• Knowledge and understanding of statistical models for business
• Knowledge and understanding of theory and tools of statistical analysis of markets: model selection,
segmentation, forecasting.
Applying knowledge and understanding:
• Ability to find and select relevant data for management in different economic and industrial situations
• Ability to identify the statistical models that are suitable to analyze correctly a specific socio-economics
and industrial framework
• Ability to provide forecasts about the markets
• Ability to identify segments of potential customers
LEARNING OUTCOMES (area innovation):
Knowledge and understanding:
• Knowledge and understanding of statistical tools for business economics for innovation and organizatorial
management;
• Knowledge of quantitative models for forecasting methods for management, in particular in relation to
decision management and lifetime pattern of a product or sector..
Applying knowledge and understanding:
• Ability to find and select relevant data for business innovation;
• Ability to select models for product development that are suitable to analyse specific economic and
industrial situations.;
• Ability to classify and analyze specific innovations and their potential development.
TEACHING FORMAT: Lectures and exercises, homework.
ASSESSMENT:
Attending students: 50%: final written examination; 50%: presentation of group projects with the statistical
software R.
Non-attending students: 50%: final written examination; 50%: presentation of a project related to the
statistical software R (please, contact the lecturer in advance).
REQUIRED READINGS:
Lecture notes will be provided.
James, G., Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning with Applications in R.
Springer, 2013. Free available at http://www-bcf.usc.edu/~gareth/ISL/.
Rob J Hyndman and George Athanasopoulos. Forecasting: principles and practice. Free available at
http://otexts.com/fpp/
SUPPLEMENTARY READINGS:
To be provided during the Lectures.
27174 STATISTICA APPLICATA AL BUSINESS
Descrizione del corso
LINGUA UFFICIALE DI INSEGNAMENTO: Italiano
SEMESTRE: 2° semestre (semestre estivo) 2014-2015
NUMERO TOTALE DI ORE DI LEZIONE/LAB: 36
CREDITI FORMATIVI: 6
SETTORE SCIENTIFICO DISCIPLINARE: SECS-S/01
NUMERO TOTALE DI ORE DI ESERCITAZIONI: 12
DOCENTE: Dr. Fabrizio Durante, Office E-2.08, [email protected]
ESERCITATORE: non previsto
COLLABORATORE DIDATTICO: non previsto
CORSI PROPEDEUTICI: non sono previsti
DESCRIZIONE DEL CORSO: Il corso presente un ampio insieme di strumenti statistici per comprendere e
fare previsione a partire dai dati, includendo regressione, classificatione, metodi supervisionati e nonsupervisionati (analisi di cluster). Tutti gli strumenti presentati saranno implementati in pratica con il software
R.
LISTA DEGLI ARGOMENTI TRATTATI:
Introduzione a “Statistical learning”. Regressione lineare. Regressione logistica. Selezione dei modelli.
Regressione non lineare. Classificazione e “cluster analysis”. Introduzione a R.
OBIETTIVI FORMATIVI: Selezionare e usare in modo appropriato i principali strumenti di “statistical
learning” e previsione in differenti situazioni.
RISULTATI DI APPRENDIMENTO ATTESI (area imprenditorialità):
Conoscenza e capacità di comprensione (knowledge and understanding)
• Conoscenza avanzata e comprensione dei modelli statistici per l’analisi economico-aziendale
• Conoscenza e una comprensione delle teorie e degli strumenti di analisi statistica dei mercati:
identificazione, segmentazione, previsione
Capacità di applicare conoscenza e comprensione (Applying knowledge and understanding)
•
•
•
•
Capacità di acquisire e selezionare dati che possono essere rilevanti dal punto di vista imprenditoriale,
anche in contesti economico-produttivi diversi da quelli studiati;
Capacità di selezionare i modelli statistici, adatti ad analizzare in modo appropriato uno specifico contesto
socio-economico e produttivo;
Capacità di effettuare previsioni sull’evoluzione dei mercati;
Capacità di identificare una segmentazione della potenziale clientela.
RISULTATI DI APPRENDIMENTO ATTESI (area innovazione):
Conoscenza e capacità di comprensione (knowledge and understanding)
• Conoscenza avanzata e comprensione degli strumenti statistici di analisi economico-aziendale per lo
sviluppo delle innovazioni e della conoscenza organizzativa;
• Conoscenza dei modelli quantitativi per la formulazione di previsioni necessarie per orientare le scelte
direzionali e per prevedere il ciclo di vita di un prodotto e di un settore.
Capacità di applicare conoscenza e comprensione (Applying knowledge and understanding)
• capacità di acquisire e selezionare dati rilevanti per inquadrare casi di innovazione;
• capacità di selezionare i modelli di sviluppo di prodotto, adatti ad analizzare in modo appropriato uno
specifico contesto economico-produttivo;
• capacità di classificare, analizzare specifiche innovazioni e di valutarne il potenziale
MODALITÀ DELLA DIDATTICA:
Lezioni ed esercitazioni in aula, assegnazione di esercitazioni individuali a casa.
METODO DI VALUTAZIONE DEL PROFITTO/MODALITÀ D’ESAME:
Studenti frequentanti: 50%: esame scritto finale; 50%: presentazione di progetti realizzati in gruppo mediante
l’uso del software statistico R.
Studenti non frequentanti: 50%: esame scritto finale; 50%: preparazione di un progetto individuale mediante
l’uso del software statistico R (si prega di contattare il docente).
BIBLIOGRAFIA FONDAMENTALE:
Saranno fornite le slides delle lezioni.
James, G., Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning with Applications in R.
Springer, 2013. Free available at http://www-bcf.usc.edu/~gareth/ISL/
Rob J Hyndman and George Athanasopoulos. Forecasting: principles and practice. Disponibile su
http://otexts.com/fpp/
BIBLIOGRAFIA CONSIGLIATA:
Sarà indicata durante le lezioni del corso.

Download Report