Big Data, Data Science e Analisi dei Dati: concetti e applicazioni

LEZIONE 1: BIG DATA E DATA SCIENCE, ANALISI DEI DATI

LEZIONE 2: DATA ANALYTICS, DATA MARKETING, GOOGLE ANALYTICS
LEZIONE 3: DATA ANALYSIS, ANALYTICS E BUSINESS INTELLIGENCE, DATA WAREHOUSE/LAKE
LEZIONE 4: MONETIZZAZIONE, INSIGHT PLATFORM, WEB E DATA ANALYTICS
LEZIONE 5 DIGITAL ANALYTICS, DIGITAL MARKETING, SEM SEO, GOOGLE ANALYTICS metriche
dimensioni
LEZIONE 6 FUNZIONALITà DI G.ANALYTICS, COOKIE, TRACCIAMENTO, ALTERNATIVE
LEZIONE 7: ARCHITETTURA GA, COMPONENTI, STRUTTURA CLIENT-SERVER GA, API
LEZIONE 8: INTERFACCIA, FUNZIONI (LINK DI ACCOUNT, DIAGNOSTICA E ACCOUNT GOOGLE,
NAVIGAZIONE DEI RAPPORTI)
LEZIONE 9: INTERFACCIA: NAVIGAZIONE DEI RAPPORTI, GRAFICO, TABELLA DEI DATI
LEZIONE 10: SEGMENTI, REMARKETING, ELENCO INTELLIGENTE
LEZIONE 11; WEB ANALYTICS, PIRAMIDE, DOMANDE CHIAVE WA, FRAMEWORK MISURAZIONE
(piccole/medie/grandi imprese), STRATEGIE DI MISURAZIONE
LEZIONE 12: DIMENSIONI E METRICHE, DIMENSIONI SECONDARIE
LEZIONE 13: METRICHE: UTENTE, SESSIONI, VISUALIZ PAGINA, BOUNCE RATE, METRICHE DI
CONVERSIONE
LEZIONE 14: ACCOUNT/PROPRIETà/VISTA, FILTRI
LEZIONE 15: FUNNEL, MICRO E MACRO CONVERSIONI, KPI,OBIETTIVI ED EVENTI
LEZIONE 16: KPI, ROI ROAS, RAPPORTI E-COMMERCE
LEZIONE 17: METRICHE DI BENCHMARKING, KPI, CANALIZZAZ MULTICANALE, MODELLI DI
ATTRIBUZIONE
LEZIONE 18: TRAFFICO ORGANICO, A PAGAMENTO,ROI, REPORT GA
LEZIONE 19: ANNUNCI A PAGAMENTO E NON, BUON SITO WEB, PIATTAFORME DI MARKETING
ONLINE
LEZIONE 20: CREAZIONE CAMPAGNE, ESTENSIONI, CAMP PERSONALIZZ, IMPORTAZ DATI
LEZIONE 21: INTEGRAZIONE GOOGLE ANALYTICS E ADWORDS
LEZIONE 22: GOOGLE ADS, CAMPAGNE-GRUPPI DI ANNUNCI-ANNUNCI, TIPI DI CAMPAGNE (rete
rice, display, g shopping, video), ESTENSIONI
LEZIONE 23: GOOGLE SEARCH CONSOLE, VERIFICA DOMINIO, FUNZIONI E ANALISI (guance)
LEZIONE 24: GOOGLE OPTIMIZE, TEST, FUNZIONI
LEZIONE 25: GOOGLE DATA STUDIO, VANTAGGI
LEZIONE 26: SEO (STRUTTURA SITO, CONTENUTI E AUTOREVOLEZZA, SERP, ALGORITMO, MODELLI
LINGUISTICI, KNOWLEDGE GRAPH, MOBILE-FIRST, KEYWORD RESEARCH E LONG TAIL KW
LEZIONE 27: KPI, STRUTTURA ANNUNCI (TITOLI, CONTENUTI, LINK ... ), SEO E IMMAGINI, LINK
BUILDING, ANALISI CONCORRENZA (MondoConvenienza)
LEZIONE 28: GOOGLE ADS, GUADAGNI GOOGLE, VANTAGGI, TIPI DI CAMPAGNE, ASTA GOOGLE ADS,
STRUTTURA ANNUNCIO GADS, CAMPAGNE UNIV PER APP, METRICHE GADS
LEZIONE 29: G ANALYTICS, COSA SI FA E COSA NO, GDPR, VISTE, ACCOUNT E FILTRI, SEGMENTI,
GOOGLE DEMO ACCOUNT, COD MONITORAGGIO, INTERGACCIA, METRICHE, ERRORI CONFIG GA
LEZIONE 30: UTENTI, SESSIONI, HIT IN GA, DIMENS E METRICHE, TAG, MONITORAGGIO, BOUNCE
RATE 0%, SORGENTE, MEZZO, CANALI DI ACQUISIZIONE, PARAMETRI UTM, URL BUILDER, MODELLO
DI ATTRIBUZIONE (direct ecc)
LEZIONE 31: DATA STORYTELLING, DATA VISUALIZATION, GOOGLE DATA STUDIO

L'era dell'informazione e i Big Data

1. L'era dell'informazione e i Big Data:
   Viviamo in un mondo iperconnesso, dove tutto genera dati (auto, siti, social, ns corpo, tutto
   connesso a reti digitali).

• Questa "sensorizzazione" pervasiva crea enormi quantità di dati ("Big Data") e ambienti
  complessi in cui i dati vengono raccolti e analizzati in tempo reale (es. medicina, con software ealgoritmi di machine learning, anche uno stetoscopio registra e trasmette dati - ogni contesto è
  monitorato e analizzato, es. parcheggi.

• I Big Data offrono opportunità visto che l'analisi dei dati raccolti supporta decisioni in ogni
  campo professionale, ma sollevano anche questioni di privacy e sicurezza (fughe dati, crimini
  informatici, la protezione dati è diventata una priorità).

• L'era dell'informazione (caratteristica principale=interconnessione globale), come l'era
  industriale, porta nuove sfide e enormi opportunità, a patto di utilizzare i dati in modo etico e
  responsabile.

• I dati creati possono essere sfruttati per creare valore economico: nell'era dei Big Data
  Analytics (= analisi di grandi quantità di dati eterogenei di diverse fonti, obiettivo estrarre info
  significative e supportare decisioni).

• Biga data: quando i dati non sono più gestibili in excel. La definizione e il concetto stesso è
  ancora oggetto di dibattito e di diverse interpretazioni: alcuni li distinguono dai dati tradizionali, altri
  sostengono che la complessità è sempre stata presente nell'analisi dei dati. Ad ogni modo,
  rappresentano una quantità enorme di dati che richiede una nuova scienza per gestirli e analizzarli: la
  Data Science.

Data Science e analisi dei dati

1. Data Science e analisi dei dati:
   I Big Data richiedono nuovi approcci per l'analisi: nasce la Data Science, per far fronte alla
   crescita esponenziale dei dati e dal cambiamento negli effetti prodotti dalla tecnologia.

• Data Science e analisi dei dati sono due discipline interconnesse e complementari ma
  distinte, la Data Science getta le basi per l'analisi dei dati:

  • Data Science: esplora i dati, formula domande ("giuste"), individua nuove aree di ricerca,
    definisce il flusso di lavoro per l'analisi dei dati, partendo da dati grezzi fino ad arrivare a decisioni
    basate su tali dati (es ricerca parcheggio: DS combina dati su posizione dell'auto e parcheggi
    disponibili, fornendo suggerimenti); è insieme di principi metodologici e tecniche multidisciplinari che
    permettono di estrarre conoscenza dai dati, cercando di trovare risposte a domande che non
    sappiamo di avere (attenzione: obiettivo dei Data Scientist è porre le domande giuste, oltre a fare
    previsioni e cogliere tendenze, ma rientra nell'analisi dei dati); si spinge oltre alle statistiche,
    esplorando l'ignoto e cercando nuove connessioni e modelli, combinando informatica, analisi
    predittiva, statistica e apprendimento automatico. Ha obiettivo + ampio, volto ad individuare nuove
    domande e nuove aree di ricerca (esplorazione e scoperta, scoprire nuove info e tendenze). Si
    preoccupa di "cosa" dovremmo chiedere ai dati.

  • Analisi dei dati: risponde a domande specifiche, supporta le decisioni, produce risultati
    concreti (spiegazione e applicazione, definisce tendenze potenziali basandosi su dati esistenti), parte
    del più ampio processo della data science, focalizzata su produzione di risultati concreti e utilizzabili,
    ed è + efficace quando si concentra su obiettivi specifici. Si preoccupa di "come" trovare le risposte,
    trasformando le domande in risposte e le intuizioni in azioni. Si concentra su elaborazione e analisi
    statistica dei dati esistenti, x estrarre info utili x risolvere problemi concreti, individuare connessioni e
    semplificare i risultati: scopo: ridoluzione problemi e miglioramento processi decisionali attraverso
    risultati concreti e applicabili.

• Entrambe sono fondamentali per comprendere e utilizzare le informazioni.

LEZIONE 2: DATA ANALYTICS, DATA MARKETING, GOOGLE ANALYTICS

Google Analytics e analisi dei dati

1. Google Analytics = analisi dei dati, dati grezzi -> intuizioni utili. Processo interdisciplinare
   (matematica, statistica, business intelligence ... ) Obiettivo: maggiore comprensione del contesto,
   prendere decisioni + informate. Questo processo si applica ai Big data.

Big Data e Data Analytics

1. Big Data e Data Analytics
   Viviamo nell'era dei Big Data, caratterizzata da un'enorme quantità di dati generati da diverse
   fonti (attività online, sensori, dispositivi mobili).

• La Big Data Analytics permette di estrarre informazioni preziose da questi dati per prendere
  decisioni più efficaci, ed è fondamentale per le aziende di ogni dimensione, per ottenere intuizioni sui
  mercati, sul comportamento dei clienti, x decisioni + efficaci e rapide rispetto alla concorrenza. A
  differenza della Business Intelligence, la BDA gestisce enormi quantità di dati complessi.

• L'analisi predittiva è uno degli obiettivi principali della Big Data Analytics, permettendo di
  prevedere eventi futuri e tendenze basandosi sull'analisi di dati storici, permettendo di anticipare le
  tendenze, intervenire per influenzare il futuro.

• I Big Data offrono nuove opportunità per comprendere e misurare la società, prevedendo crisi
  economiche, diffusione di opinioni.

• Diverse tipologie di dati: eterogenei (provenienti da molteplici fonti), e strutturati
  (organizzazione ben definita, tipo database) o destrutturati (no struttura predefinita, es testi immagini
  e video).

Tipologie di Data Analytics

1. Tipologie di Data Analytics
   Per rappresentare la realtà in modo accurato attraverso i dati, è necessario sviluppare metodi e
   logiche di rappresentazione affidabili, con processi di verifica e controllo. 4 principali tipologie di Data
   Analytics:

• Descrittiva: descrive cosa è successo in passato; utilizza strumenti tramite cui rappresentare
  e descrivere anche graficamente la realtà delle situazioni o processi (es nelle aziende x visualizzaz
  grafica dei processi aziendali o delle performances).

• Predittiva: prevede cosa potrebbe succedere in futuro; utilizza algoritmi, modelli matematici e
  tecniche statistiche e il forecasting per anticipare tendenze e sviluppi futuri.

• Prescrittiva: suggerisce cosa si dovrebbe fare; va oltre la semplice previsione, fornendo
  indicazioni strategiche, supportando il processo decisionale.

• Automatica: automatizza l'analisi e le decisioni in base ai risultati delle analisi descrittive e
  predittive (es monitora il comportamento di una macchina, attiva azioni specifiche in base a
  determinate condizioni.

Queste sono interconnesse ma a diversi stadi di maturità (desc e pred sono consolidate, presc e
autom sono in fase di sviluppo.
Due concetti correlati alle tipologie di data analytics: Data visualization e Business intelligence.

Data Visualization e Visual Analytics

1. Data Visualization e Visual Analytics
   La Data Visualization rende i dati complessi più comprensibili e intuitivi attraverso grafici e
   visualizzazioni. Si parla anche di "data design" = approccio strutturato per creazione di report visivi e
   interattivi: visuallizzazione efficace premette di cogliere rapidamente le info più significative,
   riducendo il tempo x elaborare i dati.

• La Visual Analytics utilizza grafici interattivi per esplorare i dati da diverse prospettive.

• Se la data analytics fornisce spunti e info, la data visualization li rappresenta in modo chiaro
  attraverso grafici e visualizzazioni.

• La Visual Analytics può invertire la tendenza della Data Analytics (prima analisi e poi
  visualizzazione), mettendo prima in luce anomalie e tendenze (es outlier -valore anomalo in un
  insieme di dati - è + facilmente individuabile attraverso una rappresentazione grafica = stimola analisi
  + approfondita per individuarne cause e implicazioni.

Data Marketing

1. Data Marketing (focus del corso)
   Il Data Marketing applica l'analisi dei dati al marketing per comprendere il comportamento
   degli utenti e creare valore commerciale, utilizzando i dati per migliorare le strategie di marketing e
   raggiungere gli obiettivi di business.

• I Big Data offrono grandi opportunità per il marketing (paragonabile a avvento telefono o
  internet), come la personalizzazione in tempo reale e l'analisi predittiva. Big Data marketing include
  non solo i dati ma anche gli strumenti e le competenze per gestirli e analizzarli; avere a disposizione
  grandi quantità di dati non garantisce automaticamente il successo, sono le intuizioni e le decisioni
  derivate dall'analisi dei dati a fare la differenza.

• Tre tipi di dati sono essenziali nel Data Marketing: dati relativi al cliente (comportamenti,
  attitudini e transazioni), dati relativi alle operazioni (che misurano la qualità dei processi di marketing)
  e dati finanziari (info su vendite, ricavi e profitti).

• Data Marketing è uun processo complesso che coinvolge diversi componenti: Dati e Analytics
  (base è costituita dai dati e dalle tecniche di analisi); strategia di marketing (dati e analisi influenzano