english | español

contatti

Metodi di Data Mining per il CRM

la copertina del libro

Indice

Prefazione, di Renzo Traversini

Introduzione. Il “fattore conoscenza” come vantaggio
competitivo per le imprese

1. Dati e processi aziendali, di Susi Dulli

  • 1.1 I sistemi di supporto alle decisioni
  • 1.2 Un magazzino dati nell'era dell'informazione

2. Dai sistemi ERP al Data Mining, di Susi Dulli

  • 2.1 I Sistemi Enterprise Resource Planning
  • 2.2 Il Data Warehouse
    • 2.2.1 Architettura dei dati
    • 2.2.2 Il modello dimensionale
    • 2.2.3 I Metadati
    • 2.2.4 L’integrazione dei metadati tra ambienti diversi
    • 2.2.5 I dati esterni
    • 2.2.6 Tecniche di efficienza
    • 2.2.6.1 Architetture fisica
    • 2.2.6.2 Tecniche di ottimizzazione
  • 2.3 Oltre il Data Warehouse
    • 2.3.1 Olap
    • 2.3.2 Data Mining

3. Il Data Mining, di Alberto Saccardi

  • 3.1 Premessa
  • 3.2 Un nuovo approccio all’analisi dei dati o un semplice neologismo?
  • 3.3 Come impostare correttamente un progetto di Data Mining
    • 3.3.1 Da un’esigenza di business ad un percorso di analisi
    • 3.3.2 La creazione di un ambiente di produzione per il Data Mining
      • 3.3.2.1 Le strutture dati
      • 3.3.2.2 Gli strumenti
      • 3.3.2.3 L’organizzazione
  • 3.4 L’attività di Data Mining
    • 3.4.1 Predisposizione dei Dati di Input
      • 3.4.1.1 Definizione Obiettivi
      • 3.4.1.2 Identificazione delle fonti dati
      • 3.4.1.3 Costruzione del Data Mart delle Analisi
    • 3.4.3 Le Analisi Preliminari
    • 3.4.4 La Costruzione del Modello
    • 3.4.5 La Scelta del Modello Finale
    • 3.4.6 L’Implementazione delle regole nei processi decisionali
  • 3.5 Tecniche ed ambiti applicativi

4. Analisi Fattoriale, di Alberto Saccardi e Nicola del Ciello

  • 4.1 L’Analisi Fattoriale
  • 4.2 Il modello di Analisi Fattoriale
  • 4.3 Il percorso di analisi
    • 4.3.1 Determinazione del numero di fattori da estrarre
      • 4.3.1.1 L’analisi delle componenti principali
      • 4.3.1.2 Varianza spiegata dai fattori
      • 4.3.1.3 Autovalori maggiori di 1
      • 4.3.1.4 Rappresentazione grafica degli autovalori
    • 4.3.2 Scelta del criterio di Rotazione degli Assi
    • 4.3.2.1 Rotazioni ortogonali
    • 4.3.3 Valutazione della soluzione ottenuta

5. Analisi Cluster, di Alberto Saccardi e Nicola del Ciello

  • 5.1 La Cluster Analysis
  • 5.2 Il percorso di analisi
    • 5.2.1 Identificazione delle variabili di classificazione
    • 5.2.2 Selezione della misura di prossimità tra le unità
    • 5.2.3 Selezione di un’algoritmo di classificazione
      • 5.2.3.1 Tecniche Gerarchiche Aggregative
      • 5.2.3.2 Tecniche Gerarchiche Scissorie
      • 5.2.3.3 Tecniche non Gerarchiche che generano Partizioni
      • 5.2.3.4 Tecniche non Gerarchiche con Sovrapposizione

6. Alberi Decisionali, di Nicola del Ciello

  • 6.1 Gli Alberi decisionali
  • 6.2 Il percorso di analisi
    • 6.2.1 Scelta del tipo di variabile target
    • 6.2.2 Scelta dei predittori
    • 6.2.3 Determinazione dell’ordine di entrata dei predittori
    • 6.2.4 Criteri di segmentazione
    • 6.2.5 Ricerca di strutture simmetriche
    • 6.2.6 Criteri per l’arresto del processo di segmentazione
      • 6.2.6.1 Dimensione minima dei gruppi
      • 6.2.6.2 Minima capacità esplicativa della migliore suddivisione ad ogni passo
      • 6.2.6.3 Minima devianza del gruppo genitore
      • 6.2.6.4 Massimo numero di passi del processo
      • 6.2.6.5 Pruning
      • 6.2.6.6 Esempio
  • 6.3 Valutazione dei risultati dell’analisi
    • 6.3.1 Stabilità dell’albero
    • 6.3.2 Adeguatezza della dimensione dell’albero
    • 6.3.3 Stima basata sull’albero di segmentazione
  • 6.4 Interpretazione dei risultati dell’analisi
    • 6.4.1 Denominazione dei gruppi formati

7. Reti Neurali, di Nicola del Ciello

  • 7.1 Le reti neurali
  • 7.2 Caratteristiche generali delle reti neurali
    • 7.2.1 Neurone artificiale e sua legge di attivazione
    • 7.2.2 L’Apprendimento
  • 7.3 Reti Neurali ad “Apprendimento Supervisionato”
    • 7.3.1 Le reti Multilayer Perceptron (MLP)
      • 7.3.1.1 L’algoritmo di apprendimento back-propagation
      • 7.3.1.2 Caratteristiche salienti dell’algoritmo back-propagation
      • 7.3.1.3 Generalizzazione della MLP
      • 7.3.1.4 Altri algoritmi di apprendimento
    • 7.3.2 Le reti Radial Basis Function (RBF)
      • 7.3.2.1 Apprendimento delle reti RBF
  • 7.4 Reti neurali ad “Apprendimento non Supervisionato”
    • 7.4.1 Le reti di Kohonen
      • 7.4.1.1 Caratteristiche generali delle reti ricorrenti a connessioni laterali
      • 7.4.1.2 Dalle reti ricorrenti a connessioni laterali alle reti di Kohonen
      • 7.4.1.3 La legge di Apprendimento nelle reti SOM

8. Altre tecniche statistiche, di Nicola del Ciello

  • 8.1 Metodi e tecniche di analisi
    • 8.1.1 Analisi di regressione stepwise
    • 8.1.2 Analisi di regressione logistica
    • 8.1.3 Scaling Multidimensionale
    • 8.1.4 Analisi delle corrispondenze

9. Applicazioni di Data Mining mediante l’utilizzo di SAS/Enterprise Miner® 3.0, di Alberto Saccardi

  • 9.1 Lo “Scoring System” come modello per ottimizzare i risultati di una campagna: Il Progetto “Lost Club Member’s Recovery”
    • 9.1.1 Che cos’è uno “Scoring System”
    • 9.1.2 Il progetto “Lost Club Member’s Recovery”
      • 9.1.2.1 La formalizzazione del problema
      • 9.1.2.2 Gli aspetti organizzativi
      • 9.1.2.3 Analisi preliminare dei dati: identificazione degli universi
    • 9.1.3 Il template “Rare Class Detection” come modello utilizzabile per la fase di analisi
      • 9.1.3.1 Prepare Data for Scoring
      • 9.1.3.2 Sampling, Explore, Modify
      • 9.1.3.3 Modeling, Assess
      • 9.1.3.4 Implement in Production
  • 9.2 Conoscere e segmentare la clientela: il progetto “Behavioral Segmentation of Retail Customers”
    • 9.2.1 La segmentazione comportamentale nel settore bancario
    • 9.2.2 Il progetto “Behavioral Segmentation of Retail Customers”
      • 9.2.2.1 L’approccio seguito durante il progetto
      • 9.2.2.2 Il percorso di analisi: dal campionamento alla costruzione di una regola di clusterizzazione
    • 9.2.3 Conclusioni: delta potenziali ed analisi dei flussi migratori

Appendice: SAS Enterprise Miner, a cura di SAS Insitute

  • I. Una panoramica sulla soluzione SAS per il Data Mining
  • II. L’interfaccia utente grafica (GUI)
  • III. La metodologia SEMMA
  • IV. Funzionalità client/server
  • V. Sintesi

Bibliografia