Appunti Sistemi per il supporto alle decisioni

Uso principale Operativo Analitico

Struttura Normalizzat Denormalizzat

a a

Tempo Dati attuali Dati storici

Scritture Sì No

frequenti

(8) Componenti Data Warehouse

●​ Fonte Dati, ETL, Staging Area, Data Store, Metadata, Strumenti BI.​

(9) Architettura Data Warehouse

●​ Single-tier: integrato ma inefficiente.​

●​ Two-tier: separazione DW e client.​

●​ Three-tier (standard): DW → Server applicazione → Client BI.​

(10) Modello Multidimensionale

●​ Organizza i dati in fatti e dimensioni.​

●​ I fatti rappresentano eventi misurabili (es. vendite).​

●​ Le dimensioni rappresentano contesti (tempo, luogo, prodotto).​

(11) Operazioni Modello Multidimensionale

●​ Drill-down/up: dettagli vs. aggregati.​

●​ Slice: selezione su una dimensione.​

●​ Dice: selezione su più dimensioni.​

●​ Pivot: rotazione delle dimensioni.​

(12) Schema a Stella e a Fiocco di Neve

●​ Stella: una tabella dei fatti collegata a dimensioni denormalizzate.​

●​ Fiocco di Neve: dimensioni normalizzate (più tabelle).​

●​ Trade-off tra semplicità (stella) e ridondanza (fiocco).​

(13) CRISP-DM

●​ Modello standard per Data Mining:​

1.​ Comprensione business​

2.​ Comprensione dei dati​

3.​ Preparazione dati​

4.​ Modellazione​

5.​ Valutazione​

6.​ Distribuzione​

(14) Kimball Life Cycle

●​ Approccio iterativo per DW:​

○​ Pianificazione​

○​ Progettazione​

○​ Costruzione​

○​ Deployment​

○​ Gestione​

○​ Estensione​

(15) Sottosistemi ETL

●​ Extract: recupera dati dalle fonti.​

●​ Transform: pulizia, integrazione, aggregazione.​

●​ Load: carica nel DW.​

(16) Progettazione ETL

●​ Deve considerare fonti, tempistiche, mapping tra tabelle.​

●​ Focalizzata su affidabilità e performance.​

(17-21) Dimensional Modelling 1-5

●​ Tecnica per progettare DW:​

○​ Fatti misurabili​

○​ Dimensioni descrittive​

●​ Concetti chiave: surrogate key, slowly changing dimensions (SCD), factless

fact table, junk dimension, conformed dimensions.​

(22) Data Visualization

●​ Tecniche per rappresentare graficamente i dati (grafici, mappe, heatmap).​

●​ Obiettivo: rendere interpretabili i dati complessi.​

(23) Introduzione Tableau

●​ Tool BI per visualizzazione dati.​

●​ Interfaccia drag-and-drop, connessione a diverse fonti.​

(24) Connessione ai dati

●​ Supporta Excel, CSV, DBMS, cloud.​

●​ Unione e join tra dataset.​

(25) Drill Down, Ordinamento, Raggruppamento

●​ Interazione con i dati per approfondire (drill).​

●​ Ordinare e raggruppare valori per analisi più chiare.​

(26) Filtri

●​ Rimuovono dati non rilevanti.​

●​ Possono essere su dimensioni, misure o interattivi (parametri).​

(27-28) Campi Calcolati

●​ Creazione di nuove metriche con formule personalizzate (es. IF, CASE).​

●​ Supportano aggregazioni, stringhe, date, logiche.​

(29) Parametri

●​ Valori dinamici utilizzabili nei calcoli, filtri, riferimenti.​

●​ Consentono interattività (es. scegliere una soglia o una categoria).​

(30) Dashboard e Storie

●​ Dashboard: vista composta da più grafici interattivi.​

●​ Storie: narrazione con dati (sequenza di viste/dash).​

(31) Alcuni esempi

●​ Esempi pratici: vendite per regione, KPI aziendali, andamento temporale.​

(32) Dati

●​ Materia prima per analisi.​

●​ Importante verificarne la qualità, completezza, coerenza.​

(33) Esplorare i Dati

●​ Analisi preliminare: outlier, distribuzioni, relazioni.​

●​ Tecniche: descrittive, boxplot, istogrammi.​

(34) Weka

●​ Tool per data mining e machine learning.​

●​ Interfaccia grafica, algoritmi pronti, dataset ARFF.​

(35) Classificazione - Decision Tree

●​ Algoritmo supervisionato (es. J48).​

●​ Crea alberi logici da feature per classificare.​

(36) Valutazione Classificatori

●​ Metriche: accuracy, precision, recall, F1.​

●​ Confusion matrix per analisi errori.​

(37) Classificazione - Regole

●​ Algoritmi che generano regole IF-THEN.​

●​ Interpretabilità alta (es. RIPPER, OneR).​

(38) Associazioni - A priori

●​ Scopre regole frequenti tra item (es. Market Basket Analysis).​

●​ Misure: support, confidence, lift.​

(39) Cluster Analysis

●​ Raggruppa oggetti simili.​

●​ Tecniche: K-Means, DBScan, Gerarchico.​

(40) K-Means

●​ Divide i dati in k cluster basandosi sulla distanza.​

●​ Richiede specificare k a priori.​

(41) DBScan

●​ Clustering basato sulla densità.​

●​ Non richiede k; rileva rumore e forme arbitrarie.​

(42) Rilevamento anomalie

●​ Individuare dati fuori dal normale.​

●​ Tecniche: statistica, clustering, machine learning.​

(43-48) Progetti 1-6

●​ Applicazioni pratiche su dataset reali:​