La capacità di gestire, modellare, ed interpretare dati di varia origine, natura e complessità, traendone informazioni utili per supportare i processi decisionali è diventata cruciale in ogni settore professionale. Saper comprendere e descrivere efficacemente un qualche fenomeno di interesse sono competenze fondamentali per la figura dell’ingegnere. Questi aspetti sono particolarmente rilevanti anche per l’ingegnere gestionale, che svolge un ruolo centrale nell’ottimizzazione e nel coordinamento dei processi aziendali, integrando conoscenze tecniche ed economico-manageriali. I problemi decisionali richiedono spesso dati quantitativi ed analisi statistiche con finalità specifiche: dal monitoraggio del livello di soddisfazione dei clienti al miglioramento dell’efficienza operativa, dallo studio delle performance finanziarie alla valutazione di quelle tecnologiche. In un contesto caratterizzato dall’ampia disponibilità di big data e dalla crescente digitalizzazione, le organizzazioni sono diventate notevolmente più efficaci a raccogliere dati e produrne di nuovi. La capacità di estrarre informazioni utili a partire da queste risorse a disposizione delle imprese e sfruttarle adeguatamente all’interno di un gruppo di lavoro o con stakeholder esterni sono competenze ad elevato valore aggiunto per un ingegnere gestionale. In questo insegnamento, gli studenti esploreranno diverse fonti, tipi e strutture dati, applicheranno tecniche di analisi descrittiva ed inferenziale, impareranno a manipolare basi di dati complesse e di grandi dimensioni, descriverne i principali attributi, rappresentare visivamente le informazioni contenute e desumere conclusioni significative. Durante le lezioni e le esercitazioni, gli studenti si confronteranno con project work, problem set ed attività progettuali con forte valenza applicativa e potranno mettere direttamente in pratica le nozioni teoriche apprese.

Gli studenti acquisiranno i fondamenti metodologici e le competenze tecniche utili per gestire ed analizzare molteplici tipi di dati al fine di comprendere e supportare le decisioni economiche, finanziarie e relative alla gestione dell’innovazione che vengono prese all’interno delle organizzazioni. Gli studenti acquisiranno le seguenti competenze: - capacità di identificare e manipolare i diversi tipi di variabili e strutture dati; capacità di gestire basi di dati, anche di grandi dimensioni, specifiche per le analisi economiche e di innovazione; - comprensione delle peculiarità di ciascun metodo di analisi e rappresentazione dei dati in relazione alla tipologia, al contesto di riferimento ed al problema da affrontare; - capacità di strutturare un progetto di analisi empirica volto alla risoluzione di uno specifico problema o finalizzato a supportare la comprensione di un settore economico o un ambito tecnologico; capacità di interpretare e condividere risultati nel gruppo di lavoro; - capacità di leggere, comprendere, commentare e strutturare modelli econometrici di base a supporto dei processi decisionali; - conoscenza dei principali linguaggi di programmazione inerenti all’analisi descrittiva e inferenziale (R-Studio e Stata); - comprensione di indicatori e metriche a livello regionale utili per facilitare la comprensione del contesto di riferimento ove le aziende operano. Al termine del corso, gli studenti avranno acquisito la terminologia specifica necessaria per comprendere al meglio gli aspetti teorici dell’analisi empirica e descrivere efficacemente i risultati delle elaborazioni.

- Nozioni fondamentali di economia e gestione d’impresa (es.: contabilità, analisi degli investimenti). Conoscenze di base di corporate finance. - Conoscenze di base di statistica.

L’insegnamento è strutturato in diversi moduli: - fonti e strutture dati, tipi di variabili, scale di misura e trasformazioni (20h); - analisi statistica descrittiva univariata e bivariata, visualizzazione dati (20h); - casi d’uso ed applicazioni in contesti specifici (dati economico-finanziari a livello d’impresa, dati sull’innovazione tecnologica, dati geografici)(20h); - analisi statistica inferenziale applicata (analisi multivariata, analisi di impatto)(20h). Ciascun modulo tratterà i temi proposti sia da un punto di vista teorico che tramite applicazioni pratiche con dati reali o simulati.

L’insegnamento si articola in lezioni frontali ed esercitazioni (in aula) che consentiranno agli studenti di mettere in pratica le nozioni apprese utilizzando dati forniti dal docente o reperiti da fonti pubbliche. Nelle esercitazioni, gli studenti apprenderanno come utilizzare diversi applicativi a supporto dell’analisi empirica. Durante l’insegnamento, gli studenti lavoreranno in gruppo per la realizzazione di un elaborato che costituirà parte della valutazione finale. Si richiede una partecipazione attiva in presenza, soprattutto per lo sviluppo del lavoro progettuale e delle prove in itinere.

Slides e materiali a cura dei docenti. Altre letture consigliate: - Békés, G., &; Kézdi, G. (2021). Data Analysis for Business, Economics, and Policy. Cambridge: Cambridge University Press. - By Rafael A. Irizarry (2025). Introduction to Data Science - Data Wrangling and Visualization with R. Available here: https://rafalab.dfci.harvard.edu/dsbook-part-1/ and https://rafalab.dfci.harvard.edu/dsbook-part-2/ - Mostly Harmless Econometrics: An Empiricists’ Companion. Joshua D. Angrist & Jorn-Steffen Pischke (Princeton University Press, 2009).

Slides; Esercizi; Esercizi risolti;

Modalità di esame: Prova scritta (in aula); Elaborato scritto individuale; Elaborato progettuale in gruppo;

Exam: Written test; Individual essay; Group project;

... La valutazione complessiva si basa sulla combinazione di: - un esame scritto sulle conoscenze pratiche e teoriche acquisite dagli studenti (con domande aperte ed esercizi) per un totale di 12 punti; - un project work volto a risolvere uno specifico problema e/o domanda di ricerca per un totale di 14 punti. - 4 prove in itinere per un totale di 4 punti. La prova scritta individuale, della durata di un’ora, consiste in domande a risposta breve, aperta o chiusa, e si svolge in aula. La prova verte sugli argomenti trattati nell’insegnamento ed è finalizzata ad accertare la conoscenza delle nozioni teoriche e pratiche apprese durante le lezioni. Non è previsto l’uso dei materiali didattici durante lo svolgimento dello scritto. Il project work è funzionale a potenziare le competenze analitiche ed argomentative dello studente, deve essere sviluppato con riferimento alle nozioni teoriche apprese durante le lezioni o descritte nei materiali didattici e tramite il supporto di informazioni e dati forniti dai docenti o reperiti autonomamente dagli studenti. La valutazione del project work mira ad accertare la competenza dello studente: 1) nell’applicare i concetti teorici a dati empirici, 2) nel comprendere i vantaggi ed i limiti dei principali strumenti metodologici appresi durante le lezioni dimostrandone un uso consapevole. Il project work verte su uno dei seguenti ambiti: - un problema o un insieme di dati reali forniti da una azienda (es. dati su vendite prodotti, su tempi di produzione, ecc.) da integrare con ricerche su fonti pubbliche; - un settore industriale o un dominio tecnologico da esplorare su dimensioni economiche, finanziarie e/o tecnologiche. Il project work prevede dei momenti di revisione da parte dei docenti durante l’anno, al fine di guidarne lo sviluppo e di valutare il contributo dei team. I momenti di revisione prevedono una presentazione del lavoro svolto su cui il gruppo di lavoro riceverà commenti e indicazioni per migliorare. Il momento di revisione coinvolge tutti gli studenti. La valutazione finale tiene conto del processo di sviluppo, del contenuto e della presentazione finale. Le prove in itinere prevedono l’analisi e la risoluzione di diversi problem set con la finalità di applicare i metodi appresi ad un insieme di dati reali, visualizzare e interpretare le statistiche. Le differenti parti dell’esame concorrono a verificare la comprensione dei temi trattati nell’insegnamento, la capacità degli studenti di applicare le nozioni apprese a casi reali, descrivere e modellare i fenomeni oggetto di studio. I docenti valutano l’assegnazione della lode in caso di raggiungimento di 30/30 sulla base di quanto realizzato nei project work e nelle prove in itinere.

Gli studenti e le studentesse con disabilità o con Disturbi Specifici di Apprendimento (DSA), oltre alla segnalazione tramite procedura informatizzata, sono invitati a comunicare anche direttamente al/la docente titolare dell'insegnamento, con un preavviso non inferiore ad una settimana dall'avvio della sessione d'esame, gli strumenti compensativi concordati con l'Unità Special Needs, al fine di permettere al/la docente la declinazione più idonea in riferimento alla specifica tipologia di esame.