Introduzione/obiettivi/idee progettuali

• Digital Transformation: Innovazione tecnologica vs Strategia oganizzativa
• Le 3 diverse strategie della Digital transformation: Matrice / Volumi / Valore
• I fattori abilitanti
• Il dato come miglioramento continuo
• Un approccio alla Data analysis
• Le competenze del Data scientist
• Cenni alla Data Governance
• Potenziali progetti di Data analytics - gruppo di lavoro

 Riduci

Data orientation

• Il percorso del dato per estrarne valore
• Raccolta ed elaborazione di dati strutturati, semi-strutturati e non-strutturati
• Lavorare sul flusso dei dati
• Integrazione delle diverse fonti dati
• Comprendere gli elementi fondamentali del percorso
• La catena di trasformazione del dato
• Architetture di riferimento
• La qualità e sicurezza del dato
• Il cloud
• Consumare il dato
• MES e Sensori
• Casi pratici e introduzione al Project work operativo

Introduzione e Concetti Fondamentali

• Differenza tra dati e informazioni
  • Definizione e concetti chiave
  • Esempi pratici di trasformazione dei dati in informazioni
• Dinamicità ed eterogeneità dei dati
  • Strutturati, semi-strutturati e non strutturati
  • Fonti di dati (transazionali, social, IoT, etc.)
  • Evoluzione nel tempo e impatti sulla gestione

Data Lake e Architetture di Dati

• Perché “Data Lake”?
  • Differenza con i Data Warehouse
  • Vantaggi e sfide
  • Architetture tipiche (raw, processed, curated layers)
• Ciclo di vita dei dati
  • Ingestione, storage, elaborazione, analisi e archiviazione
  • Strumenti e best practice
  • Governance e qualità dei dati
• Basi dati relazionali e non relazionali
  • SQL vs NoSQL: differenze e casi d'uso
  • Scalabilità e disponibilità

Elaborazione e Analisi dei Dati

• Flussi in real-time
  • Streaming vs batch processing
  • Strumenti (Kafka, Azure Event Hub, Apache Flink)
• Introduzione ai Big Data
  • Le 5V dei Big Data (Volume, Velocità, Varietà, Veridicità, Valore)
  • Architetture Lambda e Kappa
• Big or not big? Scegliere la tecnologia giusta
  • Criteri di scelta (scalabilità, costi, prestazioni)
  • Esempi pratici e decision making

Strumenti e Tecnologie per Big Data

• Introduzione a Hadoop/Spark
  • Ecosistema Hadoop (HDFS, Hive, Yarn)
  • Spark e il paradigma distribuito
• Introduzione al mondo cloud: pro e contro
  • Modelli di deployment (IaaS, PaaS, SaaS)
  • Soluzioni cloud per data lake (Azure Data Lake, AWS S3, Google Cloud Storage)
  • Costi e considerazioni di sicurezza

Strategie di Valorizzazione dei Dati

• Feature engineering e data enrichment
  • Pre-elaborazione dei dati per il machine learning
  • Tecniche di aggregazione, normalizzazione e trasformazione
• Data virtualization
  • Accesso ai dati senza spostarli

 Riduci

Data Analytics & Artificial Intelligence Statistical learning 1

Opzionale per certificati Six Sigma Green Belt e/o Black Belt

• Introduzione ai modelli matematici
• Utilità e limiti di un modello matematico
• Terminologia di settore e caratteristiche: AI, ML, DL, SL
• Linguaggi e tecnologie dell’AI
• Low code, no code e frugal coding
• Modelli supervised e unsupervised
• Training, validation, test
• Regressione, classificazione, clusterizzazione
• Principali algoritmi usati per statistical learning

Data Analytics & Artificial Intelligence Statistical learning 2

Opzionale per certificati Six Sigma Green Belt e/o Black Belt

• Esempi pratici con il software Statistica
• Introduzione al concetto di qualità
• Introduzione agli strumenti statistici per la qualità
• Carte di controllo
• Capacità di processo
• Introduzione al DoE come strumento per creare e migliorare la qualità
• Carte di controllo e machine learning
• Classificazione di serie temporali
• Predizione dei valori di capacità

 Riduci

Machine learning

• Esempi pratici con R/Python e il software Statistica
• Introduzione al Machine learning
• Classificazioni: prevedere etichette
• Regressioni: prevedere numeri
• Principali algoritmi di ML (Alberi, ensamble models, random forest, ...)
• Migliorare il modello: Parametri e Iperparametri come ricercarli
• Performance e principali metriche (Accuracy, F1, ecc...)
• Problematiche: Overfitting e altre questioni relative all'apprendimento del modello.
• Riproducibilita' e messa in opera di una soluzione ML
• Introduzione al deep learning
• Obiettivi del deep learning
• Requisiti del deep learning
• Dal percettrone al neurone, allo strato di neuroni
• Funzioni di attivazione, apprendimento e tasks.
• Backpropagation, gradient-descent e ottimizzatori
• Meccanismi di regolarizzazione e overfitting.
• Ricerca degli Iperparametri
• Le principali architetture (Dense, Convolutive, Ricorrenti)
• Modelli preallenati, transfer learining e fine-tuning.
• Mettere in produzione una soluzione deep learning
• AI generativa
• Dati sintetici: produrli e utilizzarli
• Processare il linguaggio: Natural Language Processing
• Capire il testo: gli Embeddings
• Large Language Models (LLM)
• Costi degli LLM e Tokenizzazione
• Modelli in cloud e on-premises, modelli aperti e proprietari.
• Memoria di un LLM
• Agenti AI

Introduzione alla Trasformazione dei Dati

• Perché è fondamentale la trasformazione dei dati?
  • Il ruolo dell'ETL/ELT nel ciclo di vita del dato
  • Differenze tra dati grezzi e dati trasformati
  • Benefici della preparazione dei dati per analytics e reporting
• Tipologie di trasformazioni comuni
  • Data cleaning (gestione dei null, duplicati, formati incoerenti)
  • Data enrichment (arricchimento con dati esterni, feature engineering)
  • Aggregazioni e calcoli derivati

ETL vs ELT: Scelte Architetturali

• Definizione e differenze tra ETL e ELT
  • Quando usare ETL e quando ELT
  • Impatti su performance e scalabilità
• Architetture cloud e on-premise
  • Differenze tra strumenti cloud-based e tradizionali
• Modelli di trasformazione
  • Batch vs real-time processing
  • Ingestion incrementale vs full load

Strumenti di ETL/ELT

• Panoramica sugli strumenti di mercato
  • Azure Data Factory, SSIS, Databricks, Fabric
• Scenari di utilizzo e confronto tra gli strumenti

Connessione alle Fonti Dati

• Origini dati più comuni
  • Database relazionali, API, file, streaming data
• Tecniche di estrazione ottimizzate
  • CDC (Change Data Capture), Partizionamento e parallelizzazione

Trasformazione dei Dati: Tecniche e Strategie

• Tecniche di data transformation
  • Normalizzazione, Data wrangling, Derivazione di metriche
• Gestione della qualità del dato
  • Convalida e profilazione, Monitoraggio delle anomalie

Data Pipeline: Dalla Progettazione all'Implementazione

• Fasi di una pipeline di trasformazione
  • Ingestion → Processing → Storage → Delivery
• Best practices di design delle pipeline
• Esercitazione pratica con Fabric

Data Warehouse e DataLakeHouse: Scenari di Trasformazione

• Differenze tra Data Lake e Data DataLakeHouse
• Layering architetturale per una gestione ottimale
• Pattern di trasformazione per Data Warehouse

Esercitazioni ed Esempi Pratici

• Laboratorio 1: Estrazione e trasformazione di dati
• Laboratorio 2: Pulizia e aggregazione di dati
• Laboratorio 3: Ottimizzazione di una pipeline

Casi Progettuali su Piattaforma Azure

• Architettura di un moderno data platform
• Data ingestion con Fabric
• Governance dei dati e gestione dei costi

Best Practice e Lezioni Apprese dal Campo

• Naming conventions e documentazione
• Ottimizzazione delle query e dei flussi
• Sicurezza e gestione dei permessi sui dati
• Errori comuni e come evitarli

Cosa dobbiamo fare vedere?

• Definizione di visualizzazione efficace
• Differenza tra esplorazione e comunicazione dei dati
• Obiettivi di business vs analisi esplorativa

Il contesto di visualizzazione

• Tipologie di utenti (executive, analisti, operativi)
• Storytelling con i dati: come guidare le decisioni
• Scelta del giusto tipo di grafico (bar chart, line chart, heatmap, etc.)

Report-based tool vs Model-based tool

• Differenze principali tra report statici e modelli di analisi dinamica
• Vantaggi e svantaggi di ciascun approccio

Come distribuire le informazioni

• Report statici vs interattivi
• Condivisione e sicurezza dei report
• Automazione dei processi di reporting

Rispondere alle domande (reporting efficace)

• Tecniche di reporting per la presa di decisioni
• Identificazione delle KPI chiave
• Adattamento delle visualizzazioni alle esigenze degli stakeholder

Filtri e modalità di navigazione

• Filtri di pagina, di report e drill-through
• Slicers e filtri personalizzati
• Navigazione gerarchica e interattività

Esercitazioni ed esempi pratici con Power BI

• Creazione di report da zero
• Connessione a diverse fonti dati
• Personalizzazione delle visualizzazioni

Casi progettuali sulla piattaforma Fabric

• Integrazione con DataLakehouse
• Scalabilità e performance

Best practice ed esempi dal campo

• Errori comuni da evitare
• Ottimizzazione delle prestazioni

Data Governance e Project work

• Best practice ed esempi dal campo
• Governance progettuale
• Impostazione project work

Digital Innovation

• Digital innovation - Progetti One 2 One

 Riduci