Programma Didattico Corso Data Analyst

MODULO 1: FONDAMENTI DI ANALISI DATI E PROGRAMMAZIONE

Introduzione alla Data Analysis

• Panoramica sul ruolo del Data Analyst
• Differenze tra Data Analyst e Data Scientist
• Esempi di applicazioni reali della Data Analysis

Fondamenti di Programmazione con Python

• Introduzione a Python
• Strutture dati fondamentali: liste, dizionari, set
• Controllo di flusso e funzioni di base

Manipolazione dei Dati con Pandas

• Introduzione ai DataFrame e alle Serie
• Importazione di dati da CSV, Excel e SQL
• Pulizia e trasformazione dei dati

Analisi Esplorativa dei Dati

• Visualizzazione dei dati con Matplotlib e Seaborn
• Descrizione statistica di base
• Identificazione di pattern e trend

Introduzione a SQL per l’Analisi Dati

• Creazione e gestione di database relazionali
• Scrittura di query SQL per l’estrazione di dati
• Operazioni avanzate in SQL (join, subquery, aggregazioni)

MODULO 2: STATISTICA APPLICATA PER DATA ANALYST

Statistica Descrittiva

• Misure di centralità e dispersione
• Visualizzazione delle distribuzioni
• Tecniche per il riassunto dei dati

Statistica Inferenziale

• Principi di inferenza statistica
• Test di ipotesi
• Intervalli di confidenza

Analisi delle Correlazioni e Regressione Lineare

• Calcolo e interpretazione della correlazione
• Regressione lineare semplice
• Valutazione dei modelli di regressione

Analisi delle Serie Temporali

• Introduzione alle serie temporali
• Tecniche di smoothing e forecasting
• Analisi delle stagionalità e trend

MODULO 3: STRUMENTI AVANZATI DI DATA ANALYSIS

Strumenti di Visualizzazione Avanzata

• Creazione di grafici avanzati con Seaborn e Plotly
• Dashboard interattivi con Dash e Streamlit
• Principi di Data Storytelling

Excel per l’Analisi Dati

• Tecniche avanzate di manipolazione dati in Excel
• Utilizzo di funzioni avanzate (VLOOKUP, PIVOT, etc.)
• Automazione con Macro e VBA

Tableau e Power BI per la Business Intelligence

• Creazione di dashboard interattive con Tableau
• Analisi dei dati aziendali con Power BI
• Integrazione con fonti dati multiple

Introduzione a Google Analytics e Web Analytics

• Panoramica di Google Analytics
• Analisi del traffico web e delle performance
• Creazione di report personalizzati

Introduzione a Big Data e Hadoop

• Fondamenti di Big Data
• Panoramica di Hadoop e MapReduce
• Utilizzo di strumenti Big Data per l’analisi

MODULO 4: BUSINESS ANALYSIS E COMUNICAZIONE DEI DATI

Business Analysis e KPI

• Identificazione e definizione dei KPI aziendali
• Tecniche di analisi per il supporto decisionale
• Utilizzo di strumenti per il monitoraggio dei KPI

Data Cleaning e Preparazione dei Dati

• Tecniche di data cleaning avanzato
• Gestione dei dati mancanti e outlier
• Trasformazione dei dati per l’analisi

Reporting e Automazione

• Creazione di report automatizzati
• Introduzione a strumenti di automazione come Python e Excel
• Reporting dinamico con Power BI e Tableau

Comunicazione Efficace dei Risultati

• Principi di comunicazione visiva
• Presentazione dei risultati a stakeholder non tecnici
• Data storytelling per il business

MODULO 5: PROGETTO FINALE

Progetto Finale Progetto di Analisi Dati Completo

• Definizione di un problema di analisi reale
• Raccolta, pulizia e analisi dei dati
• Sviluppo di dashboard, report e presentazione dei risultati

Primo Progetto Finale: Analisi del Costo dell’Alimentazione Sana

FASE 1 – Acquisizione Dati

Verranno raccolte informazioni da diverse fonti:

• Dati nutrizionali e prezzi mediante web scraping di portali di supermercati online
• Database di ricette forniti in formato CSV e JSON contenenti ingredienti, quantità e preparazioni
• Validazione delle informazioni nutrizionali attraverso API pubbliche specializzate
• Parametri di riferimento per fabbisogni nutrizionali per diverse fasce demografiche

FASE 2 – Pulizia e Strutturazione

I dati grezzi verranno processati e organizzati in un database relazionale. Le attività includeranno:

• Normalizzazione di formati diversi tramite codice python (unità di misura, prezzi, porzioni)
• Gestione di valori mancanti e inconsistenze tra fonti
• Creazione di relazioni logiche tra alimenti, ricette e valori nutrizionali
• Analisi degli abbinamenti di ingredienti più frequenti nelle ricette

FASE 3 – Analisi

Applicazione di tecniche statistiche per identificare pattern e correlazioni nei dati:

• Calcolo del costo medio di diete bilanciate per diversi profili demografici
• Analisi della correlazione tra prezzo e qualità nutrizionale degli alimenti
• Confronto dei costi tra diverse tipologie di dieta
• Identificazione degli alimenti con migliore rapporto qualità-prezzo

FASE 4 – Visualizzazione e Reporting

Creazione di report e dashboard che presentano i risultati attraverso grafici e tabelle interpretabili, con possibilità di personalizzazione in base a parametri come età, preferenze alimentari e budget.

Secondo Progetto Finale: Analisi di Dati Sanitari in Epidemiologia e Neuroscienze

Introduzione e setup
Obiettivo: studenti orientati su dataset, obiettivi e strumenti.

• Presentazione del project work, illustrazione dataset (COVID-19 e neuroscienze), overview strumenti, aspetti etici e privacy dati sanitari.

Pulizia dati epidemiologici (COVID-19)
Obiettivo: Excel dataset epidemiologico pulito e prime tabelle.

• Import dataset COVID in Excel, gestione duplicati e valori mancanti, creazione variabili derivate (tasso/100.000), prime pivot.

Analisi demografica COVID
Obiettivo: prime visualizzazioni COVID in Excel e setup Power BI.

• Analisi distribuzione casi per età e sesso, analisi ricoveri/decessi, grafici in Excel, introduzione a Power BI.

Indicatori epidemiologici COVID
Obiettivo: dashboard epidemiologica con KPI principali.

• Calcolo CFR (Case Fatality Rate), Rt semplificato, KPI dinamici e dashboard interattiva in Power BI.

Analisi geografica COVID
Obiettivo: cruscotto geografico epidemiologico.

• Import dati regionali in QGIS, creazione heatmap, integrazione mappe in Power BI, dashboard finale COVID.

Pulizia dati neuroscienze
Obiettivo: dataset neuroscientifico pulito e coerente.

• Import dataset clinico in Excel, gestione mancanti nei test cognitivi (MMSE, MoCA), normalizzazione punteggi, variabili derivate (stadio malattia).

Analisi descrittiva neuroscienze
Obiettivo: overview clinica dei dati neuroscientifici.

• Distribuzione pazienti per patologia, età e sesso, analisi outcome clinici, grafici comparativi in Excel, introduzione a Tableau.

Analisi avanzata neuroscienze
Obiettivo: dashboard clinico-analitica neuroscientifica.

• Tableau: boxplot età vs punteggi cognitivi, analisi correlazioni (terapie vs outcome), costruzione dashboard interattiva.