Corso Business Data Analyst con applicazioni AI
Operazione Rif. Pa 2025-23551/RER approvata con Deliberazione di Giunta Regionale n. 486 del 07/04/2025 e cofinanziata con risorse del FSE+ 2021-2027 del Ministero dell’Istruzione e del Merito e della Regione Emilia-Romagna
In un contesto digitale, la capacità di interpretare e valorizzare grandi quantità di dati è diventata una leva strategica per l’innovazione e il processo decisionale. Per rispondere a questa esigenza, è fondamentale sviluppare competenze mirate all’acquisizione, organizzazione ed elaborazione dei dati.
E proprio in quest’ottica, verranno affrontati temi legati all’utilizzo di database relazionali, linguaggi di interrogazione, strumenti di reporting e tecniche di data visualization, con l’obiettivo di trasformare le informazioni in conoscenza utile e azionabile.
Gli ambiti di contenuto trattati sono afferibili alla qualifica professionale del “Tecnico nella gestione ed elaborazione dati” prevista nel Repertorio Regionale dell’Emilia Romagna.
Organizzazione del corso
Il corso prevede 500 ore suddivise nel seguente modo:
- Formazione d'Aula: 4 mesi circa (350 ore)
- Stage: 150 ore
A chi è rivolto
Il presente progetto è rivolto a 12 giovani o adulti, occupati o non occupati, con un titolo di studio/qualificazione non inferiore al 4° livello EQF conseguito in esito a percorsi formativi a indirizzo tecnico-scientifico, economico, informatico, multimediale e grafico. Data la natura delle conoscenze e delle capacità fornite da questo corso, in fase di selezione si prevede l'assegnazione di 5 punti aggiuntivi ai possessori dei seguenti titoli di studio
- Diploma di Istituto Tecnico in “Informatica e Telecomunicazioni”;
- Diploma di Istituto Tecnico Economico "Sistemi Informativi Aziendali";
- Diploma professionale quadriennale di “Tecnico dei sistemi informatici” (IeFP);
Ai sensi di quanto previsto dalla DGR n. 1298/2015 e degli obiettivi generali e specifici del presente Invito, i partecipanti alle attività dovranno essere residenti o domiciliati in regione Emilia-Romagna in data antecedente all’avvio delle attività.
Come funziona
L’ammissione al corso è subordinata al superamento di prove di selezione attitudinali, tecniche e colloquio motivazionale:
- La prova attitudinale (test scritti) è volta a misurare la capacità di esecuzione e riuscita in differenti aree significative per la figura professionale in uscita.
- La prova tecnica è costituita domande a risposta chiusa, inerenti a: lingua inglese tecnica.
- l colloquio motivazionale e ha lo scopo di accertare la motivazione alla partecipazione e l'interesse per il settore specifico del corso, e valutare le attitudini e le esperienze formative e professionali del candidato, oltre agli aspetti relazionali e di comunicazione.
I candidati che avranno perfezionato la procedura di iscrizione al corso riceveranno una mail di convocazione alle selezioni che si terranno, presso la sede IFOA di Bologna 29/05/2025
I colloqui proseguiranno anche nei giorni successivi se necessario.
Cosa imparerai a fare
Il “Business Data Analyst con applicazioni AI” è un professionista digitale di ultima generazione specializzato nell'analisi dei dati aziendali e nell'applicazione di tecniche di AI per ottimizzare le operations, l’interazione con i clienti e l’ideazione di nuovi prodotti e servizi.
Il suo ruolo principale consiste nell'interpretare grandi volumi di dati per identificare tendenze, creare modelli predittivi e generativi, e fornire insights funzionali allo sviluppo del business aziendale.
È una figura professionale che unisce capacità analitiche a una solida conoscenza delle architetture e delle metodologie per la raccolta, l’archiviazione e l’analisi dei dati. Impiega soluzioni software avanzate di data processing (SQL, Python, R), tools di data visualization (Tableau e Power BI) e possiede una conoscenza approfondita degli algoritmi di Machine Learning, delle tecniche di AI, anche nella sua versione Generativa, e le competenze necessarie per la loro applicazione nelle pratiche di Business Intelligence.
Quanto costa e modalità di pagamento
Il corso è interamente gratuito poiché finanziato con risorse del FSE+ 2021-2027 del Ministero dell’Istruzione e del Merito e della Regione Emilia-Romagna.
Contenuti del corso
- Presentazione del corso Struttura e articolazione dei moduli Finalità del finanziamento FSE ed enti finanziatori
- I canali della comunicazion e Le fasi di costruzione di una relazione
- Come comunicare all’interno (colleghi) ed all’esterno (clienti)
- Come gestire al meglio le obiezioni e il reclamo del cliente
- Il processo logico di identificazione del/dei problema/i
- Le principali metodologie di approccio e la raccolta delle informazioni
- L’analisi dei dati disponibili sul problema
- Gli strumenti del problem solving Gestione delle priorità e delle attività dispendiose in termini di tempo
- Pianificazione funzionale del tempo
- Il sistema azienda Le principali tipologie di imprese: caratteristiche e differenze Ruoli e mansioni Modelli organizzativi I processi e le funzioni aziendali Concetti di efficacia/efficie nza produttiva Approcci di business, modelli organizzativi e centralità del cliente
- Il concetto dei limiti del pianeta La nascita e l’evoluzione del pensiero ecologista Convenzioni internazionali e Agenda 2030 SDGs Impronta ecologica e overshoot day Ecologia: dalla teoria alla pratica Sostenibilità, economia circolare, transizione ecologica.
- L’importanza della prevenzione e della corretta percezione del rischio
- Gli aspetti generali del D. Lgs. n. 81 – 9 aprile 2008 e i soggetti della prevenzione
- Concetto di rischio;
- concetto di danno;
- concetto di prevenzione;
- concetto di protezione Organizzazion e della prevenzione aziendale;
- diritti, doveri e sanzioni per i vari soggetti aziendali Il documento di valutazione dei rischi (DVR)
- Principali leggi e regolamentazi oni sulla privacy dei dati (GDPR, CCPA, ecc.)
- Tecniche di sicurezza per la protezione dei dati Crittografia e anonimizzazione
- Gestione degli accessi e delle autorizzazioni
- Politiche e standard di certificazione (ISO, SOC, ecc.) e metodi di autenticazione (password, MFA, biometria)
- Software antivirus e loro funzionamento
- Cosa è un sistema operativo Panoramica dei sistemi operativi Windows server / windows 11 edizioni e funzionalità
- Gestione del sistema operativo windows
- Sicurezza di base del sistema operativo Windows
- Progettazione concettuale: caratteristiche principali Il modello E/R
- Raccolta ed analisi di requisiti Strategie di progettazione concettuale
- Verifica di qualità
- La creazione di modelli E/R Caratteristiche dello schema logico relazionale
- Traduzione dello schema E/R in modello logico relazionale
- Tecniche di normalizzazio ne Forme normali Forme di Boyce-Codd
- Terza forma normale
- Introduzione ai Database Management Systems (DBMS)
- Il modello relazionale: concetti di base, vincoli di integrita' e chiavi
- Introduzione a SQL Manipolazione dei Dati Query di Selezione (SELECT)
- Funzioni Aggreganti e Raggruppamento Join e Relazioni tra Tabelle
- Introduzione all’ambiente MySql Data entry in MySql
- Creazione di un modello completo di database relazionale
- Creazione ed esecuzione di query in MySQL
- Differenza tra database relazionali e non relazionali
- Introduzione a NoSQL Query NoSQL
- Introduzione a MongoDB Inserimento in MongoDB Ricerca in MongoDB
- Data wrangling: attività di organizzazione, pulizia e sistematizzazione dei dati finalizzati alle analisi
- Introduzione ai linguaggi di programmazione
- Introduzione a Python e al dynamic typing
- Introduzione a Pandas Strutture dati principali: Series e DataFrame
- Filtraggio e selezione: loc, iloc, at, iat
- Modifica di righe e colonne
- Lettura di file CSV, Excel, JSON e SQL
- Identificazione dei dati mancanti
- Metodi di imputazione: fillna(), dropna(), interpolate() Applicazione di funzioni: apply(), map(), applymap()
- Concatenazione di DataFrame e join
- Basi di Python in Excel: Differenze con formule Excel, sintassi celle Python
- Gestione Dipendenze e Calcolo: dipendenze tra celle Python, modalità di ricalcolo (Automatico/P arziale/Manual e)
- Pandas vs Tabelle Excel: Import/Export dati, filtri, ordinamenti ed operazioni di aggregazioni Visualizzazione dei Dati: Matplotlib vs Grafici Excel Gestione degli errori e debugging su excel
- Concetti di base, storia e applicazioni del machine learning Introduzione ai concetti di correlazione e regressione lineare (singola e multipla)
- Accenno ai concetti statistici di cograduazione e di connessione
- Apprendimento supervisionato , non supervisionato e rinforzato EDA - Exploratory data Analysis con librerie di data visualization
- Normalizzazione e standardizzazione dei dati
- Tecniche di raccolta, pulizia e preprocessing dei dati
- Tecniche preliminari di aggiuntament o di serie storiche Caratteristiche , feature engineering e riduzione della dimensionalità
- Nozioni di base di algebra lineare applicate al machine learning
- Modelli di regressione lineare e loro applicazioni Concetti e applicazioni della regressione logistica per la classificazione .
- Costruzione, interpretazion e degli alberi decisionali
- Principi e vantaggi dell'uso di random forest
- Concetti base di calcolo delle probabilità applicati agli alberi decisionali e alle random forest Bagging, boosting e stacking per migliorare le prestazioni dei modelli
- Creazione e utilizzo di pipeline in scikit-learn per automatizzare il preprocessing e il training dei modelli
- Tecniche per salvare e caricare modelli usando librerie come joblib e pickle Best practices per l'implementazi one e il deployment di modelli di machine learning in produzione
- Costruzione di Mappe strategiche e operational dashboard
- Data collection e Data Enrichment: raccolta e trattamento dati
- La raccolta dei dati tramite campione: dimensioname nto di un campione e metodi di scelta campionaria
- Il Sistema Statistico Nazionale: articolazione, funzionamento , raccordi con i fornitori locali di dati, impiego delle fonti amministrative
- Principali indicatori statistici di sintesi per rappresentare un insieme di dati: misure di posizione (analitiche e non analitiche) e misure di variabilità
- Accenno all'analisi della varianza
- (Anova) Data Visualization: quadro introduttivo alle principali metodologie di rappresentazi one dei dati Tipologie di rappresentazi oni grafiche in base agli obiettivi Librerie Python per la gestione e la visualizzazion e dei dati (Pandas, e Seaborne)
- Tool per la data visualization (Power BI) Tool per la data visualization (Tableau) Principi di Data storage
- Dati territoriali digitali: metodi di gestione e archiviazione
- Marketing 4.0 e Data Driven Strategy Big Data e Open Data: caratteristiche delle varie basi di dati, da riscontri amministrativi e da indagini field Business Intelligence e Big Data
- Disegnare e creare il data Warehouse L’analisi multidimensio nale dei dati Advanced Analytics: Pixel FB, Google Analytics Google Cloud e big data
- Principali applicazioni di Big Data Analytics per i dati originati da Social Analytics e web Social Media Intelligence: come estrarre utili insight dai Big Data della Internet of People
- Le basi di visualizzazion e dati con piattaforme Analytics e BI (Tableau o Power BI)
- AI Generativa: concetti fondamentali
- Creazione dei prompt in Linguaggio Naturale per ChatGPT
- Ottimizzazione di prompt per email e messaggi promozionali personalizzati
- Utilizzo della GenAI per la personalizzazi one delle descrizioni dei prodotti Interpretazion e dei dati dei clienti
- Automazione delle email di follow-up e delle campagne di marketing Progettazione di strategie di vendita basate sulla GenAI Esempi applicazioni della GenAI nel settore delle vendite
Certificazioni
- Certificato di qualifica professionale
Note
Durante il processo di iscrizione ti verrà richiesto di caricare i seguenti documenti:
- copia della Dichiarazione sostitutiva di certificazione compilata (Scaricabile qui)
- copia della Carta d'identità
- copia del Codice Fiscale
- copia del Curriculum Vitae aggiornato
- foto tessera
- copia del Permesso di Soggiorno (solo per stranieri)