Digital Transformation: Big Data, User Targeting ed Etica - Project Work Mast...Free Your Talent
Digital Transformation: Big Data, User Targeting ed Etica - Project Work a cura degli studenti del Master ISTUD in Marketing Management Alex Caruso, Federica Ferrara e Riccardo Pavesi
Un approfondimento legato allo sfruttamento dei Big Data e dell'Intelligenza Artificiale nel settore Fintech e Insurtech, con un breve focus su Braino: un AI investment coach di un'azienda milanese.
Web1 A. Rossi Cercare Navigando Rev.2 02.12.2008Andrea Rossi
Modello di ricerca complessa in internet, lezione ed esercitazioni per il comitato provinciale istruzione professionale grafica di milano, unione industriale grafici cartotecnici trasformatori carta e affini della provincia di milano - 02.12.2008
Big Data Social Media
Valore dei Dati
Volume Varietà Velocità
Trends & Patterns
Numeri Vs Immagini
Dati Vs Istinto
Data Flow nel Business e nei Social Media
Big Data Value Chain
Analisi Predittive
Hadoop, Microsoft Big Data
Big Data landscape 2014
Convergenza: Social Media, Coding, Big Data, Apps, Cloud
Remo Ponti - Do or do not, there is no try: How to set up a Social Enterprise...OpenKnowledge srl
L'introduzione di strumenti "Enterprise 2.0" in una banca è un'operazione delicata e pericolosa. Questa presentazione ripercorre il cammino compiuto nell'ambito della INTRANET dal 2006 al 2014 soffermandosi sui casi di successo ma anche su quelli meno fortunati, con l'obiettivi di fornire qualche utile indicazione a chi volesse intraprendere questo percorso di ... sopravvivenza!
Data Journalism: strumenti operativi | Bologna, 9 giugno 2014Dataninja
Lezione per giornalisti nell'ambito della formazione professionale continua presso L’Ordine dei Giornalisti e la Fondazione Giornalisti dell’Emilia-Romagna Bologna - Lunedì 9 giugno 2014
Massimo Rosso - Social Media e Prodotti TV: esperienze di "Extended Audience"...Cultura Digitale
Nell'ambito della discussione circa i Big Data e l'analisi delle conversazioni CrossMediali correlate agli eventi televisivi, appare di estremo interesse l'approfondimento dell'opportunità' di utilizzo, dei pericoli, e dei ritorni del cosiddetto "canale di ritorno" abilitato dai social media in internet. A seguito della mancata affermazione del flusso informativo proveniente dai decoder (apparati che hanno caratterizzato la transizione al Digitale Terrestre), le moderne media company italiane sono attualmente impegnate a valutare i potenziali ritorni derivanti dall'accesso, trattamento ed analisi delle informazioni pubblicate, in primis, sulle piattaforme di social networking. Il presidio del nuovo "canale di ritorno" così definito promette di abilitare analisi di marketing innovative e valutazioni delle performance di prodotto di elevata puntualità ed affidabilità; in una parola vantaggio competitivo. L'intervento proposto illustrerà, dal punto di vista del Dipartimento ICT di RAI, le esperienze di recente conduzione (sperimentazione di strumenti di "extended audience" in occasione ad esempio del Festival di San Remo) ed approfondirà i principali elementi da considerare per una pertinente gestione dei rischi potenziali.
Il paradigma dei Big Data e Predictive Analysis, un valido supporto al contra...Data Driven Innovation
GFT ha sviluppato una soluzione basata sulle tecnologie Big Data inclusa una soluzione di Cognitive Analysis quale strumento di supporto all’analisi in real time di relazioni tra soggetti, utile all’azione di Detection e Investigation di potenziali frodi. La soluzione permette di acquisire ed elaborare milioni di informazioni a partire da diverse banche dati (interne ed esterne), di identificare le relazioni nascoste tra i soggetti e le informazioni ad essi collegate, di eseguire regole predittive per individuare in tempo reale l’esistenza di possibili relazioni sospette.
Milano, 25 Giugno - AI Italia {3} Meetup @ Microsoft Home
Il modello presentato ha come obiettivo quello di individuare le variabili macroeconomiche premiate in un determinato intervallo temporale ed i titoli che beneficiano della spinta derivante da questo trend di fondo
Nel corso degli ultimi anni, il mondo finanziario sta esplorando l’introduzione di modelli di intelligenza artificiale con l’obiettivo di estrapolare indicazioni di valore da grandi quantità di dati, con livelli di precisione e profondità impensabili per l’uomo. A differenza dei tradizionali modelli quantitativi, l’intelligenza artificiale introduce una maggiore flessibilità che permette di cogliere l’evoluzione del mercato, anche se è buona prassi non spingersi verso approcci eccessivamente “black box”. Nel rispetto del concetto appena espresso, il modello presentato ha come obiettivo quello di individuare le variabili macroeconomiche premiate in un determinato intervallo temporale ed i titoli che beneficiano della spinta derivante da questo trend di fondo.
More Related Content
Similar to Big Data, Intelligenza Artificiale e Finanza
Digital Transformation: Big Data, User Targeting ed Etica - Project Work Mast...Free Your Talent
Digital Transformation: Big Data, User Targeting ed Etica - Project Work a cura degli studenti del Master ISTUD in Marketing Management Alex Caruso, Federica Ferrara e Riccardo Pavesi
Un approfondimento legato allo sfruttamento dei Big Data e dell'Intelligenza Artificiale nel settore Fintech e Insurtech, con un breve focus su Braino: un AI investment coach di un'azienda milanese.
Web1 A. Rossi Cercare Navigando Rev.2 02.12.2008Andrea Rossi
Modello di ricerca complessa in internet, lezione ed esercitazioni per il comitato provinciale istruzione professionale grafica di milano, unione industriale grafici cartotecnici trasformatori carta e affini della provincia di milano - 02.12.2008
Big Data Social Media
Valore dei Dati
Volume Varietà Velocità
Trends & Patterns
Numeri Vs Immagini
Dati Vs Istinto
Data Flow nel Business e nei Social Media
Big Data Value Chain
Analisi Predittive
Hadoop, Microsoft Big Data
Big Data landscape 2014
Convergenza: Social Media, Coding, Big Data, Apps, Cloud
Remo Ponti - Do or do not, there is no try: How to set up a Social Enterprise...OpenKnowledge srl
L'introduzione di strumenti "Enterprise 2.0" in una banca è un'operazione delicata e pericolosa. Questa presentazione ripercorre il cammino compiuto nell'ambito della INTRANET dal 2006 al 2014 soffermandosi sui casi di successo ma anche su quelli meno fortunati, con l'obiettivi di fornire qualche utile indicazione a chi volesse intraprendere questo percorso di ... sopravvivenza!
Data Journalism: strumenti operativi | Bologna, 9 giugno 2014Dataninja
Lezione per giornalisti nell'ambito della formazione professionale continua presso L’Ordine dei Giornalisti e la Fondazione Giornalisti dell’Emilia-Romagna Bologna - Lunedì 9 giugno 2014
Massimo Rosso - Social Media e Prodotti TV: esperienze di "Extended Audience"...Cultura Digitale
Nell'ambito della discussione circa i Big Data e l'analisi delle conversazioni CrossMediali correlate agli eventi televisivi, appare di estremo interesse l'approfondimento dell'opportunità' di utilizzo, dei pericoli, e dei ritorni del cosiddetto "canale di ritorno" abilitato dai social media in internet. A seguito della mancata affermazione del flusso informativo proveniente dai decoder (apparati che hanno caratterizzato la transizione al Digitale Terrestre), le moderne media company italiane sono attualmente impegnate a valutare i potenziali ritorni derivanti dall'accesso, trattamento ed analisi delle informazioni pubblicate, in primis, sulle piattaforme di social networking. Il presidio del nuovo "canale di ritorno" così definito promette di abilitare analisi di marketing innovative e valutazioni delle performance di prodotto di elevata puntualità ed affidabilità; in una parola vantaggio competitivo. L'intervento proposto illustrerà, dal punto di vista del Dipartimento ICT di RAI, le esperienze di recente conduzione (sperimentazione di strumenti di "extended audience" in occasione ad esempio del Festival di San Remo) ed approfondirà i principali elementi da considerare per una pertinente gestione dei rischi potenziali.
Il paradigma dei Big Data e Predictive Analysis, un valido supporto al contra...Data Driven Innovation
GFT ha sviluppato una soluzione basata sulle tecnologie Big Data inclusa una soluzione di Cognitive Analysis quale strumento di supporto all’analisi in real time di relazioni tra soggetti, utile all’azione di Detection e Investigation di potenziali frodi. La soluzione permette di acquisire ed elaborare milioni di informazioni a partire da diverse banche dati (interne ed esterne), di identificare le relazioni nascoste tra i soggetti e le informazioni ad essi collegate, di eseguire regole predittive per individuare in tempo reale l’esistenza di possibili relazioni sospette.
Similar to Big Data, Intelligenza Artificiale e Finanza (20)
Milano, 25 Giugno - AI Italia {3} Meetup @ Microsoft Home
Il modello presentato ha come obiettivo quello di individuare le variabili macroeconomiche premiate in un determinato intervallo temporale ed i titoli che beneficiano della spinta derivante da questo trend di fondo
Nel corso degli ultimi anni, il mondo finanziario sta esplorando l’introduzione di modelli di intelligenza artificiale con l’obiettivo di estrapolare indicazioni di valore da grandi quantità di dati, con livelli di precisione e profondità impensabili per l’uomo. A differenza dei tradizionali modelli quantitativi, l’intelligenza artificiale introduce una maggiore flessibilità che permette di cogliere l’evoluzione del mercato, anche se è buona prassi non spingersi verso approcci eccessivamente “black box”. Nel rispetto del concetto appena espresso, il modello presentato ha come obiettivo quello di individuare le variabili macroeconomiche premiate in un determinato intervallo temporale ed i titoli che beneficiano della spinta derivante da questo trend di fondo.
Passato, presente e futuro del sistema bancario - progetto adotta un dottor...Alessandro Greppi
«Adotta un Dottorando» ed è la nuova iniziativa che mette in sinergia gli istituti superiori cittadini all’Università di Pavia. Lo scopo è quello di avvicinare i ragazzi al tema della ricerca in università fornendo loro risorse per migliorare l'apprendimento delle discipline attraverso nuove metodologie.
Cladag 2015 - Bayesian Networks for Financial Markets VolatilityAlessandro Greppi
This document describes using Bayesian networks to analyze volatility in the S&P 500 stock market index. It discusses using market, momentum, sentiment, and price variables as inputs to a Bayesian network model. The model was trained on weekly data from 2010-2015 to learn relationships between variables and predict volatility. Scenarios were introduced to observe how the probabilities change when evidence is added. The analysis found that relative strength index, index P/E ratio, and volatility were most impactful on predicting buy/sell signals, while earnings growth had the lowest impact.
CFA Research Challenge - Autogrill SpA - UniPV TeamAlessandro Greppi
Team Leader - Università degli Studi di Pavia
Objective of the competition: writing an initiation of coverage report on the listed Italian company
Autogrill S.p.A.
Introduzioni ai mercati finanziari - progetto "adotta un dottorando"Alessandro Greppi
«Adotta un Dottorando» ed è la nuova iniziativa che mette in sinergia gli istituti superiori cittadini all’Università di Pavia. Lo scopo è quello di avvicinare i ragazzi al tema della ricerca in università fornendo loro risorse per migliorare l'apprendimento delle discipline attraverso nuove metodologie.
Financial Markets Signal Detection with Bayesian Networks - Phd DREAMT - Work...Alessandro Greppi
In order to model and explain the dynamics and the signals of the market, financial operators should take into account different kind and source of information.
Unfortunately, standard tools are not always able to summarize in a signal the big amount of information available. We propose to use Bayesian Networks as a quantitative financial tool for this aim. By exploiting the network, we can combine
in the model, both market variables and sentiment ones. Bayesian Networks can be used to show the relationship among the variables belonging to different areas, and to identify in a mouse-click time the configuration that provide an operative signal. An application to the analysis of S&P 500 in the periods 1994-2003 and 2004-2015
is presented.
Financial Markets Signal Detection with Bayesian Networks - Phd DREAMT - Work...
Big Data, Intelligenza Artificiale e Finanza
1. INTERNAL USE ONLY
BIG DATA, INTELLIGENZA ARTIFICIALE E
FINANZA
MILANO, 18 MARZO 2019 – UNIVERSITÀ MILANO-BICOCCA
Alessandro Greppi, PhD
CSTA - Certified SIAT Technical Analyst
2. INTERNAL USE ONLY
Disclaimer
Il presente per informare autori, associati e non, fruitori, che nessuna
responsabilità viene assunta da SIAT Associazione in relazione all’uso e/o
utilizzo dei contenuti intellettuali divulgati da, o attraverso, essa qualsiasi mezzo
divulgativo venga utilizzato:
partecipazione fisica ad eventi organizzati sia in propria sede o altrove;
partecipazione elettronica attraverso file di ogni genere, utilizzati per qualsiasi
finalità o prelevabili dal sito www.siat.org;
partecipazione mediatica attraverso videoregistrazioni od altro.
Tutti i contenuti divulgati (non costituiscono in nessun modo sollecitazione al
pubblico risparmio) internamente tra associati e/o esternamente anche a terze
parti, sono soggetti alla normativa vigente in materia di diritto d’autore e di
proprietà intellettuale, pertanto qualsiasi uso e/o utilizzo possa essere realizzato
deve essere preventivamente concordato direttamente tra l'autore ed il fruitore in
totale autonomia e responsabilità.
SIAT Associazione si dichiara a favore dell'esclusivo e totale rispetto delle norme
vigenti pertanto non sarà in alcun caso responsabile a qualunque titolo per
qualsiasi tipo di danno, diretto o indiretto, derivante da qualsiasi uso e/o utilizzo
dei contenuti divulgati.
3. INTERNAL USE ONLY
Benvenuti in una Nuova Era
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
6 Maggio
2017
Link all’articolo dell’Economist
I dati sono il nuovo
petrolio. Per monetizzare
è comunque necessario:
•Creare un database
•«Preparare» i dati (pre-
processing)
4. INTERNAL USE ONLY
Big Data: cosa sono e come devono essere?
Definizione: «Un sistema di Big Data si riferisce a dataset la cui taglia/volume è
talmente grande che eccede la capacità dei sistemi di database relazionali di
catturare, immagazzinare, gestire ed analizzare»(fonte: McKinsey Institute)
Qualità e Quantità del dato contano piùdi qualsiasi algoritmo
Se i dati input elaborati da un modello sono di bassa qualità, non si può
pretendere che l’output ne abbia:
«Garbage In, Garbage Out»
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
5. INTERNAL USE ONLY
Big Data: le 3V *
* Doug Laney
(2001)Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
6. INTERNAL USE ONLY
«V» di Volume
Volume: si riferisce alla quantità di dati generati ogni secondo da fonti eterogenee
quali: sensori, log, eventi, email, social media e database tradizionali.
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
7. INTERNAL USE ONLY
«V» di Varietà
Dati Strutturati Dati NON-StrutturatiDati SEMI-Strutturati
Database XML / JSON
Email
Pagine web
Audio
Video
Immagini
Natural Language
Documenti
Caratterizzati da una forte
organizzazione.
Esempio: file Excel / CSV
Non sono inseriti all’interno di
nessun «contenitore».
Necessitano di essere elaborati
per essere utilizzabili.
Includono dati o metadati che
permettono una analisi piùfacile
rispetto ai dati non-strutturati.
Varietà: si riferisce alla differente tipologia dei dati che vengono generati,
collezionati ed utilizzati.
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
8. INTERNAL USE ONLY
«V» di Velocità
Velocità: si riferisce alla velocità con cui i nuovi dati vengono generati ma anche
alla necessità che queste informazioni arrivino real-time al fine di effettuare
analisi su di esse.
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
9. INTERNAL USE ONLY
Big Data e Mercati Finanziari
Quantifying Trading Behavior in Financial Markets Using Google
Trends (Preis, Moat and Stanley – 2013)
•https://www.nature.com/articles/srep01684
Abstract: Le nuove fonti di dati generati dall’interazione tra l’uomo e internet
possono offrire una nuova prospettiva riguardo al comportamento degli investitori.
Analizzando i cambiamenti dei volumi di ricerca di parole legate al mondo
finanziario su Google Trends, è possibile individuare dei segnali che anticipano
l’imminente movimento dei prezzi.
TedX Conference: Can Google Trend predict the stock market?
•https://www.youtube.com/watch?v=nwk0mfpOi_s
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
10. INTERNAL USE ONLY
Strategia di Trading basata su Google Trends
Fonte:
https://www.nature.com/articles/srep01684
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
11. INTERNAL USE ONLY
Strategia di Trading Usando la Parola «Culture»
Fonte:
https://www.nature.com/articles/srep01684
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
12. INTERNAL USE ONLY
Strategia di Trading Usando la Parola «Debt»
Fonte:
https://www.nature.com/articles/srep01684
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
13. INTERNAL USE ONLY
Cosa Rende una «Parola Chiave» di Successo?
(1/2)
Fonte:
https://www.nature.com/articles/srep016
84
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
14. INTERNAL USE ONLY
Cosa Rende una «Parola Chiave» di Successo?
(2/2)
Fonte:
https://www.nature.com/articles/srep016
84
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
15. INTERNAL USE ONLY
Dal dato «grezzo» al «segnale»
Necessità: trasformare una grande quantità di dati grezzi in conoscenza
In risposta a questo bisogno, nasce la data science che consiste in un approccio
multidisciplinare il cui obiettivo è quello di estrarre valore da diverse tipologie di
dato.
Competenze
Specifiche
Data
Visualization
Statistica
Data
Science
Data
Engineering
Calcolo
Avanzato
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
16. INTERNAL USE ONLY
Gli step della Data Science
Costruzione
del
database
Trasformazion
e dei dati
Pulizia dei dati
Preparazione
dei dati
Applicazione a
nuovi dati
Visualizzazion
e degli output
Validazione
del modello
Fase di
apprendimento
Ingegneria del dato
Machine Learning
Fase Operativa
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
17. INTERNAL USE ONLY
Le diverse tipologie di «apprendimento»
Apprendimento Supervisionato Apprendimento «rinforzato»
Apprendimento Non-
Supervisionato
L’algoritmo impara da un
database di esempio le risposte
corrette. Di fronte a dati nuovi,
cerca di applicare la conoscenza
cumulata per prevedere la
risposta giusta.
E’ l’algoritmo ad individuare i
pattern all’interno del database.
Non ha bisogno di suggerimenti
(dati «taggati») per dare la
risposta giusta.
Simile ad apprendimento non-
supervisionato.
I risultati vengono accompagnati
da feedback positivi o negativi.
Prescrittivo (algo deve
prendere decisione) e non solo
descrittivo.
Approcci di Machine Learning
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
18. INTERNAL USE ONLY
Focus sul «reinforcement learning»
Reinforcement learning: è una metodologia di apprendimento in cui il modello
ha come obiettivo di individuare il modo per massimizzare la ricompensa
ricevuta durante lo svolgimento di un compito preciso.
DeepMind (startup acquisita da
Google con focus su
applicazioni AI)
AlphaGo (Link al Trailer del
documentario)
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
19. INTERNAL USE ONLY
Machine Learning: questione di hardware
La fase di «apprendimento» richiede potenza di calcolo che un computer deve
essere in grado di offrire. Quali sono gli hardware su cui si può contare?
•CPU (central processor unit) – molto comuni (tutti i computer ne hanno una),
anche se non ottimali
•GPU (graphic processor unit – schede grafiche) – più adatte e più veloci nello
svolgere operazioni di calcolo complesse
•FPGA (field programmable gate array) – processori disegnati per svolgere calcoli
specifici (sono programmabili)
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
21. INTERNAL USE ONLY
Sentiment Analysis - Alessandro Greppi
Social Networks: una miniera di informazioni
Negli ultimi 10 anni, l’attività su internet è cresciuta esponenzialmente a livello
globale. Come diretta conseguenza, sulle piattaforme social vengono generati ogni
secondo svariati milioni di informazioni e contenuti
(www.internetlivestats.com).
I social network sono un mezzo per:
•Condividere i propri interessi
•Condividere le proprie idee
•Commentare servizi/prodotti
•Mettersi in contatto diretto con
aziende/servizi
•…
22. INTERNAL USE ONLY
Social Network Sentiment Analysis
La sentiment analysis consiste nell’analisi di un testo attraverso l’utilizzo di
natural language processing (NLP) e linguistica computazionale per identificare ed
estrapolare informazioni soggettive, come ad esempio opinioni o emozioni.
Questo approccio è ampiamente adottato sui testi in lingua inglese. Invece, l’analisi
dei contenuti in italiano è poco diffusa poiché incontra i seguenti ostacoli:
•il significato di alcune parole può risultare ambiguo
•il vocabolario italiano rispetto a quello inglese è molto piùvario e sfaccettato
Sentiment Analysis - Alessandro Greppi
23. INTERNAL USE ONLY
Perché l’analisi del sentiment? (focus su ambito
finanziario)
Dalla prospettiva dell’investitore, l’analisi del sentiment ci permette di capire
se ci sono aspettative positive/negative o un clima di
positività/negatività attorno a un titolo.
Qualora il sentiment del web fosse positivo su un titolo in particolare (una sorta di
«wisdom of the crowd»), quest’ultimo dovrebbe attirare un’ondata di acquisti e
conseguentemente il suo prezzo dovrebbe accelerare al rialzo. E viceversa.
Attenzione ai «troll» e alle fake news!
Sentiment Analysis - Alessandro Greppi
24. INTERNAL USE ONLY
Sentiment Analysis dei tweet: un duro lavoro (1/2)
1) Utente Interroga API
attraverso un client
(browser, app mobile…)
Invio richiesta
API
Risposta inviata
2) Il server viene interrogato
in base alla richiesta ricevuta
attraverso API
3) Il sistema una volta
elaborata la risposta, la inoltra
attraverso API all’utente che
ha condotto l’interrogazione
A differenza di altri social network (come Facebook o Linkedin), Twitter permette agli
utenti di scaricare contenuti dalla piattaforma attraverso delle API (Application
Programming Interface).
Come funziona una API
Sentiment Analysis - Alessandro Greppi
25. INTERNAL USE ONLY
Sentiment Analysis dei tweet: un duro lavoro (1/2)
Gli aspetti principali da monitorare durante l’analisi dei tweet sono:
•la qualità del dato
•decifrare il linguaggio gergale
•identificare il sarcasmo all’interno dei contenuti condivisi
Sentiment Analysis - Alessandro Greppi
26. INTERNAL USE ONLY
Definizione del processo
1) Creazione
di Twitter APP
4) Sentiment
Attribution
3) Pulizia dei
tweet
2) Estrazione
dei tweet
6) Data
Visualization
5) Sentiment
Score
Sentiment Analysis - Alessandro Greppi
27. INTERNAL USE ONLY
Case Study
«Quale società mineraria è responsabile del disastro nel video?»
Partiamo dall’ ipotesi per
assurdo di non avere
accesso a news o giornali
ma solo a Twitter.
L’obiettivo dell’analisi è
verificare se attraverso la
sola sentiment analysis
dei tweet postati dagli
account ufficiali di alcune
società minerarie
possiamo farci un’idea
sulla società responsabile
del disastro.
Sentiment Analysis - Alessandro Greppi
28. INTERNAL USE ONLY
Data Visualization: grafico Rio Tinto sentiment
Sentiment Analysis - Alessandro Greppi
29. INTERNAL USE ONLY
Data Visualization: grafico Rio Tinto sentiment
score
Sentiment Analysis - Alessandro Greppi
30. INTERNAL USE ONLY
Data Visualization: grafico Bhp sentiment
Sentiment Analysis - Alessandro Greppi
31. INTERNAL USE ONLY
Data Visualization: grafico Bhp sentiment score
Sentiment Analysis - Alessandro Greppi
32. INTERNAL USE ONLY
Data Visualization: grafico Vale sentiment
Sentiment Analysis - Alessandro Greppi
33. INTERNAL USE ONLY
Data Visualization: grafico Vale sentiment score
Sentiment Analysis - Alessandro Greppi
34. INTERNAL USE ONLY
25 gennaio 2019 – Il disastro della diga di Vale in
Brasile
Sentiment Analysis - Alessandro Greppi
35. INTERNAL USE ONLY
Data visualization: grafico a torta score positivi
Le percentuali mostrate
rappresentano il peso dei tweet
positivi sul totale dei tweet
scaricati per ogni singola società.
Invece, il grafico a torta mostra
(senza numeri, solo visivamente)
l’incidenza dei tweet positivi sul
totale dei tweet scaricati per tutte
le società (Vale+RioTinto+Bhp)
Sentiment Analysis - Alessandro Greppi
36. INTERNAL USE ONLY
Data Visualization: grafico a torta score negativi
Sentiment Analysis - Alessandro Greppi