Modelli predittivi e analytics per supportare le decisioniFluxedo
Le slide dell'intervento durante la X Edizione dell’Economic Packaging Conference, organizzata dall’Istituto Italiano Imballaggio e promossa da CONAI dove abbiamo presentato il lavoro svolto insieme a EY nella costruzione di un modello predittivo per il costo delle materie prime per il packaging
Silver Lake Analytics, soluzione Business Intelligence di Esox InformaticaMaurizio Anselmi
Soluzione a supporto delle decisioni strategiche aziendali: approcio preliminare e successiva illustrazione della soluzione software di Business Intelligence basata sulla piattaforma aperta Pentaho.
Modelli predittivi e analytics per supportare le decisioniFluxedo
Le slide dell'intervento durante la X Edizione dell’Economic Packaging Conference, organizzata dall’Istituto Italiano Imballaggio e promossa da CONAI dove abbiamo presentato il lavoro svolto insieme a EY nella costruzione di un modello predittivo per il costo delle materie prime per il packaging
Silver Lake Analytics, soluzione Business Intelligence di Esox InformaticaMaurizio Anselmi
Soluzione a supporto delle decisioni strategiche aziendali: approcio preliminare e successiva illustrazione della soluzione software di Business Intelligence basata sulla piattaforma aperta Pentaho.
Cosa ho acquistato, quanto, da chi, a che prezzo, a quali condizioni, da che tipo di Fornitori?
I sistemi di Purchasing aziendali, sono in grado di fornire dati aggregati per «destinazione» (Es: quanto ho speso per la «cancelleria») ma non per «natura» (Es: quante matite ho acquistato?; di che tipo?; a quali prezzi?).
Le informazioni relative alla natura sono contenute nella «Descrizione» delle righe d’Ordine (di Fattura o di altro documento) e costituiscono un dato non strutturato.
CCI 2019 - Strumenti Azure per l'Anomaly Detection in ambito Industria 4.0walk2talk srl
Il rilevamento delle anomalie consiste nell'identificazione di eventi nei dati che risultano fuori del comportamento previsto, utilizzando metodi computazionali. Nelle industrie che avanzano verso la trasformazione digitale, lo scopo di questa tecnica non si limita solo alla manutenzione predittiva delle macchine, essendo anche estremamente utile ad esempio nel rilevamento di variazioni della domanda di prodotti, nell'individuazione di errori presenti nei dati aziendali, o nella scoperta di attività fraudolente, tra gli altri.
A causa di fattori come volume, frequenza e dimensione degli eventi anomali, il modo più pratico e intelligente di eseguire il rilevamento è tramite l'applicazione di algoritmi di machine learning.
In questa sessione vedremo come Azure facilita il rilevamento delle anomalie nei dati mettendo a disposizione diversi strumenti di intelligenza artificiale.
By Ariel Cedola
I conti economici trimestrali: avanzamenti metodologici e prospettive di innovazione
Seminario
Roma, 21 aprile 2016
Istat, Aula Magna
Via Cesare Balbo, 14
Query Processor & Statistics: A Performance PrimerDavide Mauri
Le performance di un database sono strettamente legate al funzionamento del suo componente più "intelligente", il query processor, ai dati presenti nel database stesso, alle query che vengono scritte e - importantissime - alle stime di distribuzione dei dati che ogni RDBMS si mantiene per poter fare al meglio il proprio lavoro. In questa sessione vederemo come tutte queste cose concorrono a produrre performance ottimali - o meno - in SQL Server
Predictive asset management summary italian v1Ralph Overbeck
Enti ricchi in asset quali le imprese di servizi pubblici e le aziende di trasporto corrono in tutto il mondo il pericolo di invecchiamento delle loro attività e di deterioramento dei servizi e devono quindi prevenire costi derivanti da danni peggiori quali il blackout e l’inquinamento.
Al tempo stesso i vincoli finanziari imposti richiedono un maggior ritorno degli investimenti a fronte di minori spese di gestione nonostante l’aumento di richiesta d’acqua e di energia e la crescita della popolazione.
Queste esigenze contraddittorie possono essere soddisfatte mediante la gestione ottimizzata degli asset e la costante determinazione dei costi. Sono pertanto necessari modelli accurati e affidabili che considerino sia i criteri tecnici che quelli economici. Con la soluzione offerta da Predictive Asset Management (PAM) riscontrerete che gli asset e i dati della vostra organizzazione hanno la giusta risposta a molti dei problemi relativi al business e alle regolamentazioni che dovete costantemente affrontare.
Obiettivo del presente Project Work è la descrizione delle fasi operative con cui l'Ufficio Studi di Banca Promos fornirà ai propri clienti il servizio di collocamento dei prodotti del risparmio gestito secondo una strategia Multibrand. Dopo un’iniziale definizione delle forme di gestione del risparmio e gli annessi vantaggi, saranno descritti i vari step in cui si articolerà l’attività dell’Ufficio. In particolare, sarà descritto il processo di selezione dei migliori Asset Managers presenti sul mercato, l’analisi quantitativa dei fondi da essi offerti, l’implementazione di views di mercato e l’organizzazione del rapporto con la clientela attraverso la rete dei promotori finanziari. Infine sarà presentato un esempio di operatività dell’Ufficio.
Design Exploration: Sviluppo telaio per vettura formula saeMarco Basilici
La relazione approfondirà maggiormente gli aspetti teorici legati al Design Exploration effettuata sulla piattaforma di Ansys Workbench, dopo aver fatto un preambolo sullo sviluppo del prodotto.
Cosa ho acquistato, quanto, da chi, a che prezzo, a quali condizioni, da che tipo di Fornitori?
I sistemi di Purchasing aziendali, sono in grado di fornire dati aggregati per «destinazione» (Es: quanto ho speso per la «cancelleria») ma non per «natura» (Es: quante matite ho acquistato?; di che tipo?; a quali prezzi?).
Le informazioni relative alla natura sono contenute nella «Descrizione» delle righe d’Ordine (di Fattura o di altro documento) e costituiscono un dato non strutturato.
CCI 2019 - Strumenti Azure per l'Anomaly Detection in ambito Industria 4.0walk2talk srl
Il rilevamento delle anomalie consiste nell'identificazione di eventi nei dati che risultano fuori del comportamento previsto, utilizzando metodi computazionali. Nelle industrie che avanzano verso la trasformazione digitale, lo scopo di questa tecnica non si limita solo alla manutenzione predittiva delle macchine, essendo anche estremamente utile ad esempio nel rilevamento di variazioni della domanda di prodotti, nell'individuazione di errori presenti nei dati aziendali, o nella scoperta di attività fraudolente, tra gli altri.
A causa di fattori come volume, frequenza e dimensione degli eventi anomali, il modo più pratico e intelligente di eseguire il rilevamento è tramite l'applicazione di algoritmi di machine learning.
In questa sessione vedremo come Azure facilita il rilevamento delle anomalie nei dati mettendo a disposizione diversi strumenti di intelligenza artificiale.
By Ariel Cedola
I conti economici trimestrali: avanzamenti metodologici e prospettive di innovazione
Seminario
Roma, 21 aprile 2016
Istat, Aula Magna
Via Cesare Balbo, 14
Query Processor & Statistics: A Performance PrimerDavide Mauri
Le performance di un database sono strettamente legate al funzionamento del suo componente più "intelligente", il query processor, ai dati presenti nel database stesso, alle query che vengono scritte e - importantissime - alle stime di distribuzione dei dati che ogni RDBMS si mantiene per poter fare al meglio il proprio lavoro. In questa sessione vederemo come tutte queste cose concorrono a produrre performance ottimali - o meno - in SQL Server
Predictive asset management summary italian v1Ralph Overbeck
Enti ricchi in asset quali le imprese di servizi pubblici e le aziende di trasporto corrono in tutto il mondo il pericolo di invecchiamento delle loro attività e di deterioramento dei servizi e devono quindi prevenire costi derivanti da danni peggiori quali il blackout e l’inquinamento.
Al tempo stesso i vincoli finanziari imposti richiedono un maggior ritorno degli investimenti a fronte di minori spese di gestione nonostante l’aumento di richiesta d’acqua e di energia e la crescita della popolazione.
Queste esigenze contraddittorie possono essere soddisfatte mediante la gestione ottimizzata degli asset e la costante determinazione dei costi. Sono pertanto necessari modelli accurati e affidabili che considerino sia i criteri tecnici che quelli economici. Con la soluzione offerta da Predictive Asset Management (PAM) riscontrerete che gli asset e i dati della vostra organizzazione hanno la giusta risposta a molti dei problemi relativi al business e alle regolamentazioni che dovete costantemente affrontare.
Obiettivo del presente Project Work è la descrizione delle fasi operative con cui l'Ufficio Studi di Banca Promos fornirà ai propri clienti il servizio di collocamento dei prodotti del risparmio gestito secondo una strategia Multibrand. Dopo un’iniziale definizione delle forme di gestione del risparmio e gli annessi vantaggi, saranno descritti i vari step in cui si articolerà l’attività dell’Ufficio. In particolare, sarà descritto il processo di selezione dei migliori Asset Managers presenti sul mercato, l’analisi quantitativa dei fondi da essi offerti, l’implementazione di views di mercato e l’organizzazione del rapporto con la clientela attraverso la rete dei promotori finanziari. Infine sarà presentato un esempio di operatività dell’Ufficio.
Design Exploration: Sviluppo telaio per vettura formula saeMarco Basilici
La relazione approfondirà maggiormente gli aspetti teorici legati al Design Exploration effettuata sulla piattaforma di Ansys Workbench, dopo aver fatto un preambolo sullo sviluppo del prodotto.
90. Margine di contribuzione portafoglio industriale delle società energetiche (contratti indicizzati)
91. Value at Risk non parametrico (portafogli non lineari)(*) Glli algoritmi illustrati in precedenza possono anche recepire scenari esterni importati dall’utente
117. FNj è la forma funzionale del regressore condizionale neurale per il j strumento sinanziario simulato
118. hS = collezione dei “log-returns coordinati” (intensità di rendimento) con filtering delle s security diverse dalla j-esima
119. T(t) è una funzione trasformata del tempo che intercetta la “stagionalità” dell’indice proiettato (se necessario)
120. k rappresenta il k-esimo fondamentale di mercato MF a rapresentare “condizioni di struttura attesa di mercato” come valutate al tempo t (es. Prezzi Forward: currency, prezzi dei fattori dell’energia, ecc.)
121. fk rappresenta la collezione dei log-returns (intensità di rendimento) con filtering dei k fondamentali di mercato
122. MFk rappresenta la collezione dei trend dei fondamentali di mercato utilizzati durante le proiezioni
123. SNj rappresenta lo “specific risk on investment” (idiosyncratic error) del’indice j come stimato dal j-esimo regressore neurale (come residuo non spiegato)