Esperienze dei clienti
Analisi accessibile per tutte le discipline
Un professore dell'Università di Ginevra prepara i suoi studenti ad affrontare la sfida di essere competitivi in un mondo ossessionato dai dati

La sfida
Dotare gli studenti di competenze analitiche che saranno un fattore di differenziazione nelle loro future carriere.
Soluzione
Introdurre JMP - e in alcuni casi JMP in combinazione con R - in classe per insegnare agli studenti l'analisi aziendale attraverso la visualizzazione e l'esplorazione pratica dei dati.
I risultati
Le valutazioni degli studenti hanno mostrato una risposta estremamente positiva all'apprendimento dell'analisi aziendale attraverso le visualizzazioni dei dati.
Il 21° secolo si sta delineando rapidamente come l'era dell'analisi. Oggi nel mondo professionale ci si aspetta di assumere personale laureato che conosca le nozioni basilari di statistica. Infatti, che si tratti di figure specializzate in attività di elaborazione o dei creativi dell'azienda che tutte le mattine aprono la casella di posta per consultare l'analisi di un consulente esterno, le competenze analitiche non rientrano tra i requisiti accessori. Sono un must.
Le competenze analitiche sono sempre più importanti in diverse discipline
L'Università di Ginevra affronta con grande serietà la questione dell'ubiquità dei dati. L'amministrazione riconosce che, volenti o nolenti, un'ottima conoscenza in materia di analisi offre agli studenti una spinta per le loro future carriere, sia che intendano proseguire con il dottorato o cercare lavoro nel settore finanza e management.
“Gli studenti sono consapevoli del fatto che sia impossibile aggirare i dati e l'analisi”, afferma Christian Hildebrand, Ricercatore di Marketing Analytics presso la School of Economics and Management dell'Università di Ginevra. “Realizzano che ‘è davvero necessario acquisire competenze in materia di analisi per avere un vantaggio competitivo nel mercato del lavoro’”. Inoltre, afferma che questa consapevolezza non è diffusa solo tra gli studenti iscritti al più tradizionale corso di studi in statistica, ma anche tra studenti di matematica, scienze, finanza, economia e management.
Questa stessa linea di pensiero ha portato allo sviluppo del programma del master multidisciplinare in business analytics dell'Università di Ginevra. Hildebrand ha collaborato con i colleghi delle facoltà di informatica, statistica e finanza per attivare un nuovo piano di studi che include corsi su una vasta gamma di argomenti, a partire dalle nozioni di base sull'autoapprendimento fino al data mining applicato, alla strategia aziendale per l'analisi dei big data e alla gestione dei team che si occupano di scienza dei dati.
Ogni semestre, inoltre, gli studenti completano un caso di studio di business analytics. "Abbiamo invitato le aziende a fornire dati o a presentare i problemi che stanno affrontando in relazione alla scienza dei dati e all'analisi aziendale, e abbiniamo gli studenti a queste aziende per lavorare insieme su progetti di base", spiega Hildebrand. Ci stiamo concentrando sull'avvicinamento degli studenti al lato commerciale dei dati". È particolarmente importante che gli studenti di business analytics facciano esperienza pratica in prima persona nella scienza dei dati".
La visualizzazione dei dati aiuta gli studenti a comprendere i concetti e le metodologie chiave
Hildebrand tiene i principali corsi di data mining applicato, business analytics e applicazione computazionale degli esperimenti, nonché corsi opzionali più specialistici incentrati sui dati web. “In aula esaminiamo una serie di tecniche di analisi dei dati, ovvero modelli di effetti misti lineari, stimatori dello shrinkage, alberi decisionali e metodi d'insieme, usando un approccio orientato alla costruzione di modelli per metodi controllati e non controllati. Tuttavia, la parte fondamentale è quella dedicata alla rappresentazione grafica", afferma. “Senza una rappresentazione grafica, tutto quello che noi docenti possiamo fare è introdurre i concetti e spiegare come funziona in teoria un algoritmo. Gli studenti dovrebbero essere estremamente motivati per seguirci e dire: ‘Ok, ora sono curioso di vedere come si applica’”.
Dall'altro lato, dichiara, "se gli studenti possono visualizzare il risultato finale sin dall'inizio e procedere a ritroso per studiare a fondo la metodologia, sono i primi a pensare: ‘Oh, questo metodo mi sembra efficiente, voglio produrre un'analisi e un grafico statistico avanzato a questo livello. E sono curioso di comprendere il reale funzionamento di questa metodologia’”.
Con il software giusto, l'analitica diventa più coinvolgente e accessibile
E per produrre quell'immagine? Hildebrand afferma che il software giusto può aiutare a illustrare anche i concetti più difficili. Dopotutto, lui può capirlo: Come studente laureato anni fa all'Università del Michigan, ricorda: "Mi sono emozionato tantissimo dopo aver visto JMP per la prima volta in una lezione sul data mining. Ho pensato che un giorno avrei voluto usare JMP per tenere dei corsi". Ed è proprio quello che fa ora all'Università di Ginevra.
"Spesso inizio le lezioni con un esempio in JMP che illustra bene un certo concetto statistico. Gli studenti possono vedere visualizzato il risultato finale del modello e poi torniamo all'inizio e approfondiamo i dettagli della metodologia. Non appena gli studenti hanno un'immagine visiva, capiscono immediatamente il senso della metodologia.
"La capacità di apprendere e osservare i modelli nei dati durante il processo di visualizzazione è una caratteristica unica di JMP. Gli studenti possono produrre un grafico e chiedersi: "Ci sono alcuni schemi nei dati a cui non ho pensato in precedenza?". L'opportunità di imparare attivamente durante la creazione di un grafico o di una figura in JMP è ciò che lo rende così unico. È una caratteristica di cui non parlerò mai abbastanza: la visualizzazione fa scattare tutto".
Il fatto che gli studenti avessero compreso i concetti analitici è emerso chiaramente dalle loro valutazioni dei corsi di Hildebrand. “Me ne sono reso conto dai commenti che gli studenti hanno inserito nelle loro valutazioni”, ricorda. “Affermavano: ‘Uno dei principali insegnamenti consiste nell'aver imparato a usare un nuovo programma statistico in grado di velocizzare concretamente il flusso di lavoro analitico’. In molti commenti gli studenti ci hanno ringraziato per aver avuto l'opportunità di sviluppare rappresentazioni grafiche efficaci e avanzate in un periodo di tempo molto breve... e ci hanno confermato che JMP è stato di grande aiuto, in quanto ha consentito loro di comprendere meglio i concetti di statistica”. Le risposte degli studenti sono state eloquenti e gli amministratori dell'università ne hanno preso atto, consentendo anche ad altri docenti del dipartimento di adottare un approccio pedagogico simile.
Sfruttare il potenziale pedagogico di JMP® e l'integrazione di R
Sebbene molti degli studenti di Hildebrand vedano JMP per la prima volta durante i suoi corsi all'Università di Ginevra, non significa che qualcuno di essi non abbia già esperienza nell'utilizzo di altri strumenti, ad esempio R. La padronanza di più strumenti statistici, in particolare R o Python, è un fatto che Hildebrand considera inevitabile.
"Una delle cose che non vedo l'ora di insegnare in futuro è l'integrazione di JMP con altri programmi come R", dice. "Anche se sono un grande fan di JMP e lo integro in tutti i miei corsi, non ha senso insegnare solo un pacchetto statistico. La ricchezza dei metodi disponibili in R o in altri programmi open source in rapido sviluppo come Python è sorprendente, e la capacità di JMP di collegarsi a R è ottima".
Hildebrand, infatti, sostiene che usare JMP in combinazione con R sia vantaggioso per tutti. Gli studenti possono trarre vantaggio dalla miriade di funzionalità offerte da R senza essere limitati dalla potenza di calcolo che esso richiede. JMP consente l'analisi esplorativa dei dati con un risparmio di tempo incalcolabile.
"Gli studenti si convincono [dell'utilità di JMP] una volta che producono un grafico multivariato più complesso e dicono 'mi ci sarebbero voluti non so quanti minuti in più con R!" dice Hildebrand. "Questi compromessi sono un grosso problema quando si lavora su un problema di analisi in tempo reale. È necessario apprendere i dati il più rapidamente possibile, prima di stimare qualsiasi modello. E la visualizzazione in JMP è davvero veloce, per non parlare del fatto che è possibile caricare rapidamente un set di dati di grandi dimensioni. È stato molto bello vedere studenti di settori più quantitativi entusiasti di fare questo con JMP".
E il fatto che l'Università di Ginevra abbia abbracciato questa linea di pensiero interdisciplinare basata su un'ottica completamente nuova potrebbe rappresentare, secondo Hildebrand, "un fattore di differenziazione del sistema didattico in Svizzera”.