Facoltà: Ingegneria Gestionale - classe L-9
Collocazione: 16219
Autore: Ferrenti Giuseppe
Data: 14/12/2017
Titolo: Social media mining: analisi di un caso
Relatore: Mari Luca
Autorizzazione per la consultazione: NO
Le tesi si possono consultare unicamente in sede
La tesi ha come argomento centrale il Data Mining, un processo di indagine e analisi di una vasta quantità di dati attraverso l’impiego di tecniche di Machine Learning per ricavare patterns, conoscenze utili e previsioni future. Questo processo viene applicato ad un social network analizzando un dataset proveniente da una pagina Facebook di un’azienda di cosmetici e utilizzando un software di Data Mining, Orange. Dopo un’introduzione generale sul Data mining, in cui vengono esposte le caratteristiche generali e i campi in cui può essere applicato, viene descritto il dataset di riferimento, spiegando a cosa corrisponde ogni singola feature (attributo), in quale modo i dati sono stati acquisiti e come sono stati trasferiti su Orange. Successivamente si passa all’analisi vera e propria, partendo dall’approccio Unsupervised, che non prevede la presenza di una variabile target ed è tipo bottom up, cioè ha scopo descrittivo e consiste in una fase esplorativa del Data mining in cui si cerca di cogliere. Per rendere possibile tutto questo si compie una Cluster Analysis, utilizzando due tecniche, K-means e Hierarchical Clustering e i relativi metodi di rappresentazione grafica (Scatter Plot, Distributions e Box Plot), giungendo alla scoperta di interessanti “insights” legati alle strategie dell’azienda. Il secondo step dell’analisi consiste in una costruzione di un modello predittivo, facendo delle previsioni future in merito al numero totale di interazioni di un post, applicando l’ approccio Supervised, in cui la variabile target è definita, approccio di tipo top-down, e impiegando la regressione. Il modello previsionale finale è ottenuto attraverso due fasi: la prima è detta di training, avvenuta utilizzando Test & Score, e la seconda di test, con l’impiego di Predictions. La tesi termina con delle conclusioni sullo studio fatto, secondo cui i risultati ottenuti utilizzando entrambi gli approcci di Machine Learning, Unsupervised e Supervised, mettono in evidenza quanto la Social Media Mining possa essere d’aiuto per un’azienda che sente l’esigenza di avvicinarsi e addentrarsi nel mondo dei social network.
