Un Operatore Analitico per Spiegare Dati Multidimensionali Tramite Tecniche di Regressione Polinomiale

L'elevata concorrenza per il controllo del mercato, oggi costringe gli imprenditori a trovare sempre nuovi modi per migliorare la redditività e la crescita aziendale. A tal proposito, sempre più aziende scelgono di adottare tecniche di analisi aumentata, ricorrendo a tecnologie come l'apprendimento automatico e l'intelligenza artificiale per agevolare la preparazione dei dati, l'individuazione di informazioni e la spiegazione di queste ultime, aiutando così gli analisti a esplorare e analizzare meglio i dati nelle piattaforme di business intelligence (BI). Con il passare degli anni il ramo della BI si è costantemente rafforzato, integrando anche sistemi OLAP in grado di fornire una visione aggregata su più livelli e di analizzare i dati, in modo agile e veloce, da prospettive diverse. Ad oggi però, il paradigma OLAP, da solo, non è più sufficiente per soddisfare a pieno titolo le crescenti esigenze dei decisori aziendali di nuova generazione a causa dell'enorme successo riscosso dalle tecniche di machine learning. A fronte di ciò, in ambito accademico sono iniziate ad emergere proposte che integrassero tecniche più avanzate di analisi. Su questa scia, è stato concepito un nuovo modello chiamato Intentional Analytics Model (IAM). Questo nuovo modello di dati prevede cinque operatori intenzionali di alto livello che supportano efficacemente l’analista nell’esprimere le proprie intenzioni di analisi. L’obiettivo di questa tesi è realizzare un’implementazione prototipale di uno dei cinque operatori previsti dal modello IAM, integrando tecniche automatiche di regressione polinomiale, al fine di fornire una spiegazione più approfondita all'utente in relazione ad una particolare situazione osservata dai dati.