Facoltà di Ingegneria Gestionale

Anno Accademico 2015-2016

Enterprise Information System

Case study: Adventure Work Cycles

Studenti:
Simone Cusato
Federico Nica
Andrea Segatori

Adventure Work Cycles 03/05/2025 Pagina 1

 Analisi del caso di studio
• L’impresa a cui si fa riferimento è Adventure Work Cycles, una società fittizia il cui business si
basa prevalentemente sulla vendita di biciclette e altre attrezzature sportive nei mercati
dell’America, dell’Europa e dell’Asia.

•Il business si focalizza su due canali di vendita:

– on-line: tramite un apposito sito internet
– rivenditori fisici: tramite una catena di negozi

•L’analisi consiste nel valutare e comparare il rendimento delle due attività, creando una
Dashboard di KPI (Key Performance Indicator) in grado di monitorare i due processi di vendita.
Questo consentirà di migliorare sia la qualità dei servizi offerti verso i clienti, sia consentirà
all’impresa di capire quale è il business prevalnente e verso cui rivolgere il proprio interesse.
A tal fine, saranno realizzati:
• I diagrammi di flusso dei processi di vendita
• I Dashboard di KPI
• Gli schemi dei Data Mart utili per l’analisi dei KPI

Adventure Work Cycles 03/05/2025 Pagina 2

 Processo Ordine Online START

Diagramma di flusso
Collegamento al vendite on-line
Attori sito web
• Cliente

Interfaccia
• Sito web L'utente
SI Registrazione:
è
registrato Nome, cognome,
Input ? età, contatti
• Login al sito
NO
Output
• Pagamento ordine Log in
• Ordini utente

STOP NO Calcolo del

Consultazione Ulteriori
del catalogo SI acquisti? costo Pagamento
d'acquisto
SI
Il Aggiunta
carrello prodotti Prodotto
è vuoto?
NO al SI aggiunto al
carrello? carrello
STOP
NO Adventure Work Cycles 03/05/2025 Pagina 3
 Processo Consegna
START

Attori Raccolta Ordini Online

• Cliente
• Fattorino

Input Definizione Scheduling

• Ordini
Ottimale per le Consegne
Output
• Consegna
• Fattura pagamento
Consegna

SI
Sono presenti
STOP ulteriori
NO consegne?

Adventure Work Cycles 03/05/2025 Pagina 4

 Sviluppo Key Performance Indicator (1/2)
METRI
TIPOLOGIA SIGLA KPI FORMULA FONTE
CA

EFFICIENZA ITR Internet Tax Rate Internet Tax Amount/ Internet Sales Amount % DB

EFFICIENZA RTR Reseller Tax Rate Reseller Tax Amount/ Reseller Sales Amount % DB

(Internet Extended Amount-Internet Total Product Cost)/

EFFICACIA MCI Margine Commerciale Internet % DB
Internet Extended Amount

(Reseller Extended Amount-Reseller Total Product Cost)/

EFFICACIA MCR Margine Commerciale Reseller % DB
Reseller Extended Amount

EFFICIENZA IT Internet Unit Cost Internet Total Product Cost/ Internet Order Quantity $ DB

EFFICIENZA CT Reseller Unit Cost Reseller Total Product Cost/ Reseller Order Quantity $ DB

Internet Freight Percentage Internet Freight/ (Internet Total Product Cost + Internet Tax
EFFICIENZA IFPR % DB
Rate Amount + Internet Freight)

Reseller Freight Percentage Reseller Freight/ (Reseller Total Product Cost + Reseller Tax
EFFICIENZA RFPR % DB
Rate Amount + Reseller Freight)

EFFICIENZA IUFC Internet Unit Freight Cost Internet Freight / Conteggio Internet Sales $ DB

EFFICIENZA RUFC Reseller Unit Freight Cost Reseller Freight / Conteggio Reseller Sales $ DB

Adventure Work Cycles 03/05/2025 Pagina 5

 Sviluppo Key Performance Indicator (2/2)
TIPOLOGIA SIGLA KPI FORMULA METRICA FONTE

Conteggio Internet Sales/ (Conteggio Internet Sales +

EFFICACIA VI % Vendite Internet % DB
Conteggio Reseller Sales)
Conteggio Reseller Sales/ (Conteggio Internet Sales +
EFFICACIA VR % Vendite Reseller % DB
Conteggio Reseller Sales)
Internet Sales Amount / (Internet Sales Amount + Reseller
EFFICACIA RI % Ricavi Internet % DB
Sales Amount)
Reseller Sales Amount / (Internet Sales Amount + Reseller
EFFICACIA RR % Ricavi Reseller % DB
Sales Amount)

(Internet Sales Amount - Internet Total Product Cost)/

EFFICACIA PI % Profitto Internet [(Internet Sales Amount - Internet Total Product Cost) + % DB
(Reseller Sales Amount - Reseller Total Product Cost)]

(Reseller Sales Amount - Reseller Total Product Cost)/

EFFICACIA PR % Profitto Reseller [(Internet Sales Amount - Internet Total Product Cost) + % DB
(Reseller Sales Amount - Reseller Total Product Cost)]

(Internet Sales Amount - Internet Total Product Cost)/ Internet

EFFICACIA IPM Internet Profit Margin % DB
Sales Amount
(Reseller Sales Amount - Reseller Total Product Cost)/
EFFICACIA RPM Reseller Profit Margin % DB
Reseller Sales Amount
Unsold Product Internet (Internet Order Quantity - Conteggio Internet Sales) / Order
EFFICIENZA UPIR % DB
Rate Quantity Internet
Unsold Product Reseller (Reseller Order Quantity - Conteggio Reseller Sales) / Order
EFFICIENZA UPRR % DB
Rate Quantity Reseller

Adventure Work Cycles 03/05/2025 Pagina 6

 Incrocio KPI/CSF
Soddisfazione Efficienza Efficienza Efficienza Sistema
Cliente Trasporto Economica Informativo
1 ITR Internet Tax Rate X
2 RTR Reseller Tax Rate X

MCI Margine Commerciale Internet X X

3
MCR Margine Commerciale Reseller X
4
5 IT Internet Unit Cost X X
6 CT Reseller Unit Cost X
7 IFPR Internet Freight Percentage Rate X X
8 RFPR Reseller Freight Percentage Rate X X
9 IUFC Internet Unit Freight Cost X X
10 RUFC Reseller Unit Freight Cost X X
11 VI % Vendite Internet X X
12 VR % Vendite Reseller X
13 RI % Ricavi Internet X X X
14 RR % Ricavi Reseller X X
15 PI % Profitto Internet X X X
16 PR % Profitto Reseller X X
17 IPM Internet Profit Margin X X X
18 RPM Reseller Profit Margin X X
19 UPIR Unsold Product Internet Rate X
20 UPRR Unsold Product Reseller Rate X

Adventure Work Cycles 03/05/2025 Pagina 7

 Triangolo degli Indicatori
KPI Efficienza/Efficacia
-Internet Tax Rate
-Reseller Tax Rate
-Margine Commerciale Internet
-Margine Commerciale Reseller
-Internet Unit Cost
-Reseller Unit Cost
-Internet Freight Percentage Rate
-Reseller Freight Percentage Rate
-Internet Unit Freight Cost
-Reseller Unit Freight Cost
Risorse utilizzate -% Vendite Internet
-Database -% Vendite Reseller
-Risorse Umane -% Ricavi Internet
-Internet
-% Ricavi Reseller
-% Profitto Internet
-% Profitto Reseller
-Internet Profit Margin
-Reseller Profit Margin
Input Output -Unsold Product Internet Rate
-Richiesta Cliente -Consegna Merce
-Unsold Product Reseller Rate
-Accessi al Sito -Pagamento

KPI Qualità KPI Servizio

- % Feedback Positivi Cliente - Tempo Medio di Consegna

Adventure Work Cycles 03/05/2025 Pagina 8

 DATAMART Vendite Internet
KPI CALCOLABILI:
Internet Tax Rate
Margine Commerciale Internet
Nazione Internet Unit Cost
Internet Profit Margin
Anno
Regione
Giorno Settimana
Mese
Provincia
Indirizzo Ora Data Nome
CF Cognome
Città
Data Telefono
Fattorino
CF Targa Veicolo
Cognome
Nome
Vendite Internet id
Prodotto
• Peso
Costo Prodotto
Sesso • Prezzo Vendita Nome
Cliente • Quantità venduta Prezzo Listino
Età
• Tasse
Categoria
Fascia Età

Sottocategoria

Adventure Work Cycles 03/05/2025 Pagina 9

 DATAMART Vendite Reseller
KPI CALCOLABILI:
Reseller Tax Rate
Margine Commerciale Reseller
Nazione Reseller Unit Cost
Reseller Profit Margin
Anno
Regione
Giorno Settimana
Mese
Provincia
Indirizzo Ora Data Nome
CF Cognome
Città
Data Telefono
Fattorino
CF Targa Veicolo
Cognome
Nome
VenditeReseller id
Prodotto
• Peso
Costo Prodotto
Sesso • Prezzo Vendita Nome
Cliente • Quantità venduta Prezzo Listino
Età
• Tasse
Categoria
Fascia Età
Cognome Rivenditore

Nome Sottocategoria
ID Punto Vendita

Adventure Work Cycles 03/05/2025 Pagina 10

 Modellizzazione in Visual Studio
L’esempio è stato implementato tramite l’utilizzo del software Microsoft Visual
Studio. In particolare, sulla base del Database Adventure Works 2014 messo a
disposizione, siamo arrivati a realizzare una vista origine dati e il seguente cubo.

Adventure Work Cycles 03/05/2025 Pagina 11

 Esplorazione del Cubo
Abbiamo effettuato l’esplorazione del cubo sfruttando l’esportazione dei dati su
Microsoft Excel. Mentre la versione di Visual Studio a nostra disposizione
permette di effettuare tale esplorazione solo a livello unidimensionale, l’utilizzo di
Excel permette di confrontare più dimensioni tra loro. Nell’immagine seguente,
sono stati filtrati i risultati relativi alle quantità vendute e ai ricavi per gli anni
2011, 2012 e 2013 e per i paesi United Kingdom e United States. In questo
modo, i dati saranno visibili in maniera matriciale.

Adventure Work Cycles 03/05/2025 Pagina 12

 Dashboard Mountain

Adventure Work Cycles 03/05/2025 Pagina 13

 Analisi KPI Mountain

Come prima analisi, sono stati filtrati i risultati relativi ai KPI, prendendo in considerazione
solamente i dati relativi alla vendita di mountain bike.
Si possono trarre le seguenti conclusioni:
• Internet Profit Margin e Reseller Profit Margin non raggiungono gli obiettivi e
presentano un trend costante nel tempo. Se si restringe l’analisi all’anno 2012, si può
constatare che in entrambi i margini di profitto si presenta un trend negativo. Si può
osservare come il profitto delle mountain bike vendute su internet sia molto più vicino
all’obiettivo aziendale stabilito
• Nonostante il Costo di Trasporto Reseller sia inferiore a quello Internet, i costi unitari
Reseller risultano più elevati di quelli Internet. Questo si traduce in prezzi più elevati
che influiscono sui ricavi
• La percentuale maggiore del profitto deriva da Vendite Internet, nonostante i prezzi
più bassi
• Questo è anche dovuto alla grande quantità di Prodotti Invenduti a livello Reseller
• Per quanto riguarda l’obiettivo del Margine Commerciale, questo è raggiunto
solamente nel caso delle Vendite Internet
• Le quantità di mountain bike vendute risultano circa equivalenti nelle due modalità

Adventure Work Cycles 03/05/2025 Pagina 14

 Dashboard Accessory

Adventure Work Cycles 03/05/2025 Pagina 15

 Analisi KPI Accessory

Filtrando invece i risultati in base alle vendite dei soli accessori, si può notare come molti
dei risultati ottenuti sono in linea con quelli relativi alle mountain bike. Le uniche differenze
riscontrate rispetto al caso precedente sono:
• Le Percentuali di Profitto Internet e Reseller sono ora quasi equivalenti
• Le Vendite Internet risultano molto superiori a quelle Reseller

Restringendo l’analisi al solo anno 2013, si osserva come l’Internet Profit Margin, che
raggiunge l’obiettivo, abbia una tendenza positiva; al contrario, il Reseller Profit Margin non
raggiunge l’obiettivo e ha una tendenza negativa

Conclusioni

A valle di tali analisi, possiamo concludere che il modello di business che prevede vendite
Internet è più redditizio ed efficiente per l’impresa

Adventure Work Cycles 03/05/2025 Pagina 16

 Data Mining

Visual Studio permette di creare un ambiente integrato per la realizzazione di

modelli di Data Mining per effettuare delle analisi. In particolare, l’azienda è
interessata a effettuare una campagna di mailing diretto per identificare il
comportamento di acquisto dei clienti.
In input verranno utilizzate le informazioni relative agli acquisti passati, per elaborare
delle stime da utilizzare nelle iniziative di marketing.
Lo scopo infatti è quello di individuare modelli che consentano di eseguire previsioni
circa i potenziali clienti che con maggiore probabilità acquisteranno una bicicletta da
Adventure Work Cycles.

Adventure Work Cycles 03/05/2025 Pagina 17

 Fasi del progetto

1. Preparazione del database di Analysis Service

2. Scelta del modello di data mining
3. Esplorazione del modello di data mining
4. Test sull’accuratezza dei metodi
5. Stime e drill through del modello di data mining

Adventure Work Cycles 03/05/2025 Pagina 18

 Preparazione del database di Analysis Service
È stata realizzata una nuova vista origine dati per il data mining, cosi da non
modificare l’origine dati di partenza e estrarre solamente le informazioni
necessarie

vTargetMail è la
vista con tutte le
Prospective Buyer è informazioni sui
la tabella contenente clienti che
le informazioni su hanno già
tutti i potenziali acquistato nel
acquirenti passato

Adventure Work Cycles 03/05/2025 Pagina 19

 Scelta del modello di data mining

Verranno utilizzati tre degli algoritmi più importanti di data mining:

1. Clustering
2. Albero delle decisioni
3. Naive Bayes

Ognuno di questi algoritmi ha delle specifiche caratteristiche, che permettono di

evidenziare differenti aspetti dell’analisi, anche sulla base di differenti
raggruppamenti di dati.
Inoltre, confrontando i risultati di algoritmi differenti correlati tra loro, è possibile
assicurare un analisi più approfondita sui dati.

Adventure Work Cycles 03/05/2025 Pagina 20

 Modello Decision Trees

• L'algoritmo Microsoft Decision Trees è un algoritmo di classificazione

e di regressione per la modellazione predittiva di attributi sia discreti
che continui.

 Per gli attributi discreti, l'algoritmo esegue le stime in base alle relazioni tra le
colonne di input in un set di dati. In particolare, l'algoritmo identifica le colonne di
input correlate alla colonna che si intende stimare. L'albero delle decisioni esegue
le stime in base alla tendenza verso un determinato risultato.

 Per gli attributi continui, l'algoritmo utilizza una regressione lineare per determinare
le divisioni dell'albero delle decisioni.

• L'algoritmo Microsoft Decision Trees compila un modello di data

mining creando una serie di divisioni nell'albero. Queste divisioni
sono rappresentate come nodi. L'algoritmo aggiunge un nodo al
modello ogni volta che rileva una colonna di input correlata in modo
significativo alla colonna stimabile, in modo da selezionare gli attributi
più utili.

Adventure Work Cycles 03/05/2025 Pagina 21

 Esplorazione dell’algoritmo: Decision Trees

E’ possibile visualizzare i risultati in due diverse modalità: albero delle decisioni

o rete di dipendenze.

Nel caso della visualizzazione come albero delle decisioni, i nodi dell’albero
vengono raffigurati con diverse tonalità di blu: a una tonalità più scura
corrisponde una maggiore probabilità che gli acquirenti appartenenti a quello
specifico cluster acquistino una bicicletta. Inoltre, il numero di acquirenti per
ogni nodo è visualizzabile attraverso un apposita barra, contenente il numero di
acquirenti (1 - rosa) e di non acquirenti (0 - blu).

Nel caso di visualizzazione come rete di dipendenze, mostra le dipendenze dei

vari attributi. Agendo sullo “Strongest Link”, è possibile mettere in mostra gli
attributi che incidono maggiormente sulla colonna stimabile. Nel nostro caso,
lasciando attivi gli ultimi tre attributi, questi risultano essere numero di
automobili possedute, età e reddito annuo.

Adventure Work Cycles 03/05/2025 Pagina 22

 Visualizzazione: albero delle decisioni

Adventure Work Cycles 03/05/2025 Pagina 23

 Visualizzazione: rete di dipendenze

Adventure Work Cycles 03/05/2025 Pagina 24

 Modello Clustering

• L'algoritmo Microsoft Clustering è un algoritmo di

segmentazione incluso in Analysis Services.
L'algoritmo utilizza tecniche iterative per raggruppare i
case di un set di dati in cluster con caratteristiche simili.
Tali raggruppamenti sono utili per l'esplorazione dei
dati, l'identificazione delle relative anomalie e la
creazione di stime.

• L'algoritmo di Clustering si differenzia dagli altri

algoritmi di Data Mining, ad esempio dall'algoritmo
Microsoft Decision Trees, per il fatto che non è
necessario designare una colonna stimabile per
compilare un modello di Clustering.

Adventure Work Cycles 03/05/2025 Pagina 25

 Esplorazione dell’algoritmo: Clustering

E’ possibile visualizzare i risultati in quattro diverse modalità: diagramma dei cluster,

profili cluster, caratteristiche cluster o analisi discriminante tra cluster.

Nel caso di visualizzazione come diagramma dei cluster, è possibile mettere in evidenza
le relazioni tra i cluster individuati. Linee più scure rappresentano una relazione
maggiore; il colore dei cluster rappresenta la frequenza della variabile bike buyer nel
cluster stesso.

Nel caso di visualizzazione come profili cluster, si può visualizzare nel dettaglio la
distribuzione relativa di ogni attributo in ogni cluster. Gli attributi discreti vengono
visualizzati come barre colorate, mentre gli attributi continui come un grafico a rombi che
rappresenta la deviazione media e quella standard.

Nel caso di visualizzazione come caratteristiche cluster, si possono visualizzare gli stati
degli attributi, dell’intera popolazione o di cluster specifici in ordine di importanza.

Infine, nella visualizzazione come analisi discriminante tra cluster, si possono confrontare
gli attributi di due cluster, evidenziando le differenze più importanti.

Adventure Work Cycles 03/05/2025 Pagina 26

 Visualizzazione: diagramma dei cluster

Adventure Work Cycles 03/05/2025 Pagina 27

 Visualizzazione: profili cluster

Adventure Work Cycles 03/05/2025 Pagina 28

 Modello Naive Bayes

Il modello Naive Bayes è un algoritmo di classificazione basato

sui teoremi di Bayes, molto utilizzato per la modellazione
predittiva.

Avendo funzionalità di calcolo più semplici rispetto agli altri

algoritmi, permette di generare rapidamente modelli di Data
Mining

Viene solitamente usato per l’esplorazione iniziale dei dati,

applicando i risultati ottenuti a modelli con algoritmi di calcolo più
avanzati.

Adventure Work Cycles 03/05/2025 Pagina 29

 Esplorazione dell’algoritmo: Naive Bayes

E’ possibile visualizzare i risultati in quattro diverse modalità: Rete di

dipendenze, Profili attributo, Caratteristiche attributo, Analisi discriminante
attributi.

La visualizzazione Rete di dipendenze ricalca quanto già visto con l’algoritmo

Decision Tree.

La visualizzazione Profili attributo permette di identificare le colonne di input

significative ai fini della differenziazione degli stati della colonna stimabile.

Per quanto riguarda le due restanti visualizzazioni, aggiungono a quanto già

visto con il modello Clustering la possibilità di impostare il valore di un attributo
(in questo caso proprio Bike Buyer).

Adventure Work Cycles 03/05/2025 Pagina 30

 Visualizzazione: Profili attributo

Adventure Work Cycles 03/05/2025 Pagina 31

 Test sull’accuratezza dei metodi

Nella scheda Grafico accuratezza modello di data mining è possibile

calcolare il grado di accuratezza delle stime eseguite dai modelli e si possono
confrontare i risultati di ogni modello con quelli degli altri. In genere,
l'accuratezza predittiva di un modello di data mining è misurata
dall'accuratezza stessa del modello o dall'accuratezza della classificazione.
Vengono riportati, oltre i 3 algoritmi analizzati precedentemente, anche
un modello riferito a delle ipotesi casuali e un modello ideale.
Il modello delle ipotesi casuali mostra l'accuratezza senza l'utilizzo di dati
informativi per il calcolo delle stime, ovvero una divisione 50-50 tra due
risultati.
Il modello ideale rappresenta il massimo vantaggio che è possibile ottenere
se le stime del modello fossero sempre accurate.

Adventure Work Cycles 03/05/2025 Pagina 32

 Grafico di accuratezza

Si noterà che il modello Decision Tree fornisce il maggiore livello di accuratezza,

superando sia il modello Clustering che quello Naive Bayes.

Adventure Work Cycles 03/05/2025 Pagina 33

 Stime e drill-through del modello di Data Mining

Finora si è eseguito il training, il testing e l'esplorazione dei modelli di data

mining creati. Ora è possibile iniziare a utilizzare i modelli per identificare le
persone con la più alta probabilità di rispondere alla nuova campagna di
mailing diretto.

Verrà prima creata una query per individuare i clienti che con maggiore
probabilità acquisteranno una bicicletta. Sarà inoltre possibile risalire al
livello di probabilità che la stima sia corretta, in modo che il reparto
marketing possa decidere se utilizzare o meno la stima.

Una volta identificati i clienti con una probabilità di acquisto elevata, si

eseguirà il drill-through sui dettagli dei case nel modello di data mining per
recuperare nomi e informazioni di contatto per questi clienti.

Adventure Work Cycles 03/05/2025 Pagina 34

 Stime del modello di Data Mining
Nella scheda Progettazione viene selezionata la tabella dei potenziali clienti PerspectiveBuyer e vengono
definite le relazioni tra il modello di data mining e la tabella di input. Infine viene selezionata la funzione di
stima (nel nostro caso Predict Probability) e i campi che saranno visualizzati una volta eseguita la query.

Adventure Work Cycles 03/05/2025 Pagina 35

Nella scheda Risultato, una volta eseguita la query, vengono visualizzate le informazioni di contatto dei
potenziali acquirenti del prodotto.
In particolare, nella prima colonna Probabilità risultato è espressa la probabilità che la stima sia
corretta.

Adventure Work Cycles 03/05/2025 Pagina 36

 Drill-Through
Per recuperare le informazioni di contatto, prima ci si assicurerà che il drill-through sia
abilitato per la struttura, quindi si utilizzerà il drill-through per ottenere i nomi e gli
indirizzi dei clienti di destinazione.
Questo perché le informazioni di contatto dei clienti sono incluse nella struttura di
partenza, ma non sono presenti nel modello.
Una volta individuato il nodo relativo ai clienti che più probabilmente acquisteranno
biciclette, è stato abilitato il Drill Through su questo nodo per ottenere le informazioni
sui clienti, quale le email, utili all’impresa.

Adventure Work Cycles 03/05/2025 Pagina 37