Istruzione
Durante la triennale, grazie ai molti lavori di gruppo e alle riflessioni che ne sono nate, ho capito che la mia attitudine era più analitica di quanto pensassi. Mi piaceva ragionare sui dati, interpretare risultati e usare relazioni per prendere decisioni concrete.
Quando, verso la fine del 2022, sono comparse le prime applicazioni di intelligenza artificiale generativa disponibili al pubblico, ho iniziato ad appassionarmi profondamente a questo nuovo scenario. Ho cominciato a documentarmi, a sperimentare e a capire come l'IA potesse diventare una risorsa concreta per migliorare i processi e l'efficienza delle aziende.
Così ho deciso di iscrivermi al corso magistrale in Intelligenza Artificiale, Impresa e Società presso la IULM, perché rappresentava esattamente il connubio che cercavo: unire il marketing, le data analytics e le teorie dell'innovazione. Questo percorso mi ha permesso di approfondire le diverse sfumature dell'intelligenza artificiale: dalla comprensione di come funziona tecnicamente alla sua integrazione nei processi aziendali, passando per decisioni guidate dall'analisi e dall'automazione e anche i suoi rischi e le complessità a livello etico.
Un cammino che mi ha appassionato fin dal primo giorno e che sento pienamente in linea con ciò che voglio costruire per il mio futuro professionale.
Questo percorso si è concluso il 17 luglio 2026 con il massimo dei voti, 110 e lode, con una tesi in Probabilità e statistica per il marketing dal titolo «L'importanza delle variabili nella regressione lineare: un'analisi comparativa su dati sanitari».
La ricerca nasce da un tema centrale nell'analisi dei dati: i modelli complessi e opachi possono offrire una maggiore accuratezza predittiva, mentre quelli più semplici e trasparenti permettono di comprendere con maggiore chiarezza come si è arrivati a un risultato e quali variabili lo hanno influenzato maggiormente. Questa interpretabilità è particolarmente importante nella ricerca e in ambiti delicati come quello sanitario; per questo motivo, modelli leggibili come la regressione lineare continuano a essere strumenti di grande valore.
Nella regressione lineare esistono diversi metodi per valutare l'importanza dei predittori, ognuno dei quali ne mette in luce una definizione differente. La tesi confronta proprio questi approcci, osservando quando convergono e quando divergono. Nei dataset analizzati, il Beta Weight — il metodo più semplice e teoricamente più esposto ai problemi di collinearità — si è rivelato, sorprendentemente, quello più coerente con l'insieme degli altri metodi considerati.
Il numero limitato di casi non consente di individuare un metodo universalmente migliore degli altri, ma apre la strada a un approfondimento su un campione più ampio di dataset, studiando come cambiano le correlazioni tra i metodi al variare della struttura dei dati. I risultati permettono comunque di formulare alcune indicazioni: con dataset semplici e predittori poco sovrapposti, Beta Weight e Product Measure possono offrire una lettura efficace; in presenza di variabili clinicamente più sovrapposte, il Product Measure può fornire una prima interpretazione, la Dominance Analysis una scomposizione più robusta dell'R² e lo Unique Effect una misura del contributo esclusivo di ciascun predittore all'R².
Durante l'ultimo anno del liceo scientifico, che ho concluso con il massimo dei voti, mi sono chiesta più volte quale sarebbe stata la continuazione ideale del mio percorso. Nonostante l'indirizzo con le materie scientifiche, sentivo il bisogno di qualcosa che unisse ragionamento e creatività e che mi permettesse inoltre di esprimere la mia curiosità verso il mondo della comunicazione.
Così ho scelto di iscrivermi al corso di Comunicazione d'impresa e relazioni pubbliche, un percorso che mi ha permesso di esplorare diverse discipline: dal marketing alla sociologia, dall'economia al neuromarketing. È stato un viaggio stimolante, dove ho svolto molti lavori di gruppo e progetti pratici, grazie ai quali ho capito che, pur apprezzando la parte creativa del marketing, ciò che davvero mi appassiona è l'analisi dei dati e la capacità di rendere i risultati chiari e concreti.
La mia tesi triennale nasce proprio da questa idea: dalla ricerca dell'ambito in cui dati potessero avere un impatto davvero importante e immediato, e la risposta è stata la sanità. Partendo dai dati raccolti nelle cartelle cliniche, ho sviluppato un progetto su come questi possano aiutare a prevedere il rischio di tumore al seno, una malattia che colpisce una grande percentuale di donne in Italia.
Un tema, questo, che all'epoca era ancora poco esplorato, ma che oggi trova sempre più applicazioni e che ha rappresentato la base per le mie scelte successive.