Presentazione di PowerPoint

Analisi dei dati orientata alle decisioni: datawarehousing, knowledge discovery e data mining,metodologie per l’integrazione e l’utilizzo dei dati dasistemi informativi eterogeneiOverview• Data warehousing• Accesso uniforme a dati eterogenei• Data mining e Knowledge discovery in dbData warehousing I - Evoluzione dei DWChi e che cosaData warehousing I - Evoluzione dei DWChi e che cosa• dati: rappresentazione digitale di informazioni• informazione: rappresentazione di porzioni di un dominioapplicativo così come percepito dagli utenti finali “businesscontextualized data”• utenti finali- conoscono la realtà applicativa- tendono a risolvere problemi reali del dominio- consci del valore dell’informazione- propensi ad utilizzare tecnologia che risolva i loroproblemi- aperti a soluzioni di tipo “do-itit-yourself”- conoscono il ruolo dei dati nelle applicazioniData warehousing I - Evoluzione dei DW• Sviluppo spinto da una doppia esigenza delle organizzazioni:• necessità di una visione complessiva delle informazioni• necessità di abbattimento dei costi di gestione delleinformazioniConsiderate singolarmente le due esigenze non avrebberodeterminato questa spinta• Architetture e funzionalità:• Evolutive• Non “vendor“vendor-driven”Gestione “information driven”“Data revolution”MedioevoPreistoriaData warehousing I - Evoluzione dei DWLa Storia (per grandi linee)200019951990198519801970Dizionari utenteAmbienti di sviluppo di DWStrumenti di replicazione di datiConferenze su DWInmon pubblica “Building the DW”Primi articoli su DWPrimi sviluppi di DW ad uso “interno”Interfacce utenteBasi di dati relazionaliPC e fogli elettronici1

Data warehousing I - Evoluzione dei DW: “La Preistoria”Data warehousing I - Evoluzione dei DW: “La Preistoria”• 1975-1980: 1980: periodo stimato di apparizione della specie “utentefinale”• determinata da:• sviluppo del personal computing• sviluppo di tool di gestione di dati “desk-topconfined”• adozione dei data base relazionali come formato dipresentazione dei dati all’utente finale• primi sviluppi di applicazioni “data-drivendriven”• per un lungo periodo l’informatizzazione si giustificava sulla base dirisparmi nella implementazione dei processi “produttivi”• con l’enorme aumento delle potenzialità dell’elaborazione dei dati, dquesto diventa un fattore secondario, soppiantato dalla necessitàdi fare della tecnologia un vantaggio competitivo• le tecnologie di data processing diventano sempre più businessdriven strumenti di supporto alle decisioni di gestioneData warehousing I - Evoluzione dei DW: “Il Medio Evo”• esigenza di riorganizzazione della gestione dei dati finalizzataall’utilizzo diretto di questi da parte degli utenti finali (e non aproblemi legati semplicemente alle performance ed ai costi)Data warehousing I - Evoluzione dei DW: “Il Medio Evo”• primi esempi di data warehouses “ad uso interno” (es., ABN Bank)• problema centrale: eterogeneità dei dati (formato, trattamento...)..)• esigenza di intefacce utente amichevoli, personalizzabili• il focus si sposta dalle funzioni ai dati• necessità di modelli per la descrizione (formale) dei dati –possibilmente comprensibili per gli utenti finali ed importati neiloro ambienti di lavoro• assenza di soluzioni proposte dai “major vendors” ” (che sipreoccupavano di curare gli aspetti funzionali/transazionalitransazionali)• dati su PC ancora di tipo “personale”Data warehousing I - Evoluzione dei DW: “Il Medio Evo”• assenza di veri strumenti di interrogazione dei dati per l’utentefinale• primi sforzi organizzati tesi a progettare architetture perrendere i dati completamente disponibili all’utente finale• primi sforzi tesi a progettare interfacce per l’interrogazionepersonalizzata ed avanzata dei dati• 1988: prima definizione “scientifica” del concetto di DWData warehousing I - Evoluzione dei DW: “Il Medio Evo”• si afferma la differenziazione (non netta) tra:Sistemi “Operazionali”• orientati alle transazioni• memorizzano dati “real-time”• transazioni semplici• ottimizzati su un insieme ditransazioni predefinite• sono utilizzati da personale che trattadati “individuali” (es., agenti divendita)•Possono essere utili ai clienti stessiSistemi “Informazionali“Informazionali”• utilizzati per controllo di gestione• dati storicizzati• ottimizzati per le interrogazioni• il loro utilizzo è largamente nonprevedibile• utilizzati dal management ed altriutenti finali per capire andamentiaziendali e poter decidere2

Data warehousing I - Evoluzione dei DW: “Il Medio Evo”riassumendo.......Data warehousing I – Evoluzione dei DW: “Data revolution”• sistemi operazionali:• gestione real-time dei processi aziendali (produttivi e non)• gestiscono dati di tipo real-time• progettati per eseguire efficientemente centinaia di piccoletransazioni predefinite di tipo read/write• sistemi informazionali:• consentono il controllo di gestione• memorizzano “snapshot“snapshot” ” storici della realtà aziendale• progettati per eseguire efficientemente interrogazionicomplesse non necessariamente pre-definite• determinata dalla disponibilità di strumenti che hanno abbatutto icosti di sviluppo• determinata dall’accettazione diffusa della centralità del beneinformazione come vantaggio competitivo•difficoltà primaria/vantaggio primario: ottenimento di una visioneunivoca ed integrata dei datiData warehousing I – Evoluzione dei DW: “Data revolution”Data warehousing I – Evoluzione dei DW: “Data revolution”• esempio: compagnia aerea che, incrociando dati relativi aifrequent flyers ed alla vendita di biglietti sono in grado diottenere migliori risultati da campagne promozionali• i gestori percepiscono la necessità di accedere in manieraflessibile all’intero patrimonio informativo disponibile e latecnologia è matura per fornire gli strumenti adatti a questo scopo• tuttavia i problemi di integrazione da soli non giustificano losviluppo di un DW• i principali vantaggi dei DW risiedono del fatto che essiconsentono di utilizzare le informazioni disponibili in manierainnovative e non completamente prefigurabile• uno studio del 1996 calcola nel 321% in ROI medio dei progetti diDW per organizzazioni medio-grandi, con un periodo medio dipayback pari a 2.73 anniData warehousing I – Evoluzione dei DW: “Data revolution”• sul versante tecnico lo sviluppo di DW promette vantaggisignificativi in termini di aumento di competitività e, pertanto, to, alcontrario dei sistemi operazionali, un loro sviluppo “interno” puòessere considerato vantaggioso• le applicazioni di tipo informazionale assorbiranno la gran partedegli investimenti in “data technologies” ” nei prossimi 5 anniData warehousing I – Evoluzione dei DW: “Information“Information-driven management”• le difficoltà tecniche dello sviluppo di DW “enterprise“enterprise-wide” ” harelativamente frenato la diffusione dei DW• accelerazione significativa negli ultimi due/tre anni• i “vendors“vendors” ” sono a questo punto interessati al mercato dei DW epropongono soprattutto pacchetti per la duplicazione e lamigrazione dei dati e per l’accesso avanzato a questi• necessità di espandere l’insieme dei soggetti fruitori diinformazione3

L’ “Information“Information-basedmanagement” si caratterizza oggi nei seguentipunti:•Unica sorgente informativa: : esigenza di riconciliazione e ripulituradei datiData warehousing I – Evoluzione dei DW: “Information“Information-driven management”Data warehousing I – Evoluzione dei DW: “Information“Information-driven management”•Informazionecontestualizzata alle necessità operative• “Consegna” automatica di nuova informazione: : le trasformazionioperate devono essere (potenzialmente) trasparenti all’utente• Distribuzione dell’informazione: : l’informazione deve poter essereutilizzata ai diversi livelli di responsabilità decisionale nel l formatopiù appropriato• Qualità e protezione dell’informazione: : l’informazione è beneprimario dell’organizzazione e deve essere correttamente protettatta•Data warehousing I – Cos’è un DW?Data warehousing I – Cos’è un DW?Un DW è un struttura che memorizza una raccolta completa econsistente di dati ottenuti da sorgenti informative diverse e resi rdisponibili agli utenti finali utilizzando modi e formati che li rendaimmediatamente interpretabili ed utilizzabili agli scopi del “decision“making”Un DW è un struttura che memorizza una raccolta completa econsistente di dati ottenuti da sorgenti informative diverse e resi rdisponibili agli utenti finali utilizzando modi e formati che li rendaimmediatamente interpretabili ed utilizzabili agli scopi del “decision“making”••Data warehousing I – Cos’è un DW?Data warehousing I – Cos’è un DW?Ambiente OperativoAmbiente DecisionaleA questo livellovi sono leapplicazioni peril supporto alledecisioniBIGApplicazioneAApplicazioneBApplicazioneCQueryReportAnalisiNavigazionepopolamentoDW catalogEnterprisemodel4

Scopo della tesiIntrodurre le nozioni di base riguardanti i Data Mart e più ingenerale i Data Warehouse.Esplicitare il concetto di analisi OLAP e quello delle basi didati multidimensionaliI Data WarehouseDescrizione di un software per OLAP: IBM DB2 OLAPSERVER.Progettazione di Data Mart di dati socio-economici sullaRegione Calabria ed effettuazione di analisi OLAPPerché i Data Warehouse?Processi operativi e Processi decisionaliL’idea di base del concetto dinell’osservare come le esigenze dei• processi operativiData Warehouse consiste• processi decisionalisiano profondamente diverse e che sia quindi sbagliato tentare di dsoddisfarle tutte con uno stesso ambiente.Processi OperativiProcessi DecisionaliDati attualiDati elementariInserimento,cancellazione,letturaSpazi di occupazione contenutiApplicazioni precostituiteDati attuali e storiciDati elementari ed aggregatiAggregazioni,letturaSpazi di occupazione crescenti nel tempoReport, , analisi,navigazioneChe cos’è un Data Warehouse?Il Data Warehouse è un insieme di datiChe cos’èun Data Warehouse?Proprietà di integrazione:Nel Data Warehouse il significato di un dato deve essere concordea livello aziendale e definito con precisione in termini informatici.• Integrati• Temporali• Permanentifinalizzato al supporto dei processi decisionali.Sistemi OperazionaliAppl A – Description1Appl B – Description2Appl C – Description3Appl A – m,fAppl B – 1,0Appl C – x,yPopolamentoData WarehouseDescriptionm,fAppl A – Date(yymmddyymmdd)Appl B – Data(mmddaammddaa)Appl C – Data (assoluta)Data(ddmmyyddmmyy)5

Architettura generaleArchitettura concettuale• Ad un livelloData WarehouseAmbienteOperativoBackendDBMSFrontendutenti• A due livelli• A tre livelliArchitettura concettuale ad un livelloArchitettura concettuale a due livelliDecisionSupport SystemDatiReal-TimeOperationalSystemVantaggiSvantaggiMinimizzazione del volumedi dati memorizzatiSviluppo rapido ecosti ridottiEvita il problemadella sincronizzazionedei dati ripetutiEsecuzione ripetutadella stessa queryMancanza di storicizzazionedei datiContesa sui dati tra sistemioperazionali e sistemi decisionaliDecisionSupport SystemDati DerivatiDati Real-TimeOperationalSystemVantaggiSvantaggiSoluzione del problemadella concorrenza traapplicazioni operazionalie decisionaliDiverse derivazionidegli stessi datiAlto livello diduplicazione dei dati,spesso incontrollatoArchitettura concettuale a tre livelliUn nuovo modello dati per i BIWsDecisionSupport SystemDati DerivatiVantaggiDati storici memorizzati nel livellodei dati riconciliati e conseguentesemplificazione dei sistemioperazionaliNotevole riduzione dei problemidi duplicazione dei datiModello MultidimensionaleDati RiconciliatiDati Real-TimeOperationalSystemSvantaggiLa riconciliazione è effettuata unasola volta e non devono essereripetute per ogni insieme di datiderivatiInadeguatezza del modello nel casodi sorgenti operazionaliparticolarmente eterogenee fra loroFatti Dimensioni Gerarchie MisureRappresentazioneProcessi di businessAggregazione delle Attributodella granularità deida modellareistanze dei fatti numerico di unfatti (prodotti,(vendite,acquisti,ecc)fattotempo,luogo)6

Modello Dimensional FactIl Modello Dimensional Fact (MDF) è un formalismo grafico per larappresentazione di uno schema multidimensionale.Costruzione di uno schema DF da uno ERa) Definizione dei fatti;b) Per ogni fatto:1. Costruzione dell’albero degli attributi;2. Potatura ed Innesto dell’albero;3. Definizione delle dimensioni;4. Definizione delle misure;5. Definizione delle gerarchie.Il concetto di OLAP• Supportare complesse analisi del processo decisionaleOLAPOn Line Analytical Processing• Analizzare i dati da varie prospettive• Agire dinamicamente su enormi quantità di datiDatabase multidimensionaleNotevoleripetizionedell’informazioneProdotti Regioni VenditeCompact DiscPiemonte 50Audiocassetta Piemonte60DiscoCompact DiscAudiocassettaDiscoCompact DiscAudiocassettaDiscoPiemonte 100Toscana 40Toscana 70Toscana 80Liguria 90Liguria 120Liguria 140TabellarelazionaleDimensione “ Prodotto”datacubeDimensione “Territorio”Membri delladimensione“Territorio”Compact DiscAudiocassettaPiemonte Toscana Liguria50 40 90960 70 120TabellamultidimensionaleCompact DiscAudiocassettaPiemonte Toscana Liguria50 40 90960 70 120Disco100 80 140Disco100 80 1407

Aggregazione delle informazioniUn desiderio degli utenti è quello di avere una risposta alle query quanto piùrapida Prodotti possibile. Regioni Al fine Venditeottenere tale risultato un’interessante operazione èCompact Disc Piemontequella di “consolidare” (pre50pre-aggregare) tutti i totali Compact DiscPiemonte e sub Toscana totali logici.Liguria TotaleToscana 40Compact Disc Liguria 90 Compact Disc 50 40 90 180Compact DiscTotaleAudiocassetta PiemonteAudiocassetta ToscanaAudiocassetta LiguriaAudiocassettaTotaleDiscoPiemonteDiscoToscanaDiscoLiguriaDiscoTotaleTotalePiemonteTotaleToscanaTotaleLiguriaTotaleTotale180607012025010080140320210190350750AudiocassettaDiscoTotale60 70 120 250100 80 140 320210 190 350 750Analisi multidimensionale• Operazioni di slice and dice• Operazioni di drill• Analisi trend per periodi di tempo sequenzialeSlice and DiceOperazioni di drillTempoProdottoRegioneDrill UpIl financial manageranalizza tutti i prodottivenduti nelle regioni in undeterminato arco temporaleIl productor manager studiaun prodotto su archi di temponelle varie regioniNazioneRegioneProvinciaIl regional manageresamina tutti i prodotti sudiversi periodi temporali inun determinato mercatoI pianificatori possonofocalizzarsi su un sottoinsiemedi dati dell’impresa; peresempio il prossimo trimestreper un prodotto innovativovenduto in una sola regioneDrill DownComponenti fondamentaliIBM DB2 OLAP Server• Arbor Essbase Application Manager• Arbor Essbase Spreadsheet Add-in8

Architettura Arbor EssbaseIBM DB2 OLAP SERVER usa il modello client\server.Il database tipicamente risiede sul server e e i client possono effettuarequery facendo riferimento ad esso.Architettura Arbor EssbaseIBM DB2 OLAP SERVER usa il modello client\server.Il database tipicamente risiede sul server e e i client possono effettuarequery facendo riferimento ad esso.ESSCMDESSCMDApplicationApplicationManagerManagerSpreadsheetSpreadsheetAdd-inAdd-inEssbaseAgent(Essbase.exe)EssbaseServer(ESSSVR)Administrative RequestEssbase Agent(Essbase.exe)EssbaseEssbaseAPIAPIClientEssnetEssnetEssnetEssnetData RequestEssbase Server(ESSSVR)NetworkCostruzione di un’applicazione EssbaseComponenti di un’applicazione EssbaseProdotti Regioni VenditeCompact Disc Piemonte 50Audiocassetta Piemonte60DiscoPiemonte 100Toscana 40Compact Disc ToscanaAudiocassetta Toscana 70DiscoToscana 80Liguria 90Compact Disc LiguriaAudiocassetta Liguria 120DiscoRaw Data FileLiguria 140Rules FileEssbase DatabaseExternalDataSource FileEssbase ApplicationDataLoadRulesDatabaseCalcScriptReportScriptIl sistema di analisi dei datiIl Piano Telematico Calabrese9

Le azioni progettualiIl DW-PTC• Amministrazione Regionale• Agricoltura• Comuni• Giustizia• Ricerca• Sanità• Teledidattica• TurismoE’ in corso di progettazione un Data Warehouse per il PTC (DW-PTC).Considerazioni• poche sorgenti sono sufficientemente documentate• alcune sorgenti sono in fase di progettazione e ristrutturazione• vedremo solo due seguenti sorgenti informative:• OSCAR (AP Ricerca);• ERICA (AP Agricoltura);La sorgente informativa OSCARLa sorgente informativa ERICAProvince1Comune Provincia Regione1EnteTerritorialeComuni1(1: N)NatGiu1Mappaturasocio economica(1:N)Indicatoresocio economicoAtecoStatoAtt11N N NNImpresaN N NN1Aggiornamentiappartieneha tipo(1: N) (1: N)CauCes1ClasseIndicatoreTipoIndicatoreVia1Schema riconciliatoSchema riconciliato• Data cleaningComune1N 1 N 1ProvinciaRegione1N1 NN 1Mappatura_SEN1N 1Indicatore_SEClasse Indicatore• Eliminazione degli attributi ritenuti inutiliN 1Tipo Indicatore• IntegrazioneNImpresaN1AggiornamentiVia1 NN1AtecoN1NatGiuStatoAtt1NN1CauCes10

Modello DF per ‘ ‘Mappatura_SE’Innesto Albero e degli potatura attributi,Dimensioni ,GerarchieSi possono avere informazioni su:ClasseTipoCod_TipoDatatypeUDMFonteDescrizioneValoreNome_CNome_PNome_R• Il dinamismo demografico• La bontà della posizione geografica• La vocazione turistica• Lo stato reddituale• Lo stato di benessere• La dotazione di serviziCod_ClasseCod_IndicatoreCod_TerritorioCod_IndicatoreAnnoID_ComuneID_ProvinciaTipoDatatypeID_ProvinciaUDMID_RegioneValoreAnnoClasseIndicatoreNome_CNome_PNome_RDatatypeTipoUDMStruttura del database EssbaseClasseIndicatoreNoAggregazioniMAPPATURASOCIO ECONOMICASUM (Indicatore)AVG (Indicatore)MIN (Indicatore)MAX (Indicatore)Densità_Sup (Indicatore)Densità_Pop (Indicatore)ComuneProvinciaRegioneMDFAnnoBiennioTipoDatatypeUDMValoreAnnoClasseIndicatoreNome_CNome_PNome_RLe informazioni nel foglio elettronicoTassi di mortalità e natalità in Calabria (%)1,210,80,60,40,20199519961997199895-98tasso di natalitàtasso di mortalità1995 1996 1997 1998 95-98tasso di mortalità 0,840381879 0,844680514 0,87204586 0,857611915 0,853669711tasso di natalità 1,090256388 1,050932981 1,040853852 1,052368021 1,05861699811

Tasso di emigrazione e di immigrazione in Calabria (%)6000Variazione della popolazione2,0521,951,91,851,81,751,71,651,61,55tasso di emigrazione19951996tasso di immigrazione1997199895-981995 1996 1997 1998 95-98tasso di immigrazione 1,725468509 1,712502959 1,712416079 1,714741402 1,716285822tasso di emigrazione 1,989120559 1,99999325 2,034049383 2,014859741 2,009491382400020000-2000-4000-6000-8000Nati vivi-morti immigrati-emigrati variazione popolazioneCS 4572 -6600 -2028CZ 3098 -2699 399KR 3397 -6911 -3514RC 4237 -5220 -983VV 1694 -2888 -1194DistanzeDistanze160Km160Km14014012012010010080806060404020200Calabriamax dal capoluogo 141max dalla stazione ferroviaria 63media dal capoluogo 66,34682766media dalla stazione ferroviaria 13,854753450CS CZ KR RC VVmax dal capoluogo 133 66 130 141 95max dalla stazione ferroviaria 63 30 33 29 45media dal capoluogo 57,37012987 36,98734177 91 71,91666667 74,46media dalla stazione ferroviaria 12,38636364 11,54054054 17,84615385 10,26666667 17,23404255Reddito imponibile IRPEF medioReddito imponibile IRPEF medio252019,8MLN20MLN19,61519,41019,219518,801995 199618,618,41995 1996Calabria 19,02108098 19,93712205CS 18,01260618 18,87429923CZ 19,28479982 20,31915637KR 19,04861145 19,88195252RC 20,73441992 21,47942368VV 17,89668067 18,764946412

Caratteristiche dei contribuenti IRPEF in Calabria (95-96)Caratteristiche dei contribuenti IRPEF nelle province calabresi27,29730778100%90%80%70%60%50%40%30%2,41718130570,28551091% con reddito IRPEF 40 mln% non contribuenti IRPEF20%10%0%CS CZ KR RC VV% non contribuenti IRPEF 67,93794535 68,10505566 76,83629877 71,75656483 73,54249577% con reddito IRPEF > 40 mln 2,373841155 2,694395107 1,746273163 2,707175881 1,736725478% con reddito IRPEF

Innesto Albero e degli potatura attributi,DimensioniFonteDt_MonDt_IscrIscr_READt_IscrIscr_RIDt_UltUlt_ModDt_in__in_St_AttDt_CessCod_FisNRIDt_DenDen_CessDesc_AttCap_SocCAPViaN_CivLocalAn_DenDen_AddRag_SocFlag_MonDNZCaucesCd_CaucesCaucesID_AGGCCIAANREAProlocID_ProvinciaID-ComuneID-ProvinciaCd_ViaTipo ViaNome_CID_ProvinciaCd_NatGiuCd_AtecoCd_StatoAttNome_PID_RegioneAtecoStatoAttNatGiuNome_RDt_CessDt_in_Sta_AttDt_IscrProloc STATO DELLEIMPRESE Impresa Comune Provincia RegioneTipo Natura NatGiuAnni di vita mediaStato attivitàCapitale sociale medioSettore AtecoN° impreseN° nuove iscritte Anno Biennio DecennioN° medio adddettiDistribuzione impreseZero

Distribuzione territoriale delle imprese attive (1999)Distribuzione delle imprese attive per capitale sociale (1999)KR9,70VV8,35CS36,58Fino a 100 milioni13,46Tra 100 milioni eun miliardo1,24Oltre un miliardo0,63RC26,93CZ18,44Zero84,67Istruzione,corsi di formazione..0,36Informatica e attività connesse0,88Industria11,46Editoria0,53Distribuzione delle attività economiche (1999)Noleggi0,33Pesca0,12Poste e TelecomunicazioniRicerca e Sviluppo0,060,02Sanità ed altri servizi sociali0,33Trasporti3,45 Agricoltura15,89Alberghi,bar,ristoranti,camping…5,38DatatypeClasseTipoIndicatoreNoAggregazioniUDMFusione dei due modelli DFMAPPATURASOCIO ECONOMICASUM (Indicatore)AVG (Indicatore)MIN (Indicatore)MAX (Indicatore)Densità_Sup(Indicatore)Densità_Pop (Indicatore)AnnoBiennioComuneProvincia RegioneStato attivitàCap_ soc

Densità per categorie di impreseEmigrazione ed Impresa3VV2,52RC1,5KR10,5CZ0densità delle imprese (N°/Kmq)numeo impreseper 100 abitantialberghi,bar,ristoranti 0,49163413 0,357671977attività commerciali 2,772288652 2,016885938aziende agricoltura,allevamenti,pesca 1,832653418 1,333285734industrie 1,092815007 0,778397269imprese edili 1,069937508 0,795041028CS-2000 -1500 -1000 -500 0 500 1000 1500 2000variazione del numero delle imprese in attività differenza emigrazione\immigrazione150100Emigrazione ed imprese nella provincia di CrotoneConclusioni• Separazione dei DBMS in due componenti50• OLTP0• OLAP-50• Efficienza dei Data Warehouse in fase decisionale-100-150-200Sviluppi futuri-250-300• Individuazione di nuove sorgenti informativeBELVEDERECACCURICARFIZZICASABONACASTELSILANOCERENZIACIRO'CIRO' MARINACOTRONEICROTONECRUCOLICUTROISOLA CRMELISSAMESORACAPALLAGORIOPETILIA POL.ROCCABERNARDAROCCA DI NETOSAN MAURO M.TOSAN NICOLASANTA SEVERINASAVELLISCANDALESTRONGOLIUMBRIATICOVERZINO• Completamento del progetto DW-PTCvariazione del numero delle imprese in attività differenza emigrazione\immigrazione16