Metodi moderni di statistical learning per dataset ad alta dimensionalità: applicazioni in diversi ambiti della sostenibilità nelle organizzazioni

The advent of modern technologies and the digital transformation has significantly con- tributed to the onset of the information age, bringing forth a large amount of data and introducing new statistical challenges that need to be addressed. While traditional statistical and econometric techniques, such as linear models, often perform effectively in low-dimensional settings, the complexities of high-dimensional datasets demand more robust data manipulation tools, such as statistical learning techniques within the field of data mining. These techniques constitute a cutting-edge toolkit for investigating complex datasets, and a fundamental distinction can be made between supervised and unsupervised learning. In this dissertation, modern statistical learning techniques of both types will be employed to develop metrics for exploring and measuring the concept of sustainability across various organizational domains. Specifically, empirical investigations will focus on the technological sustainability of a manufacturing firm, social sustainability in the organizational context, and financial sustainability within industries. The primary objective of this research is to derive valuable insights from data, contributing to theory building and the development of sustainability-related metrics for internal and external purposes. From a managerial perspective, these metrics can be leveraged to enhance a company’s sustainability performance and guide practitioners in formulating sustainability strategies, which have become imperative in the context of sustainable development.

L’avvento delle tecnologie moderne e la trasformazione digitale hanno contribuito in modo significativo all’inizio dell’era dell’informazione, generando una grande quantità di dati ed introducendo nuove sfide statistiche che devono essere affrontate. Mentre le tecniche statistiche ed econometriche tradizionali, come i modelli lineari, spesso funzionano in modo efficace in contesti a bassa dimensionalità, la complessità dei dati ad alta dimensionalità richiede strumenti di manipolazione dei dati più robusti, come le tecniche di statistical learning nel campo del data mining. Queste tecniche costituiscono una serie di strumenti all’avanguardia per lo studio di dati complessi e si suddividono in metodi di apprendimento supervisionato e non supervisionato. In questa tesi, le tecniche di statistical learning di entrambi i tipi saranno impiegate per elaborare metriche per l’esplorazione e la misurazione del concetto di sostenibilità in diversi ambiti organizzativi. In particolare, le indagini empiriche si concentreranno sulla sostenibilità tecnologica di un’azienda manifatturiera, sulla sostenibilità sociale nel contesto organizzativo e sulla sostenibilità finanziaria di un’industria. L’obiettivo principale di questa ricerca consiste nel ricavare informazioni utili dai dati, contribuendo alla costruzione di teorie e allo sviluppo di metriche di sostenibilità per scopi interni ed esterni. Da un punto di vista manageriale, queste metriche possono essere sfruttate per migliorare le performance aziendali in termini di sostenibilità e guidare i professionisti nella formulazione di strategie sostenibili, diventate imprescindibili in un’ottica di sviluppo sostenibile.