Questo progetto nasce per analizzare l'evoluzione della sicurezza alimentare globale nell'arco di un ventennio. L'obiettivo è trasformare dati grezzi in insight strategici, identificando le correlazioni tra ricchezza economica, efficienza agricola e infrastrutture sociali per comprendere le cause profonde delle crisi alimentari croniche.
Il progetto segue un approccio End-to-End Data Lifecycle:
- Data Cleaning (Python): Normalizzazione dei nomi geografici (es. Egitto, Turchia) per garantire una geocodifica accurata al 100% su Bing Maps.
- Back-end Modeling (SQL): Creazione di 12 View complesse per gestire aggregazioni storiche e ranking. Sebbene il report finale usi il motore DAX, queste View dimostrano la capacità di strutturare un data warehouse scalabile.
- Front-end Analytics (Power BI): Implementazione di uno Star Schema (Schema a Stella) con tabelle Dimensioni (
DimPaesi,DimAnni) e Fatti, ottimizzando le performance di calcolo. - Advanced DAX: Sviluppo di misure dinamiche per il calcolo di variazioni Year-over-Year (YoY) e l'impatto di shock globali (COVID-19).
- Mappa: Visualizza l'intensità della fame nel mondo. Permette di identificare istantaneamente le aree critiche (Africa Sub-Sahariana e Sud Asia) e monitorare la diffusione geografica dell'insicurezza alimentare.
- KPI Cards (Indice Fame e Variazione YoY): Forniscono una metrica immediata della tendenza globale. La variazione percentuale anno su anno serve a capire se la crisi sta accelerando o rientrando.
- Contatore Paesi in Crisi: Quantifica quante nazioni superano la soglia di allerta, offrendo un indicatore di volume sulla gravità del periodo selezionato.
- Scatter Chart (PIL vs Indice Fame): Analizza il legame tra potenza economica e fame. Identifica gli "outlier": paesi che pur avendo un PIL in crescita non riescono a ridurre la denutrizione, evidenziando problemi di distribuzione interna.
- Analisi Impatto COVID-19: Un confronto visivo tra il periodo pre e post 2020 per misurare quanto la pandemia abbia eroso anni di progressi nella sicurezza alimentare.
- Dipendenza dalle Importazioni: Mette a confronto la produzione interna con il cibo importato. Un'alta dipendenza indica vulnerabilità alle fluttuazioni dei prezzi dei mercati internazionali.
- Evoluzione Uso del Suolo: Analizza se l'aumento della produzione è dovuto a una reale efficienza tecnologica (resa) o a un'espansione insostenibile delle terre arabili (deforestazione).
- Trend Storico Lineare: Permette di studiare il percorso di una singola nazione. Utile per capire se una crisi è un evento isolato o un trend decadente.
- Timeline delle Crisi (Flag Emergente): Una "striscia di allarme" rossa che evidenzia la frequenza degli stati di emergenza, permettendo di distinguere tra shock temporanei e fragilità strutturali croniche.
- Confronto Produzione vs Resa: Analizza se il settore agricolo locale sta migliorando grazie all'innovazione (più kg per ettaro) o solo aumentando i volumi.
- Grafico Dinamico (Field Parameters): Un selettore avanzato che permette all'utente di scambiare le metriche sull'asse Y (es. Mortalità Infantile vs PIL). Dimostra come la carenza di servizi di base influenzi direttamente la salute pubblica.
- Accesso ad Acqua e Igiene per Regione: Analizza le cause "invisibili". Mostra come la mancanza di infrastrutture igieniche sia spesso un moltiplicatore della malnutrizione, indipendentemente dalla quantità di cibo disponibile. Una tabella che classifica i paesi in base alla percentuale di anni trascorsi in stato di crisi, identificando dove gli aiuti internazionali hanno avuto meno impatto.