Servizi per la didattica
PORTALE DELLA DIDATTICA

Business analytics

03PVFNG

A.A. 2019/20

Lingua dell'insegnamento

Italiano

Corsi di studio

Corso di Laurea Magistrale in Ingegneria Matematica - Torino

Organizzazione dell'insegnamento
Didattica Ore
Lezioni 60
Esercitazioni in aula 20
Docenti
Docente Qualifica Settore h.Lez h.Es h.Lab h.Tut Anni incarico
Brandimarte Paolo Professore Ordinario MAT/09 60 20 0 0 7
Collaboratori
Espandi

Didattica
SSD CFU Attivita' formative Ambiti disciplinari
ING-INF/04
SECS-S/01
2
6
B - Caratterizzanti
C - Affini o integrative
Discipline ingegneristiche
Attività formative affini o integrative
2019/20
L’insegnamento di Business analytics è complementare rispetto agli insegnamenti metodologici di statistica e ottimizzazione. Esso mira a completare la formazione dell’allievo ingegnere matematico con le conoscenze pratiche per l'applicazione di tali metodologie ai tre livelli di business analytics (descrittivo, predittivo, prescrittivo), integrando conoscenze di probabilità, statistica e ottimizzazione. Dal punto di vista metodologico, vengono trattati: • Metodi di learning, che spaziano dalla classica regressione lineare ad algoritmi di reinforcement learning, sia in ambito statico (variabili quantitative e categoriche) che dinamico (controllo stocastico). • Metodi di simulazione Monte Carlo per la valutazione delle prestazioni di sistemi in condizioni di incertezza e delle relative politiche di controllo. • Algoritmi di ottimizzazione per problemi non deterministici e/o non convessi (ottimizzazione globale, ottimizzazione in condizioni di incertezza). Dal punto di vista applicativo, vengono trattati esempi e casi reali nei seguenti ambiti: • Modelli di previsione della domanda e delle scelte del consumatore. • Modelli di interazione strategica tra imprese e tra imprese e consumatori. • Pricing di prodotti e servizi (revenue management basato su quantità o prezzi, dynamic pricing, markdown management, scelta dell’assortimento). • Supply chain management (gestione delle scorte in condizioni di incertezza, allineamento degli incentivi dei diversi attori nella filiera). Le due dimensioni vengono integrate mediante la discussione di business case e la costruzione di applicazioni R e MATLAB.
The Business analytics course complements the methodological course in statistics and optimization, providing the students mathematical engineering with the necessary practical skills to apply the mathematical background on the three levels of business analytics (descriptive, predictive, prescriptive), integrating methods from probability, statistics e optimization. From the methodological viewpoint, we shall cover: • Learning methods, ranging from linear regression to reinforcement learning, both in the static and dynamic case. • Monte Carlo simulation for the performance evaluation of system under uncertainty, as well as their management policies. • Optimization models and methods in non-deterministic and non-convex cases.. From an applicative viewpoint, we shall cover: • Models to forecast demand and consumer choice. • Models of strategic interaction among firms, and between firms and consumers. • Pricing of products and services (price- and quantity-based revenue management). • Supply chain management (inventory management under uncertainty, incentive alignment). The two dimensions will be integrated by the discussion of business cases and the implementation of applications in R and MATLAB.
Conoscenze: • Metodi di analisi statistica multivariata e statistical learning. • Metodi e modelli per la decisione in condizioni di incertezza (programmazione stocastica con ricorso, programmazione dinamica, ottimizzazione robusta). • Modelli previsionali e pianificazione degli esperimenti di learning. • Metodi di simulazione Monte Carlo. • Modelli di domanda e comportamento del consumatore, elementi di industrial organization e teoria dei giochi. Abilità: • Capacità di analizzare dataset reali. • Capacità di applicazione di modelli statistici e decisionali in contesti gestionali reali. • Costruzione autonoma di modelli di ottimizzazione, anche in condizioni di incertezza, e loro traduzione mediante software commerciale. • Implementazione di algoritmi in R e MATLAB a valutazione critica dei risultati ottenuti. • Capacità di operare in ambito gestionale (pricing di prodotti e servizi, revenue management, retail management, segmentazione di mercato). • Capacità di integrare metodi derivati da discipline diverse (analisi numerica, probabilità e statistica, ricerca operativa e ottimizzazione) in una soluzione applicativa. Le conoscenze e le abilità acquisite aprono sbocchi occupazionali in società di consulenza in ambito manageriale e di sviluppo di software per analisi dei dati e supporto alle decisioni, oltre a grandi aziende nell’ambito dei servizi (es., trasporto, marketing, risk management) e della produzione/distribuzione (supply chain management, retail management).
Knowledge: • Multivariate statistics and statistical learning. • Methods and models for decisions under uncertainty (stochastic programming with recourse, dynamic programming, robust optimization). • Forecasting models and planning learning experiments. • Monte Carlo simulation. • Demand and consumer choice models, basics of industrial organization and game theory. Skills: • Analyzing datasets. • Applying statistical and decision models in real cases. • Autonomous optimization model building, including uncertainty, and their solutions by commercial software. • Implementing algorithms in R/MATLAB and critical assessment of results. • Working skills in management (pricing of products and services, revenue management, retail management, market segmentation). • Multidisciplinary approaches integrating numerical analysis, probability and statistics, operations research) within a solution software application. The acquired skills may be used in consulting firms, as well as firms developing software for data analysis and decision support, as well as firms operating in services (e.g., transportation, marketing, risk management) and production/distribution (supply chain management, retail management).
L'insegnamento presuppone la conoscenza dei contenuti dell’insegnamento Data spaces/Modelli statistici. E’ anche necessario avere conoscenze adeguate di ottimizzazione (convessità, modelli di programmazione lineare e non-lineare, moltiplicatori di Lagrange). Inoltre, dato l'ampio uso di R e MATLAB, sono essenziali la familiarità con ambienti di calcolo scientifico ed il possesso di adeguate capacità di programmazione (utili, ma non necessarie, conoscenze di programmazione a oggetti). Dal punto di vista applicativo, è anche utile (non necessario) avere seguito in precedenza un corso di economia e organizzazione aziendale o gestione operativa.
We assume sound knowledge of topics covered in the Data spaces/Statistical models course. It is also necessary to have a reasonable knowledge of optimization theory (convexity, linear and nonlinear programming models, Lagrange multipliers). Since we use R and MATLAB, we assume working programming skills (some familiarity with object-oriented programming is useful, but not necessary). From the application viewpoint, some notions from business economics and operations management would be useful (not necessary).
Elementi di industrial organization [14 ore] • Fondamenti microeconomici dei modelli pricing: monopolio, oligopolio, discriminazione di prezzo. • Interazione strategica tra imprese ed elementi di teoria dei giochi. Giochi sequenziali e simultanei. Competizione su quantità e prezzo. • Metodi di quantity-based revenue management. Applicazioni nell’industria del trasporto aereo. • Metodi di price-based revenue management. Markdown management per beni deperibili. Statistical learning [20 ore] • Richiami di modelli di regressione per la previsione. • Selezione del modello (bias-variance tradeoff, R2 aggiustato, BIC, AIC, stepwise selection, cross-validation). • Estensione dei modelli di regressione: Regressione regolarizzata (ridge e lasso) e non parametrica. • Esempi applicativi: generazione di scenari, previsione di domanda, regressione a due stadi. • Pianificazione degli esperimenti di pricing e uso di metodi di clustering. • Stima di modelli domanda-prezzo e modelli di scelta del consumatore (multinomial logit). Il caso di dati mancanti. Algoritmo EM. Applicazione alla scelta di assortimento in ambito retail. Simulazione Monte Carlo [16 ore] • Esempi vari e motivazioni, Simulazione terminating (orizzonte finito) e non-terminating. • Richiami di generazione numeri pseudo-random e variabili casuali con distribuzione varia. • Input e output analysis. • Riduzione della varianza. • Generazione ottimizzata di scenari e sequenze a bassa discrepanza. • Ottimizzazione mediante simulazione: costruzione di metamodelli e kriging. • Apprendimento di regole decisionali mediante algoritmi genetici. Ottimizzazione in condizioni di incertezza [30 ore] • Richiami di costruzione di modelli PL. • Alberi di decisione e strategie dinamiche di decisione. • Programmazione stocastica con ricorso. Generazione di scenari e stabilità in- e out-of-sample. • Ottimizzazione robusta e regole decisionali. • Programmazione dinamica stocastica. Costruzione di modelli e metodi numerici classici. • Programmazione dinamica approssimata e reinforcement learning. • Optimal learning e algoritmo knowledge gradient.
Industrial organization [14 hours] • Microeconomics foundations of pricing models: monopoly, oligopoly, price discrimination. • Strategic interaction among firms and game theory. • Quantity-based revenue management. Application to airlines. • Price-based revenue management. Markdown management. Statistical learning [20 hours] • Forecasting by regression. • Model selection (bias-variance tradeoff , adjusted R2, BIC, AIC, stepwise selection, cross-validation). • Regularized regression (ridge and lasso); non parametric regression. • Applications: scenario generation, demand forecasting, two-stage regression. • Planning of pricing experiments; use of clustering. • Demand models estimation and consumer choices models (multinomial logit). Missing data and EM algorithm. Application to retail assortment optimization. Monte Carlo simulation [16 hours] • Examples and motivation. Terminating and non-terminating simulations. • Random number/variate generation. • Input and output analysis. • Variance reduction. • Optimized scenario generation and low-discrepancy sequences. • Simulation-based optimization: metamodels and kriging. • Learning decision rules by genetic algorithms. Optimization under uncertainty [30 hours] • LP model building. • Decision trees and dynamic strategies. • Stochastic programming with recourse. Scenario generation and out-of-sample stability. • Robust optimization and decision rules. • Stochastic dynamic programming and classical numerical solution methods. • Approximate dynamic programming and reinforcement learning. • Optimal learning and knowledge gradient.
L’insegnamento integra lezioni frontali con la discussione di business case, per lo più pubblicati da Harvard Business School Publishing, e la discussione di codice R e MATLAB che implementa i metodi di analisi e soluzione presentati. Oltre alla discussione di piccoli esempi numerici in aula, è prevista la realizzazione da parte di piccoli gruppi di studenti di applicativi R e MATLAB, oggetto di valutazione per l’esame.
We use both frontal lectures and the discussion of business cases, mostly published by Harvard Business School Publishing, as well as the discussion of R/ MATLAB code implementing the analysis and solution approaches discussed. Besides the solution of simple numerical problems in class, R/MATLAB applications will be developed as homework, which is part of the exam.
I contenuti del corso sono in massima parte coperti da slide e dispense che verranno fornite dal docente. Queste vengono integrate dai seguenti paper e business case: • Caro, Gallien. Clearance Pricing Optimization for a Fast-Fashion Retailer. Operations Research, vol. 60 (2012), pp. 1404-1422. • Van Ryzin, Talluri. An Introduction to Revenue Management. INFORMS Tutorials in Operations Research, 2015, pp. 142-194. • Gaur, Fisher. In-Store Experiments to Determine the Impact of Price on Sales. Production and Operations Management, Vol. 14, 2005, pp. 377–387. • Colonial Broadcasting Company (HBS Business Case). • Hamptonshire Express (HBS Business case). Utili riferimenti bibliografici (effettivamente impiegati dal docente per la preparazione del corso) sono: • Per la simulazione Monte Carlo: Brandimarte. Handbook in Monte Carlo Simulation: Applications in Financial Engineering, Risk Management, and Economics, Wiley, 2014. • Per la costruzione di modelli di ottimizzazione: Brandimarte. Quantitative methods: An introduction for business management. Wiley, 2011. • Per la programmazione dinamica stocastica: Powell. Approximate Dynamic Programming: Solving the Curses of Dimensionality (2nd ed.). Wiley, 2011. • Per il learning: James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning: With Applications in R. Springer, 2013. Powell, Ryzhov. Optimal Learning. Wiley, 2012. • Per i problemi di pricing e gli elementi di microeconomia/teoria dei giochi: Özer, Phillips. The Oxford Handbook of Pricing Management. Oxford University Press, 2012. Phillips. Pricing and Revenue Optimization. Stanford University Press, 2005. Shy. Industrial Organization: Theory and Applications. MIT Press, 1995.
The course content is mostly covered by slides and lecture notes distributed by the teacher. These will be complemented by the following papers and business cases: • Caro, Gallien. Clearance Pricing Optimization for a Fast-Fashion Retailer. Operations Research, vol. 60 (2012), pp. 1404-1422. • Van Ryzin, Talluri. An Introduction to Revenue Management. INFORMS Tutorials in Operations Research, 2015, pp. 142-194. • Gaur, Fisher. In-Store Experiments to Determine the Impact of Price on Sales. Production and Operations Management, Vol. 14, 2005, pp. 377–387. • Colonial Broadcasting Company (HBS Business Case). • Hamptonshire Express (HBS Business case). A few useful references (actually used in preparing the course) are: • For Monte Carlo simulation: Brandimarte. Handbook in Monte Carlo Simulation: Applications in Financial Engineering, Risk Management, and Economics, Wiley, 2014. • For optimization model building: Brandimarte. Quantitative methods: An introduction for business management. Wiley, 2011. • For stochastic dynamic programming: Powell. Approximate Dynamic Programming: Solving the Curses of Dimensionality (2nd ed.). Wiley, 2011. • For learning: James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning: With Applications in R. Springer, 2013. Powell, Ryzhov. Optimal Learning. Wiley, 2012. • For pricing problems and the foundations of microeconomics/game theory: Özer, Phillips. The Oxford Handbook of Pricing Management. Oxford University Press, 2012. Phillips. Pricing and Revenue Optimization. Stanford University Press, 2005. Shy. Industrial Organization: Theory and Applications. MIT Press, 1995.
Modalità di esame: Prova scritta (in aula); Progetto di gruppo;
Esame scritto (90 minuti, closed book), che comprende costruzione di modelli e algoritmi, problemi numerici, domande di teoria, semplici dimostrazioni, anche in relazione ai business case discussi in aula. La prova scritta ha voto massimo 24/30 ed è integrata dalla preparazione di relazioni e applicazioni software R/MATLAB legate ai business case e agli esempi pratici discussi in aula. I criteri di valutazione sono legati a: • Capacità di razionalizzazione di un problema decisionale o previsionale in ottica data-driven • Capacità di costruzione di modelli di ottimizzazione (di regola, modelli di programmazione lineare mista-intera, deterministici o stocastici) • Capacità di integrazione di contenuti disciplinari diversi (esempio, integrazione di analisi statistica e modelli di ottimizzazione) • Capacità di applicare principi generali sviluppando un algoritmo adattato al caso specifico e realizzarlo in R/MATLAB • Valutazione delle prestazioni non solo dell’algoritmo di soluzione ma anche della soluzione individuata (esempio: stabilità e prestazioni out-of-sample)
Exam: Written test; Group project;
Written exam (90 minutes, closed book), including building models and algorithms, numerical problems, theoretical questions, simple proofs, also connected with the business cases analyzed in class. The maximum grade of the written exam is 24/30, which will be integrated by the development of R/MATLAB applications. Evaluation criteria: • Ability to rationalize a decision problem within a data-driven framework • Ability to build optimization models (in particular, MILP models, deterministic or stochastic) • Ability to integrate different disciplines (e.g., statistics and optimization) • Ability to customize generic principles to a specific problem, developing a solution method implemented in R/MATLAB • Ability to evaluate the performance of the algorithm itself and of the solution obtained (e.g., stability and performance out-of-sample)


© Politecnico di Torino
Corso Duca degli Abruzzi, 24 - 10129 Torino, ITALY
m@il