Servizi per la didattica
PORTALE DELLA DIDATTICA

Business analytics

05PVFNG

A.A. 2022/23

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 9
Collaboratori
Espandi

Didattica
SSD CFU Attivita' formative Ambiti disciplinari
ING-INF/04
MAT/09
2
6
B - Caratterizzanti
C - Affini o integrative
Discipline ingegneristiche
Attività formative affini o integrative
2022/23
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/ricerca operativa. Dal punto di vista metodologico, vengono trattati: • Metodi di decomposizione per problemi di ottimizzazione particolarmente complessi (decomposizione lagrangiana, generazione di colonne, decomposizione di Benders). • Modelli di ottimizzazione in condizioni di incertezza. • Metodi di ottimizzazione black box e ottimizzazione globale (non convessa). • Algoritmi di programmazione dinamica e reinforcement learning per problemi di decisione multistadio. 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). • Marketing quantitativo. Segmentazione, modelli di scelta. Le due dimensioni vengono integrate mediante la discussione di business case e la costruzione di applicazioni software (in 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/operations research. From the methodological viewpoint, we shall cover: • Decomposition methods for challenging optimization models (dual decomposition, column generation, Benders decomposition) • Optimization models under uncertainty. • Black-box and global (non convex) optimization methods. • Dynamic programming and reinforcement learning for multistage decision problems. From an application 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). • Quantitative marketing. Segmentation and consumer choice models. The two dimensions will be integrated by the discussion of business cases and the implementation of software applications (in MATLAB).
Conoscenze: • 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 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 MATLAB e 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. • Capacità di leggere e comprendere un paper pubblicato su una rivista scientifica di ricerca operativa/management science. 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).
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).
Viene data per scontata la conoscenza dei contenuti degli insegnamento 01VJWNG Modelli statistici/Apprendimento statistico. Soprattutto, e' assolutamente necessario avere conoscenze adeguate di ottimizzazione (convessità, modelli di programmazione lineare e non-lineare, moltiplicatori di Lagrange, metodo del simplesso primale e duale, metodi branch and bound). Queste vengono fornite da insegnamenti di ricerca operativa o equivalenti. Inoltre, dato l'ampio uso di 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. Per i prerequisiti di ottimizzazione/ricerca operativa, si faccia riferimento al programma dell'insegnamento 07CESMQ Ricerca operativa e al relativo libro di testo (indicato nel seguito).
Viene data per scontata la conoscenza dei contenuti degli insegnamenti di . E’ anche assolutamente necessario avere conoscenze adeguate di ottimizzazione (convessità, modelli di programmazione lineare e non-lineare, moltiplicatori di Lagrange, metodo del simplesso primale e duale, metodi branch and bound). Queste vengono fornite da insegnamenti di ricerca operativa o equivalenti. 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.
Metodi avanzati di ottimizzazione: • Rilassamento lagrangiano e decomposizione duale • Decomposizione di Dantzig-Wolfe • Generazione di colonne e algoritmi branch-and-price • Decomposizione di Benders Ottimizzazione globale: • Metodi deterministici (branch and bound per funzioni Lipschitziane) • Metodi stocastici • Black-box optimization Ottimizzazione in condizioni di incertezza • Alberi di decisione e strategie dinamiche di decisione. • Programmazione stocastica con ricorso. • Cenni di ottimizzazione robusta. • Programmazione dinamica stocastica. Costruzione di modelli e metodi numerici classici. • Programmazione dinamica approssimata e reinforcement learning. • Optimal learning e algoritmo knowledge gradient. Statistical learning • Ottimizzazione robusta in statistical learning. • Esempi applicativi: generazione di scenari, previsione di domanda. • Pianificazione degli esperimenti di pricing e uso di metodi di clustering. • Stima di modelli domanda-prezzo e modelli di scelta del consumatore (multinomial logit). Applicazione alla scelta di assortimento in ambito retail. Elementi di industrial organization • 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.
Metodi avanzati di ottimizzazione: • Rilassamento lagrangiano e decomposizione duale • Decomposizione di Dantzig-Wolfe • Generazione di colonne e algoritmi branch-and-price • Decomposizione di Benders Ottimizzazione globale: • Metodi deterministici (branch and bound per funzioni Lipschitziane) • Metodi stocastici • Black-box optimization Ottimizzazione in condizioni di incertezza • Alberi di decisione e strategie dinamiche di decisione. • Programmazione stocastica con ricorso. • Cenni di ottimizzazione robusta. • Programmazione dinamica stocastica. Costruzione di modelli e metodi numerici classici. • Programmazione dinamica approssimata e reinforcement learning. • Optimal learning e algoritmo knowledge gradient. Statistical learning • 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. • 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. Elementi di industrial organization • 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.
La presentazione e discussione orale dei paper su rivista scientifica (lavoro individuale o in gruppo di massimo tre studenti) è facoltativa ma va effettuata entro la data stabilita (entro la fine della sessione di esame di luglio). Non sarà possibile presentare l'attività di gruppo in ritardo rispetto alle date stabilite. E' fondamentale rimarcare la necessità di avere un solido e adeguato background di statistica multivariata e di ricerca operativa, oltre che di implementazione di algoritmi in MATLAB. Per eventuali studenti con carenze relative ai prerequisiti di ricerca operativa, un riferimento utile è: • P. Brandimarte. Ottimizzazione per la ricerca operativa. CLUT, 2022 (in corso di pubblicazione). NB: A differenza degli anni accademici precedenti, non verranno fornite nozioni di background a lezione. Queste vengono date per scontate e acquisite. Verrà comunque offerta la possibilità di visualizzare lezioni registrate dell'insegnamento di ricerca operativa (A.A. 2021/22).
La consegna degli elaborati Python/R/MATLAB va effettuata entro le date di consegna stabilite, e quindi prima della fine del corso. Non sarà possibile sostituire i casi proposti con altri e consegnare elaborati alternativi in ritardo rispetto alle date di consegna stabilite. E' fondamentale rimarcare la necessità di avere un solido e adeguato background di statistica multivariata e di ricerca operativa, oltre che di implementazione di algoritmi in Python/R/MATLAB. Per eventuali studenti con carenze relative ai prerequisiti di ricerca operativa, un riferimento utile è: • P. Brandimarte. Ottimizzazione per la ricerca operativa. CLUT, 2022 (in corso di pubblicazione).
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 Python/R/MATLAB che implementa i metodi di analisi e soluzione presentati. E' previsto un lavoro facoltativo di gruppo (massimo tre studenti, ed è possibile farlo individualmente), che prevede la lettura di un paper pubblicato su una rivista di ricerca operativa/management science e la sua presentazione e discussione orale (non sono previste relazioni scritte).
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 Python/R/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 Python/R/MATLAB, oggetto di valutazione per l’esame.
Il testo per quanto riguarda le parti di programmazione dinamica e reinforcement learning è: • P. Brandimarte. From shortest paths to reinforcement learning: A MATLAB-based introduction to dynamic programming. Springer, 2020. I rimanenti contenuti dell'insegnamento sono coperti da slide e dispense che verranno fornite dal docente. Queste vengono integrate dai seguenti paper e business case, quali (a puro titolo di esempio): • Caro, Gallien. Clearance Pricing Optimization for a Fast-Fashion Retailer. Operations Research, vol. 60 (2012), pp. 1404-1422. • Gaur, Fisher. In-Store Experiments to Determine the Impact of Price on Sales. Production and Operations Management, Vol. 14, 2005, pp. 377–387. • Red Brand Canners SCM (HBS Business Case). Utili riferimenti bibliografici (effettivamente impiegati dal docente per la preparazione delle lezioni) sono: • Brandimarte. Quantitative Methods: An Introduction for Business Management. Wiley, 2011. • Brandimarte, Zotteri. An Introduction to Distribution Logistics. Wiley, 2007. • 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. • Horst, Pardalos, Thoai. Introduction to Global Optimization (2nd ed.). Springer, 2008. • Kleijnen. Design and Analysis of Simulation Experiments, Springer, 2008 • Conejo rt al. Decomposition Techniques in Mathematical Programming. Springer, 2006. Per eventuali studenti con carenze relative ai prerequisiti fondamentali di ricerca operativa, un riferimento utile è: • P. Brandimarte. Ottimizzazione per la ricerca operativa. CLUT, 2022.
Il testo per quanto riguarda le parti di programmazione dinamica e reinforcement learning è: • P. Brandimarte. From shortest paths to reinforcement learning: A MATLAB-based introduction to dynamic programming. Springer, 2020. I rimanenti contenuti dell'insegnamento sono in massima parte coperti da slide e dispense che verranno fornite dal docente. Queste vengono integrate dai seguenti paper e business case, quali (a puro titolo di esempio): • Caro, Gallien. Clearance Pricing Optimization for a Fast-Fashion Retailer. Operations Research, vol. 60 (2012), pp. 1404-1422. • Gaur, Fisher. In-Store Experiments to Determine the Impact of Price on Sales. Production and Operations Management, Vol. 14, 2005, pp. 377–387. • Red Brand Canners SCM (HBS Business Case). Utili riferimenti bibliografici (effettivamente impiegati dal docente per la preparazione delle lezioni) sono: • 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.
Modalità di esame: Prova scritta (in aula); Prova orale facoltativa;
Exam: Written test; Optional oral exam;
CRITERI DI VALUTAZIONE Per la prova scritta (durata 90 minuti): capacità di formulare modelli di ottimizzazione; comprensione profonda della teoria e degli algoritmi di soluzione; capacità di dimostrare semplici teoremi e di strutturare e analizzare algoritmi di soluzione; valutazione critica delle assunzioni semplificative necessarie. La prova orale facoltativa è costituita dalla presentazione (individuale o in gruppi di massimo 3 studenti) di un paper tratto da una rivista di ricerca operativa/management science. In questo caso si valuta la qualità e completezza della presentazione e la capacità di rispondere a domande di approfondimento sul problema, sul modello formulato e sugli algoritmi di soluzione. PUNTEGGI Per la valutazione, 26 punti sono assegnati sulla base della prova scritta, 4 sulla base della presentazione orale facoltativa del paper.
Gli studenti e le studentesse con disabilità o con Disturbi Specifici di Apprendimento (DSA), oltre alla segnalazione tramite procedura informatizzata, sono invitati a comunicare anche direttamente al/la docente titolare dell'insegnamento, con un preavviso non inferiore ad una settimana dall'avvio della sessione d'esame, gli strumenti compensativi concordati con l'Unità Special Needs, al fine di permettere al/la docente la declinazione più idonea in riferimento alla specifica tipologia di esame.
Exam: Written test; Optional oral exam;
In addition to the message sent by the online system, students with disabilities or Specific Learning Disorders (SLD) are invited to directly inform the professor in charge of the course about the special arrangements for the exam that have been agreed with the Special Needs Unit. The professor has to be informed at least one week before the beginning of the examination session in order to provide students with the most suitable arrangements for each specific type of exam.
Esporta Word


© Politecnico di Torino
Corso Duca degli Abruzzi, 24 - 10129 Torino, ITALY
Contatti