Gli ultimi anni hanno visto un’esplosione di applicazioni di applicativi statistici commerciali di alto livello (come SAS) in domini applicativi svariati, dalla finanza, al marketing ed al retail management. L'insegnamento mira a fornire all'allievo ingegnere (gestionale o matematico) le conoscenze pratiche per l'applicazione di tali metodologie nei tre livelli di business analytics (descriptive, predictive, prescriptive), integrando conoscenze di statistica e ricerca operativa.

I due pilastri fondamentali dell’insegnamento sono l’applicazione continua del software statistico R (anche in aula e su dataset reali o realistici) e la discussione di business case tratti dalla libreria HBS (Harvard Business School).

Gli obiettivi dell’insegnamento sono:
• Illustrare l’applicazione di metodi già appresi nell’insegnamento di Statistica (per esempio i modelli di regressione lineare) attraverso la discussione di business case.
• Introdurre concetti fondamentali per la decisione in condizioni di incertezza (alberi di decisione, simulazione Monte Carlo, ottimizzazione stocastica/robusta).
• Introdurre alcuni metodi di analisi multivariata, con particolare riferimento a metodi di data reduction (Principal Component Analysis, cluster analysis, etc.).
• Fornire all’allievo strumenti concreti attraverso l’applicazione del software R, preferibilmente su dataset reali, e la discussione di business case.
• Presentare applicazioni rilevanti dal punto di vista gestionale (revenue/yield management; misurazione e gestione del rischio; analisi di mercato; Customer Relationship Management)

Conoscenze:
• Metodi di analisi statistica multivariata.
• Metodi e modelli per la decisione in condizioni di incertezza.
• Conoscenze applicative in ambito gestionale (pricing di prodotti e servizi, yield management, retail management, risk management, segmentazione di mercato).
Abilità:
• Capacità di analizzare dataset reali.
• Capacità di applicazione di modelli statistici e decisionali in contesti gestionali reali.
• Uso del software R.

Vengono dati per scontati i contenuti degli insegnamenti precedenti di Statistica e Ricerca Operativa. Un testo che copre i necessari prerequisiti è: Brandimarte. Quantitative methods: An introduction for business management. Wiley, 2011
Si assume anche che gli allievi installino sul loro portatile il software R (scaricabile dal sito www.r-project.org).

•Decisioni in condizioni di incertezza.
-Rischio e incertezza.
-Alberi di decisione (con applicazioni a investimenti rischiosi e opzioni reali).
-Programmazione lineare stocastica/ottimizzazione robusta.
-Simulazione Monte Carlo e Risk Analysis.
• Alcuni metodi di analisi multivariata.
-Principal Components Analysis.
-Cluster analysis.
-Logistic regression.
-Regression trees.
-Multidimensional scaling.
-Applicazioni a data mining/business analytics.
•Discussione di business case in cui si applicano metodi statistici. A titolo di esempio:
-regressione lineare nel caso Colonial Broadcasting Corporation;
-previsione di domanda nel caso Marriott Room Forecasting;
-customer profitability nel caso Pilgrim Bank;
-pricing e revenue management nel caso The Springfield Nor'easters;

PRESENTAZIONE

Gli ultimi anni hanno visto un’esplosione di applicazioni di tool statistici commerciali di alto livello (come SAS) in domini applicativi svariati, dalla finanza, al marketing ed al retail management. L'insegnamento mira a fornire all'allievo ingegnere (gestionale o matematico) le conoscenze pratiche per l'applicazione di tali metodologie nei tre livelli di business analytics (descriptive, predictive, prescriptive), integrando conoscenze di statistica e ricerca operativa.

I due pilastri fondamentali dell’insegnamento sono l’applicazione continua del software statistico R (anche in aula e su dataset reali o realistici) e la discussione di business case tratti dalla libreria HBS (Harvard Business School).

Gli obiettivi dell’insegnamento sono:
• Illustrare l’applicazione di metodi già appresi nell’insegnamento di Statistica (per esempio i modelli di regressione lineare) attraverso la discussione di business case.
• Introdurre concetti fondamentali per la decisione in condizioni di incertezza (alberi di decisione, simulazione Monte Carlo, ottimizzazione stocastica/robusta).
• Introdurre alcuni metodi di analisi multivariata, con particolare riferimento a metodi di data reduction (Principal Component Analysis, cluster analysis, etc.).
• Fornire all’allievo strumenti concreti attraverso l’applicazione del software R, preferibilmente su dataset reali, e la discussione di business case.
• Presentare applicazioni rilevanti dal punto di vista gestionale (revenue/yield management; misurazione e gestione del rischio; analisi di mercato; Customer Relationship Management)



CONOSCENZE E ABILITA' DA ACQUISIRE

Conoscenze:
• Metodi di analisi statistica multivariata.
• Metodi e modelli per la decisione in condizioni di incertezza.
• Conoscenze applicative in ambito gestionale (pricing di prodotti e servizi, yield management, retail management, risk management, segmentazione di mercato).
Abilità:
• Capacità di analizzare dataset reali.
• Capacità di applicazione di modelli statistici e decisionali in contesti gestionali reali.
• Uso del software R.


PROGRAMMA
1) Decisioni in condizioni di incertezza.
• Rischio e incertezza.
• Alberi di decisione (con applicazioni a investimenti rischiosi e opzioni reali).
• Programmazione lineare stocastica/ottimizzazione robusta.
• Simulazione Monte Carlo e Risk Analysis.

2) Alcuni metodi di analisi multivariata.
• Principal Components Analysis.
• Cluster analysis.
• Logistic regression.
• Regression trees.
• Multidimensional scaling.
• Applicazioni a data mining/business analytics.

3) Discussione di business case in cui si applicano metodi statistici. A titolo di esempio:
• regressione lineare nel caso Colonial Broadcasting Corporation;
• previsione di domanda nel caso Marriott Room Forecasting;
• customer profitability nel caso Pilgrim Bank;
• pricing e revenue management nel caso The Springfield Nor'easters;

Verranno risolti problemi in aula e verranno discussi alcuni business case tratti dalla libreria Harvard Business School. In funzione del numero di iscritti, verranno previste esercitazioni di laboratorio. E’ comunque utile installare R su un portatile da utilizzare in aula.

Non esiste un vero e proprio libro di testo, ma il materiale didattico verrà tratto principalmente dai seguenti testi:
• Brandimarte. Quantitative methods: An introduction for business management. Wiley, 2011.
• Brasini et al. Statistica aziendale e analisi di mercato. Il Mulino
• Jank. Business analytics for managers. Springer, 2011.
• Lattin, Carroll, Green. Analyzing multivariate data. Brooks/Cole 2003.
• Torgo. Data mining with R: Learning with case studies. CRC Press
Verrà fornita anche la lista dei business case da reperire sul sito HBS.

Non esiste un vero e proprio libro di testo, ma il materiale didattico verrà tratto principalmente dai seguenti testi:
• Brandimarte. Quantitative methods: An introduction for business management. Wiley, 2011.
• Brasini et al. Statistica aziendale e analisi di mercato. Il Mulino
• Jank. Business analytics for managers. Springer, 2011.
• Lattin, Carroll, Green. Analyzing multivariate data. Brooks/Cole 2003.
• Torgo. Data mining with R: Learning with case studies. CRC Press

Verrà fornita anche la lista dei business case da reperire sul sito HBS.
Quelli che seguono sono alcuni dei candidati:
• Colonial broadcasting corporation
• Pilgrim bank
• Marriott rooms forecasting.
• American Airlines.
• HP product variety management
• Brand equity
• Southwest Airlines
• Shun Sang (H.K.) Co. Ltd.: Streamlining Logistical Flow
• The Springfield Nor'easters: Maximizing Revenues in the Minor Leagues
• Basel II: Assessing the Default and Loss Characteristics of Project Finance Loans (A)

Esame scritto, integrato da relazioni su business case.

Esame scritto, integrato da relazioni su business case.