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.

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).

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.

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.

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.

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.

Modalità di esame: Prova scritta (in aula); Progetto di gruppo;

Exam: Written test; Group project;

... 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)

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.