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/Python 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).

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/Python, 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).

Metodi avanzati di ottimizzazione: • Metaeuristiche e mateuristiche per l'ottimizzazione combinatoria e a numeri interi • Metodi deterministici (branch and bound per funzioni Lipschitziane) e stocastici per l'ottimizzazione globale • 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. Simulazione Monte Carlo e eventi discreti • Modelli a eventi e a processi • Definizione delle variabili di stato e degli eventi • Strutture dati fondamentali per la simulazione a eventi discreti • Raccolta delle statistiche e output analysis • Riduzione della varianza e uso di sequenze a bassa discrepanza • Simulation-based optimization 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. • Stima di modelli domanda-prezzo e modelli di scelta del consumatore (multinomial logit). Applicazione alla scelta di assortimento in ambito retail.

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/Python. Per eventuali studenti con carenze relative ai prerequisiti di ricerca operativa, un riferimento utile è: • P. Brandimarte. Ottimizzazione per la ricerca operativa. CLUT, 2022. 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. 2022/23).

L’insegnamento integra lezioni frontali con la discussione di codice Python/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 lo sviluppo ed il testing (documentato) di una applicazione di simulazione/ottimizzazione in MATLAB.

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, 2021. I rimanenti contenuti dell'insegnamento sono coperti da slide e dispense che verranno fornite dal docente. Queste vengono integrate da paper tratti da riviste scientifiche, 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. 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.

Lecture slides; Exercise with solutions ; Lab exercises with solutions; Video lectures (current year);

Exam: Written test; Group project;

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 (anche in pseudocodice); valutazione critica delle assunzioni semplificative necessarie. L'elaborato facoltativo di gruppo (gruppi di massimo 3 studenti) richiede l'utilizzo di MATLAB e l'implementazione ed il testing di un algoritmo di simulazione/ottimizzazione in condizioni di incertezza. Criteri di valutazione sono l'adeguatezza della soluzione proposta rispetto allo stato dell'arte in ottimizzazione, la qualità della documentazione del software, specialmente per quanto riguarda la definizione di una campagna sperimentale di testing per valutare comparativamente efficacia, efficienza e robustezza della soluzione proposta. PUNTEGGI Per la valutazione, 24 punti sono assegnati sulla base della prova scritta, 6 sulla base del lavoro di gruppo (sviluppo e testing in MATLAB, facoltativo).

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.