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.

L’insegnamento si articola su tre moduli:
1. Applicazioni business di modelli di statistica multivariata, con particolare riferimento a metodi di riduzione della complessità (PCA) e apprendimento supervisionato e non supervisionato con variabili target categoriche (clustering, classificatori).
2. Modelli per il pricing di prodotti e servizi.
3. Algoritmi di ottimizzazione per problemi non deterministici e/o non convessi (ottimizzazione globale, ottimizzazione dinamica in condizioni di incertezza).

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, revenue management, retail management, segmentazione di mercato).

Abilità:
Capacità di analizzare dataset reali.
Capacità di applicazione di modelli statistici e decisionali in contesti gestionali reali.
Uso di R/MATLAB.

L'insegnamento è fortemente orientato all'analisi quantitativa e presuppone la conoscenza dei contenuti dei corsi precedenti di statistica. Utile, ma non strettamente necessaria, una base di ricerca operativa/ottimizzazione. Inoltre, dato l'ampio uso di R/MATLAB, sono essenziali la familiarità con ambienti di calcolo scientifico ed il possesso di minime capacità di programmazione.

Applicazioni di modelli di statistica multivariata (10 ore).
- Applicazione di metodi di riduzione della dimensionalità dei dati (analisi delle componenti principali) a problemi di posizionamento di prodotti e di gestione del rischio.
- Applicazione di modelli di clustering alla segmentazione di mercato.
- Applicazione di modelli di classificazione (customer churn, fraud detection).

Modelli di pricing (30 ore).
- Fondamenti microeconomici del pricing: monopolio, oligopolio, competizione su prezzi e quantità, discriminazione di prezzo.
- Modelli di domanda/prezzo e loro stima statistica. Acquisti ripetuti e non, beni deperibili (o fashion) e non.
- Metodi di revenue management (es., nell’industria del trasporto aereo).
- Markdown management per beni deperibili.
- Scelta ottimale dell’assortimento/portafoglio di prodotti.

Ottimizzazione globale e ottimizzazione dinamica in condizioni di incertezza (20 ore).
- Metodi esatti di ottimizzazione globale per problemi non convessi (metodi branch and bound).
- Metodi approssimati (metodi di ricerca derivative-free, metodi multi-start, metaeuristiche).
- Simulation-based optimizazion.
- Programmazione dinamica stocastica.

Il corso si basa in parte significativa sulla discussione di business case, per lo più pubblicati da Harvard Business School Publishing. Inoltre, si farà ampio uso di R e MATLAB, entrambi disponibili per gli studenti del Politecnico.

Le slide usate saranno disponibili sul portale della didattica.
Verrà anche fornita la lista dei business case da discutere.

Esame scritto (90 minuti, closed book), che comprende 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 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 applicare principi generali sviluppando un algoritmo adattato al caso specifico
- Valutazione delle prestazioni non solo dell’algoritmo di soluzione ma anche della soluzione individuata