74972 - SISTEMI DI SUPPORTO ALLE DECISIONI

Conoscenze e abilità da conseguire

Business analytics, con terminologia corrente. Al termine del corso, che adotta un approccio orientato alle applicazioni, lo studente acquisisce competenze scientifiche e tecnologiche necessarie alla progettazione, sviluppo e messa in uso di un sistema di supporto alle decisioni in contesti aziendali reali. Questo comporta: - lavorare su dati aziendali reali, analizzando quali siano i problemi gestionali coinvolti e come risolverli. - lo studio dei dati per mezzo di statistica e analisi operazionale, - la applicazione di tecniche di ottimizzazione con l’obiettivo di orientare pianificazione e processo decisionale, - lo studio di algoritmi di ottimizzazione euristici e metauristici, - la formazione di modelli predittivi, - la comunicazione dei risultati ottenuti (a clienti, colleghi o partner) tramite piattaforme diverse. Verrà progettato e sviluppato assieme codice specifico, con attenzione alla possibilità di deploy su piattaforme mobile e web.

Contenuti

Operational analytics dall'a.a. 2022/23 fornisce gli strumenti per prevedere dati gestionali a breve/medio periodo ed ottimizzare processi di allocazione di risorse scarse in funzione dei dati previsti. Verranno presentati e integrati elementi di analisi predittiva e di ottimizzazione euristica.

Per la parte predittiva, il corso propone metodologie e tecniche per analizzare, modellare e prevedere l'andamento di serie storiche univariate o multivariate, con dati, tipicamente generati da reti IoT o da log di processi gestionali.

I dati ottenuti saranno elementi di modelli matematici di processi gestionali in cui ottimizzare l'allocazione di risorse scarse.

Gli strumenti proposti saranno utilizzati in casi applicativi aziendali reali.

I contributi scientifici riguardano le conoscenze necessarie per sviluppare un modulo di operational analytics su dati ricavati da un sistema informativo aziendale, e riguardano a competenze di statistica e di ottimizzazione applicate a modellistica di processi aziendali. In particolare verranno affrontati:

- modelli stocastici, variabili casuali. distribuzioni di probabilità

- modelli previsionali: statistici (ARMA, ARIMA, SARIMA) e neurali (feedforward, a retroazione, deep learning)

- indicatori di performance e statistiche descrittive

- semplici modelli di programmazione intera

- tecniche risolutive metaeuristiche

I contributi tecnologici saranno funzionali alla realizzazione pratica del modulo citato, che sarà fatta standalone in python, anche se altri ambienti ed architetture sono suggeriti.

Il modulo verrà impostato in aula e completato autonomamente da ciascuno studente, e potra' costituire il progetto per l'esame.

Testi/Bibliografia

Lucidi a cura del docente.

Maniezzo, Vittorio, Boschetti, Marco Antonio, Stützle, Thomas: Matheuristics, Algorithms and Implementations. Springer International Publishing (2021). (per approfondimenti)

Metodi didattici

Le lezioni si svolgeranno il più possibile in laboratorio, cercherò di garantire per quanto mi sarà permesso una esperienza diretta dei metodi presentati, compatibilmente con le restrizioni covid.

Gli algoritmi verranno implementati in python pr la parte previsionale, a scelta degli studenti, in c# o python per la parte prescrittiva. Il sistema finale dovrà prevedere un accesso utente e un accesso ai dati in .net core.

“In considerazione della tipologia di attività e dei metodi didattici adottati, la frequenza di questa attività formativa richiede la preventiva partecipazione di tutti gli studenti ai moduli 1 e 2 di formazione sulla sicurezza nei luoghi di studio, [https://elearning-sicurezza.unibo.it/] in modalità e-learning."

Modalità di verifica e valutazione dell'apprendimento

Il corso fornisce competenze di natura sia scientifica che più prettamente tecnologica che saranno verificate tramite la presentazione di un progetto specifico per ogni singolo studente. Durante il corso verranno forniti elementi pertinenti al programma sopra elencato, ciascuno dei quali origina una possibile applicazione di natura algoritmica o sistemistica che può concorrere alla definizione di una soluzione informatica unitaria. L'esame consisterà nella presentazione della soluzione che ciascuno studente avrà individualmente sviluppato. La soluzione proposta dovrà poter girare sulle macchine dei laboratori, e quindi anche sul mio server del corso.

Tipicamente, salvo accordi diversi, il progetto sarà una soluzione python. Non sono accettati notebook jupyter, sono utilizzabili come librerie aggiuntive solo pandas, numpy e matplotlib, salvo diversi accordi espliciti.

Strumenti a supporto della didattica

Lucidi a cura del docente, verranno resi accessibili prima delle lezioni corrispondenti.

Link ad altre eventuali informazioni

http://isi-personale.csr.unibo.it/vittorio.maniezzo/didattica/DSS/SistSuppDec.html

Orario di ricevimento

Consulta il sito web di Vittorio Maniezzo