95638 - OPERATIONAL ANALYTICS

Anno Accademico 2023/2024

  • Docente: Vittorio Maniezzo
  • Crediti formativi: 6
  • SSD: ING-INF/05
  • Lingua di insegnamento: Inglese

Conoscenze e abilità da conseguire

Operational analytics, a specific type of business analytics, is focused on the analysis of business processes to the end of creating competitive advantage by means of operational data analysis and of the application of analytical algorithms. The course concentrates on the algorithmic side, specifically presenting predictive analytical techniques, forecasting future data on the basis of available time series, and prescriptive analytical techniques, defining optimized usage of available resources. Real world cases will be studied and used as testbed for self-developed systems.

Contenuti

Il corso fa parte di un curriculum di data science e fornisce alcuni strumenti per prevedere dati gestionali a breve/medio termine (analitica predittiva) e per ottimizzare processi con allocazione di risorse scarse in base ai dati previsti (analitica prescrittiva). Saranno presentati e integrati elementi di analitica predittiva e di ottimizzazione euristica.
Per la parte predittiva, il corso propone metodologie e tecniche per analizzare, modellare e prevedere serie temporali univariate, con accenni a quelle multivariate.
Si mostrerà, compatibilmente con il tempo a disposizione, che i dati previsionali possono essere elementi di modelli matematici di processi gestionali in cui ottimizzare l'allocazione di risorse scarse.
Gli strumenti proposti sono pensati per essere utilizzati in casi applicativi gestinali, casi di studio reali che saranno mostrati compatibilmente con il tempo, e/o richiesti nei progetti finali.
I contenuti scientifici del corso sono relativi alle conoscenze necessarie per sviluppare un modulo di analisi operativa su dati ottenuti da un sistema informativo aziendale. In particolare, verranno presentati
- breve riepilogo dei modelli stocastici, variabili casuali. distribuzioni di probabilità
- modelli predittivi: statistici (ARMA, ARIMA, SARIMA), neurali (MLP, LSTM, forse SVR se il tempo lo permette) e modelli di machine learning / decision tree (ensemble, random forest, boosting)
- indicatori di performance, statistiche descrittive, test di significatività statistica.
- modelli introduttivi di programmazione intera
- cenni alle tecniche di risoluzione meta/mat-euristiche
I contenuti tecnologici saranno funzionali all'implementazione pratica del modulo citato, che sarà realizzato standalone in python, anche se sono accettabili altri ambienti e architetture.
Una soluzione completa sarà realizzata in aula e completata autonomamente da ogni studente, e potrà costituire il progetto per l'esame.

Testi/Bibliografia

Lucidi a cura del docente

Metodi didattici

Il corso sarà tenuto in inglese, a meno che ognuno di voi non mi chieda diversamente.

Insegnerò in laboratorio per quanto mi sarà consentito, al fine di garantire un'esperienza pratica dei metodi proposti. In ogni caso, gli studenti sono invitati a portare il proprio computer portatile per testare online gli elementi proposti.

Gli algoritmi saranno codificati, a scelta degli studenti, in c# o python. Per l'analisi rapida dei dati si utilizzerà Excel.

"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

L'esame consiste nella presentazione di un progetto individuale che ogni studente completerà, relativo agli elementi introdotti durante il corso.

Per gli studenti che hanno familiarità con la programmazione, il progetto comprenderà competenze sia scientifiche che tecnologiche, che verranno verificate attraverso la presentazione. Il progetto potrebbe consistere in una soluzione informatica unitaria che includa la maggior parte degli elementi introdotti durante il corso. L'argomento specifico sarà suggerito dai candidati. Soluzioni molto complesse possono essere sviluppate in gruppi di massimo due studenti, previa mia approvazione esplicita. La soluzione proposta deve essere in grado di funzionare sulle macchine dei laboratori, e quindi anche sul mio server del corso.

In genere, se non diversamente concordato, il progetto sarà una soluzione in python. Non sono accettati notebook jupyter, e solo pandas, numpy, matplotlib e le librerie utilizzate nei lucidi come librerie aggiuntive, a meno che non siano state concordate esplicitamente librerie ulteriori.

Gli studenti con limitate eperienze precedenti di programmazione, potrenno presentare in dettaglio casi di studio complessi e significativi dal punto di vista economico, cui verranno applicati gli stessi algoritmi visti a lezione..

La partecipazione attiva alle lezioni darà diritto a bonus specifici.


Strumenti a supporto della didattica

I lucidi delle lezioni saranno scaricabili prima della lezione corrispondente.

Orario di ricevimento

Consulta il sito web di Vittorio Maniezzo