MANAGERIAL DECISION MAKING AND MODELLING

Questo corso permette agli studenti di acquisire solide competenze metodologiche e di modellazione matematica utili per comprendere i sistemi economici e aziendali e per supportare il processo decisionale dei manager.

Il corso Managerial Decision Modeling applica strumenti e metodologie di management science per l'analisi e la risoluzione dei problemi che emergono in ambito economico e commerciale. Il corso è progettato per sviluppare capacità analitiche di problem-solving e per insegnarvi le tecniche decisionali. Il corso copre le metodologie dell'ottimizzazione che è un campo della matematica applicata i cui principi e metodi sono utilizzati per risolvere problemi quantitativi.

Alla fine di questo corso gli studenti dovrebbero essere in grado di: pensare in modo critico e analitico ai problemi economici e aziendali incontrati nella vita reale; essere in grado di modellare le situazioni di vita reale utilizzando gli strumenti matematici presentati durante il corso.

In particolare, gli studenti dovrebbero:
1. Conoscenza e comprensione
- conoscere la terminologia e i concetti di base di un processo decisionale.
- sapere come formulare un modello e come usare e interpretare le informazioni che un modello produce.
- saper usare e interpretare le informazioni che un modello produce.
2. Capacità di applicare la conoscenza e la comprensione
- comprendere ed essere in grado di applicare il ragionamento quantitativo di base e le metodologie ai problemi reali del business.
3. Formulare giudizi
- essere in grado di comprendere l'uso appropriato dei modelli nel mondo degli affari e le potenziali insidie derivanti da un uso scorretto o inappropriato dei modelli.
- essere in grado di valutare le informazioni disponibili nelle situazioni di vita reale in modo efficace e appropriato.
4. Comunicazione
- sapere come raccogliere le informazioni necessarie dalle parti interessate per sviluppare modelli validi.
- saper argomentare le decisioni aziendali dal punto di vista quantitativo utilizzando modelli matematici.

Si presume che gli studenti abbiano raggiunto gli obiettivi di apprendimento dei corsi di laurea in matematica e statistica.
In particolare, si presume che gli studenti siano in grado di applicare le loro conoscenze e la loro comprensione dei concetti e dei metodi che li riguardano:
sistemi di uguaglianza e disuguaglianze lineari; algebra a matrice; tassi di interesse; minimi e massimi delle funzioni; regole generali di probabilità; variabili casuali e distribuzioni; elementi di statistica inferenziale; modelli statistici di base.
Si presume inoltre che gli studenti abbiano competenze di base di Python.

1. Il processo decisionale:
1.1 fasi di un processo decisionale e il data-driven decision making
1.2 business analytics
1.3 analitica prescrittiva e automazione
2. Il processo di modellazione:
2.1. L'analisi del problema.
2.2. La formulazione di un modello
a. La raccolta dati
b. La semplificazione le ipotesi e e la loro documentazione
c. la determinazione delle variabili e delle unità di misura
d. L'identificazione delle relazioni tra variabili e dei sottomodelli
e. La determinazione di equazioni e funzioni
2.3. La risoluzione del modello
2.4. La verifica e l'interpretazione della soluzione del modello
2.5. La domentazione del modello
2.6. La manutenzione del modello
3. Casi di studio.

Dispense, lucidi, esercizi, video e tutto il rimanente materiale necessario per seguire l'insegnamento e raggiungere i risultati di apprendimento attesi sono disponibili sulla piattaforma di e-learning moodle.unive.it.


Testi per approfondimenti:
- G. Ghiani, G. Laporte, R. Musmanno, Introduction to Logistics Systems Management: With Microsoft Excel and Python Examples, Wiley Series in Operations Research and Management Science, John Wiley & Sons, Inc., Hoboken, NJ (anche in Italiano, Introduzione alla gestione dei sistemi logistici, Isedi, Milano, I)
- D.-S. Chen, R. G. Batson, Y. Dang. Applied integer programming: modeling and simulation, John Wiley & Sons, Inc., Hoboken, NJ
- M. Watson, S. Lewis, P. Cacioppi, J. Jayaraman. Supply Chain Network Design: Applying Optimization and Analytics to the Global Supply Chain, Pearson FT Press, Boston, 212
- D. Bertsimas, A. O'Hair and B. Pulleyblank. The Analytics Edge, Dynamic Ideas, Charlestown, MA
- M. L. Pinedo. Planning and Scheduling in Manufacturing and Services. Springer, Berlin, D

La valutazione dell'apprendimento degli studenti avviene in due fasi: durante il corso e alla fine del corso.
Durante il corso, gli studenti sono incoraggiati ad autovalutare il loro apprendimento rispondendo agli esercizi e ai test proposti sulla piattaforma e-learning.
Alla fine del corso gli studenti dovranno sostenere l'esame finale.
L'esame consiste in una prova pratica (scritto, orale e programmazione) della durata di circa 2 ore, che ha lo scopo di verificare che gli studenti abbiano acquisito le capacità analitiche di problem-solving e che abbiano familiarità con le tecniche decisionali.
Nell'esame finale gli studenti sono tenuti ad implementare, risolvere e analizzare un modello matematico a supporto delle decisioni manageriali relative ad un tipico problema operativo aziendale.
Ad esempio, agli studenti può essere chiesto:
- di argomentare le ipotesi che presumono siano vere
- discutere il ruolo, lo scopo e i limiti di un modello che hanno sviluppato in quanto rappresentazione semplificata di una situazione reale
- dimostrare la validità dei risultati ottenuti e in particolare discutere la loro efficacia economica

Problemi simili a quelli proposti durante l'esame finale si possono trovare nella piattaforma e-learning dell'università.

L'esame è open-book (solo materiale cartaceo)

Nel caso in cui lo scritto non permetta di rilevare con sufficiente precisione:
- la padronanza del linguaggio tecnico, essenziale per comunicare in modo appropriato nell’ambito disciplinare di riferimento,
- la comprensione dei concetti di base, che può risultare parziale o ambigua se desunta solo dalle risposte scritte,
- l’effettivo livello di autonomia e consapevolezza nell’argomentare, giustificare e collegare le nozioni apprese,
allo studente sarà richiesto di sostenere una prova orale come strumento integrativo e complementare, utile a:
- chiarire eventuali ambiguità emerse nello scritto,
- verificare in modo diretto la comprensione concettuale, l’uso del linguaggio specialistico e la capacità di ragionamento critico,
- assicurare una valutazione equa e completa, soprattutto nei casi in cui lo scritto non fornisca elementi sufficienti a stabilire con certezza il livello delle competenze acquisite.

scritto e orale

Il/la docente ha il dovere di vigilare affinché siano rispettate le regole di autenticità e originalità delle prove d'esame. Di conseguenza, nei casi in cui vi sia il sospetto di un comportamento irregolare, l'esame può prevedere un ulteriore approfondimento, contestuale alla prova d'esame, che potrà essere realizzato anche in modalità differente rispetto alle modalità sopra riportate.

Per raggiungere la sufficienza all’esame è necessario che lo studente dimostri di essere capace di formulare matematicamente il problema assegnato, in particolare, ma non solo, individuando correttamente: obiettivo, vincoli e variabili decisionali.
Per raggiungere un voto intermedio (fino a 26) è necessario che lo studente sappia sviluppare un programma in python che risolva il problema proposto.
Per raggiungere il voto massimo è necessario che lo studente sappia commentare dal punto di vista economico/aziendale i risultati forniti dal programma python.

Corso frontale che si avvale anche di moduli didattici disponibili sulla piattaforma di e-learning di ateneo moodle.unive.it.
Questi moduli propongono allo studente di risolvere dei casi di studio di problemi reali e gli permettono di confrontare, a volte anche attraverso dei filmati, le proprie soluzioni con quelle proposte dal docente o quelle utilizzate nella pratica.

Durante il corso sono anche presentati e risolti dei casi di studio con il supporto di strumenti software al fine di stimolare gli studenti alla discussione e alla riflessione critica su quanto appreso a lezione.
In particolare, ma non solo, il docente:
- sottolinea i passi dell'approccio sistemico che utilizza nell'affrontare i problemi considerati ed evidenzia i concetti matematici che stanno alla base dei metodi risolutivi utilizzati
- discute le difficoltà inerenti alla modellizzazione di un problema reale, eg, quelle legate alla raccolta di dati
- mostra come utilizzare i risultati forniti dal modello matematico, eg, per negoziare un prestito alla luce delle caratteristiche di un contratto standard

1) È richiesto che gli studenti si registrino sulla pagina del corso di Strumenti Computazionali per il Management della piattaforma e-learning di ateneo moodle.unive.it

2) Accessibilità, Disabilità e Inclusione
Accomodamenti e Servizi di Supporto per studenti con disabilità o con disturbi specifici dell’apprendimento

Ca’ Foscari applica la Legge Italiana (Legge 17/1999; Legge 170/2010) per i servizi di supporto e di accomodamento disponibili agli studenti con disabilità o con disturbi specifici dell’apprendimento. Se hai una disabilità motoria, visiva, dell’udito o altre disabilità (Legge 17/1999) o un disturbo specifico dell’apprendimento (Legge 170/2010) e richiedi supporto (assistenza in aula, ausili tecnologici per lo svolgimento di esami o esami individualizzati, materiale in formato accessibile, recupero appunti, tutorato specialistico a supporto dello studio, interpreti o altro) contatta l’ufficio Disabilità e DSA disabilita@unive.it.