PRESCRIPTIVE ANALYTICS

Questo insegnamento fornisce agli studenti solide competenze metodologiche e di modellizzazione quantitativa, fondamentali per analizzare i sistemi economici e aziendali e per supportare i processi decisionali manageriali.

L’insegnamento Prescriptive Analytics approfondisce metodi e strumenti quantitativi per la formalizzazione di problemi decisionali e per la valutazione di corsi d’azione alternativi in ambito manageriale, con particolare attenzione alle decisioni operative e strategiche in contesti internazionali, quali supply chain globali, pianificazione della capacità, budgeting, allocazione delle risorse, gestione di network e progetti.

Al termine dell’insegnamento, le studentesse e gli studenti avranno acquisito conoscenze e competenze utili a formulare, analizzare e valutare problemi decisionali mediante modelli prescrittivi, al fine di supportare in modo rigoroso e consapevole le decisioni manageriali in contesti operativi e strategici.
1. Conoscenza e capacità di comprensione
• il ruolo della prescriptive analytics all’interno della catena descriptive–predictive–prescriptive e nei processi di decision making manageriale;
• i principali modelli di ottimizzazione, con particolare riferimento ai modelli lineari, interi, misti e di rete;
• i concetti fondamentali di sensitività e analisi di scenario, letti in chiave manageriale;
• le principali ipotesi, i limiti e i rischi dei modelli prescrittivi, con riferimento alla qualità dei dati, all’incertezza, alla robustezza, alla fairness e ai vincoli organizzativi.
2. Capacità di applicare conoscenza e comprensione
• formulare un problema decisionale identificando variabili decisionali, obiettivi, indicatori di performance e vincoli operativi e organizzativi;
• implementare e risolvere modelli prescrittivi mediante strumenti software, quali fogli di calcolo con Solver e/o ambienti Python;
• sviluppare analisi di scenario e what-if analysis a supporto delle decisioni;
• interpretare gli output dei modelli, individuare eventuali infeasibilità, trade-off e colli di bottiglia, e tradurre i risultati in raccomandazioni operative e manageriali.
3. Autonomia di giudizio
• valutare criticamente la qualità di un modello e la coerenza tra dati, ipotesi adottate e decisioni proposte;
• confrontare approcci modellistici alternativi, ad esempio euristiche e soluzioni ottime, modelli deterministici e per scenari, modelli single-objective e multi-objective, motivando in modo argomentato la scelta effettuata;
• discutere gli impatti e i rischi economici, organizzativi ed etici connessi all’adozione di sistemi di decision support.
4. Capacità di apprendimento
• consultare in modo critico testi, documentazione tecnica e risorse online per estendere modelli e tecniche a nuovi contesti decisionali;
• approfondire in autonomia metodi e strumenti di prescriptive analytics in relazione all’evoluzione dei problemi manageriali e delle tecnologie disponibili;
• documentare in modo rigoroso e professionale un’analisi prescrittiva, esplicitando dataset, modello, assunzioni, risultati e limiti dell’analisi.

Si richiede una preparazione di base in matematica e in statistica, nell’analisi dei dati almeno a livello introduttivo, nonché una familiarità con i contenuti dei corsi di BUSINESS PROCESS ANALYTICS e ARTIFICIAL INTELLIGENCE FOR MANAGEMENT AND ORGANIZATIONS.
L’insegnamento è erogato in lingua inglese.

Per fornire risposte concrete alle sfide aziendali contemporanee, il corso adotta un approccio rigorosamente data-driven e orientato all'azione.
Attraverso i suoi moduli tematici, il percorso mira a dotare i partecipanti degli strumenti decisionali indispensabili per ottimizzare la gestione delle risorse e dominare la complessità della supply chain globale.
Inoltre, per consolidare l'apprendimento, ogni modulo affianca all'aspetto teorico lo studio di uno o più casi pratici.

1. Prescriptive analytics e decision cycle
Ruolo della prescriptive analytics nei processi decisionali manageriali; definizione di KPI, costi associati agli errori decisionali, vincoli e trade-off; passaggio dal dato alla decisione.
2. Modellazione dei problemi di ottimizzazione
Formulazione di problemi decisionali mediante variabili decisionali, vincoli e funzioni obiettivo; attenzione alla coerenza delle unità di misura, all’interpretazione manageriale del modello e alla sua validazione.
3. Programmazione lineare, modelli di rete e applicazioni
Introduzione ai principali modelli di programmazione lineare e ai modelli di rete, con applicazioni a problemi manageriali quali allocazione di risorse, trasporto, distribuzione e pianificazione.
4. Programmazione intera e mista
Trattazione di problemi decisionali con variabili discrete, con particolare riferimento a assignment, knapsack e facility location; introduzione agli aspetti di modellazione e alle principali tecniche risolutive a livello concettuale.
5. Incertezza e robustezza nelle decisioni
Analisi del ruolo dell’incertezza nei modelli prescrittivi; introduzione ad approcci basati su scenari e alla robust optimization; utilizzo della simulazione e degli stress test come strumenti di supporto alla decisione.
6. Integrazione con predictive analytics e AI
Impiego di previsioni e modelli di machine learning come input ai modelli prescrittivi; valutazione di affidabilità, drift e limiti operativi; discussione di aspetti di governance, trasparenza e accountability nei sistemi di decision support.

I materiali didattici e le letture di riferimento, inclusi articoli scientifici, report istituzionali, dataset e notebook o worksheet, saranno indicati dal docente e resi disponibili tramite la piattaforma Moodle.

La verifica dell’apprendimento si articola in due momenti: in itinere e finale.

Durante il corso, le studentesse e gli studenti sono incoraggiati ad autovalutare progressivamente il proprio apprendimento attraverso esercizi e test resi disponibili sulla piattaforma e-learning.

La valutazione finale prevede un esame scritto, finalizzato ad accertare l’acquisizione di competenze analitiche, di problem solving e di utilizzo consapevole di tecniche e modelli a supporto delle decisioni.
La prova richiede alle studentesse e agli studenti di proporre e/o analizzare e, ove possibile, risolvere uno o più modelli quantitativi riferiti a problemi tipici della pianificazione e della gestione dellì'azienda..

In particolare, potrà essere richiesto di:
• esplicitare e discutere le ipotesi alla base dei modelli proposti;
• illustrare ruolo, finalità e limiti del modello come rappresentazione semplificata di un contesto reale;
• interpretare e argomentare i risultati ottenuti, anche con riferimento alla loro efficacia e rilevanza decisionale.

Problemi analoghi a quelli oggetto della prova finale saranno resi disponibili sulla piattaforma e-learning dell’Ateneo.

Qualora la prova scritta non consenta di accertare con sufficiente chiarezza:
• la padronanza del linguaggio tecnico-disciplinare;
• la comprensione dei concetti fondamentali;
• il livello di autonomia e consapevolezza nell’argomentazione e nel collegamento tra i contenuti appresi;
potrà essere richiesta una prova orale integrativa, con funzione complementare rispetto allo scritto, finalizzata a:
• chiarire eventuali ambiguità emerse nella prova scritta;
• verificare in modo diretto la comprensione concettuale, l’uso del linguaggio specialistico e la capacità di ragionamento critico;
• assicurare una valutazione completa, coerente ed equa delle competenze effettivamente 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.

Criteri di attribuzione del voto finale
A. Punteggi nella fascia 18–22 saranno attribuiti in presenza di:
• sufficiente conoscenza e capacità di comprensione dei contenuti del corso, con riferimento ai principali modelli e strumenti della prescriptive analytics;
• sufficiente capacità di formulare e applicare modelli decisionali e di ottimizzazione a problemi manageriali di base;
• limitata capacità di interpretare i risultati dei modelli e di formulare giudizi autonomi in relazione alle decisioni proposte;
• sufficienti abilità comunicative, in particolare nell’utilizzo del linguaggio tecnico proprio dell’analisi quantitativa e dei modelli decisionali.
B. Punteggi nella fascia 23–26 saranno attribuiti in presenza di:
• discreta conoscenza e capacità di comprensione dei contenuti del corso, con riferimento ai metodi di modellazione prescrittiva e agli strumenti di supporto alle decisioni;
• discreta capacità di formulare, implementare e applicare modelli di ottimizzazione a problemi manageriali, anche in presenza di vincoli operativi e organizzativi;
• discreta capacità di interpretare risultati, analizzare trade-off e formulare giudizi autonomi in modo coerente e motivato;
• discrete abilità comunicative, in particolare nell’utilizzo appropriato del linguaggio tecnico disciplinare.
C. Punteggi nella fascia 27–30 saranno attribuiti in presenza di:
• buona o ottima conoscenza e capacità di comprensione dei contenuti del corso, con piena padronanza dei principali approcci metodologici della prescriptive analytics;
• buona o ottima capacità di formulare, implementare e applicare modelli prescrittivi a problemi complessi di analisi e decisione manageriale;
• buona o ottima capacità di interpretare criticamente i risultati, discutere ipotesi, limiti e robustezza dei modelli, e formulare giudizi autonomi e ben argomentati;
• abilità comunicative pienamente appropriate, con uso rigoroso e consapevole del linguaggio tecnico proprio della disciplina.

L’insegnamento si svolge principalmente in forma di lezioni frontali e si avvale inoltre di materiali e moduli didattici resi disponibili sulla piattaforma di e-learning di Ateneo Moodle.

Tali moduli accompagnano le studentesse e gli studenti nell’analisi e nella risoluzione di casi di studio riferiti a problemi decisionali reali in ambito manageriale, offrendo l’opportunità di confrontare le soluzioni elaborate individualmente o in gruppo con quelle discusse dal docente e con approcci adottati nella pratica aziendale e professionale.

1) È richiesto che gli studenti si registrino sulla pagina del corso di Prescriptive Analytics 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.

Questo insegnamento tratta argomenti connessi alla macroarea "Economia circolare, innovazione, lavoro" e concorre alla realizzazione dei relativi obiettivi ONU dell'Agenda 2030 per lo Sviluppo Sostenibile