Modelli matematici avanzati per l`azienda

Modelli matematici avanzati
per l’azienda
a.a. 2010-2011
______________________________
ƒ Docente: Pasquale L. De Angelis
¾[email protected]
¾tel. 081 5474557
¾http://www.economia.uniparthenope.it/siti_docenti
P.L.DeAngelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Informazioni logistiche
ƒ Orario delle lezioni
¾ Lunedì h 08.00 – 11.00 aula Magna
¾ Mercoledì h 14.00 – 17.00 Centro di Calcolo Lab. 2
¾ Giovedì h 11.00 –14.00 Centro di Calcolo Lab. 2
¾ Venerdì h 8.00 – 11.00 Centro di Calcolo Lab. 2
ƒ Ricevimento
¾ Alla fine delle lezioni
¾ Martedì h 11.00 – 13.00 Dipartimento
ƒ Organizzazione delle lezioni
¾ Lezioni frontali ed in laboratorio
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Informazioni generali
ƒ Letture consigliate
¾ De Cesare-Maddalena, Introduzione
alla Programmazione Lineare,
Giappichelli
¾ Carlo Vercellis, Business intelligence,
McGraw-Hill, 2006.
ƒ Materiale didattico
¾ lucidi delle lezioni
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Informazioni generali
ƒ Modalità d’esame
¾ E’ previsto un progetto e un orale
¾ Contribuiscono alla valutazione:
• la partecipazione attiva al corso
• Il progetto
• la prova orale
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Prerequisiti
ƒ Un ricordo non troppo vago di Matematica Generale
ƒ Capacità di usare un foglio elettronico (excel)
ƒ Non è prevista alcuna propedeuticità formale
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Obiettivi
Scopo del corso è l’analisi di metodi e strumenti utili
per la gestione dei sistemi informativi aziendali e la
loro implementazione in sistemi reali.
Partendo dai processi decisionali, verranno discussi
alcuni metodi utili per le decisioni aziendali.
Si illustreranno
applicazioni.
P.L. De Angelis
casi
pseudoreali
di
possibili
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Programma
ƒ Argomenti del corso
• Introduzione: I sistemi informativi aziendali e le componenti
del processo decisionale
• Business intelligence
• Sistemi di supporto alle decisioni
• Elementi di Programmazione lineare
• Uso del risolutore Excel
• Analisi di sensività
• Esempi: Modelli di marketing, modelli logistici e produttivi.
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Perché?
ƒ La “borsa degli strumenti”.
ƒ Conoscere a fondo lo strumento che si utilizza permette
di ottenere risultati migliori.
ƒ Estrarre conoscenza utile da ingenti moli di dati, è la
chiave del successo dei decision maker nella pubblica
amministrazione e nelle imprese.
ƒ Anche i forni a microonde prendono decisioni a partire
dall’analisi dei dati!
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Business intelligence
ƒ L’avvento di tecnologie di memorizzazione a basso costo
e la diffusione della connettività hanno reso più agevole
l’accesso a grandi quantità di dati.
ƒ I dati disponibili sono eterogenei per origine, contenuto
e rappresentazione.
¾ Transazioni commerciali, finanziarie, amministrative;
¾ Percorsi di navigazione web, email, ipertesti;
¾ Test clinici,…
ƒ La loro presenza apre scenari e opportunità prima
impensabili.
ƒ Per business intelligence (BI) intenderemo l’insieme
delle metodologie e modelli che esplorano i dati per
ricavarne informazioni
e quindi conoscenza.
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Quali problemi possiamo risolvere?
Esempio 1
ƒ Un operatore di telefonia mobile nota un aumento nel
numero delle disattivazioni tra i propri clienti.
ƒ Ha a disposizione un budget per customer retention per
200 mila tra i 2 milioni clienti.
ƒ Come può procedere nella scelta dei destinatari della
promozione?
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Quali problemi possiamo risolvere?
Esempio 2
ƒ Un’azienda vuole ottimizzare i costi logistici e produttivi.
ƒ Ha una decina di stabilimenti che devono
approvvigionarsi, produrre e distribuire secondo le
esigenze del mercato, che variano durante l’anno.
ƒ Come si può sviluppare un piano logistico ottimale?
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Decisioni efficaci e tempestive
ƒ La disponibilità di informazioni e conoscenze ricavate da
analisi quantitative permette di prendere decisioni
efficaci.
ƒ La capacità di reagire dinamicamente alle azioni dei
competitori e alle esigenze del mercato rappresenta un
fattore decisivo di successo.
ƒ E’ necessario quindi avere a disposizione strumenti e
metodologie che permettono di individuare decisioni
efficaci e tempestive.
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Vantaggi della BI
Analisi e domande
Decisione
Azioni alternative
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Vantaggi della BI
Analisi e domande
Decisione
Azioni alternative
Business
intelligence
• Più alternative analizzate
• Conclusioni più precise
• Decisioni efficaci e tempestive
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Dati, informazioni e conoscenza
ƒ I dati di natura amministrativa, logistica e commerciale
delle imprese e della pubblica amministrazione sono, per
natura, eterogenei.
ƒ Anche se raccolti in modo sistematico e strutturato, tali
dati non sono direttamente utilizzabili nell’ambito dei
processi decisionali.
ƒ E’ necessario organizzarli ed elaborarli mediante
opportuni strumenti che li trasformino in informazioni e
conoscenze applicabili dai decision maker.
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Dati, informazioni e conoscenza
ƒ Dati: Codifica strutturata delle singole entità primarie e
delle transazioni che coinvolgono due o più entità
primarie.
¾ Esempio: Base di dati dei clienti di un supermercato.
ƒ Informazioni: Risultato di operazioni di estrazione e
elaborazione compiute a partire dai dati.
¾ Esempio: Clienti che hanno ridotto di più del 50%
l’importo mensile d’acquisto negli ultimi tre mesi.
ƒ Conoscenza: Informazioni contestualizzate e arricchite
dall’esperienza e dalle competenze del decision maker.
¾ Esempio: Analisi delle vendite e del contesto territoriale.
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Ruolo dei modelli matematici
ƒ Un ambiente di BI offre al decision maker informazioni e
le conoscenze ricavate dai dati mediante opportuni
modelli matematici.
ƒ Questo tipo di analisi tendono a promuovere un
orientamento scientifico e razionale nella gestione delle
imprese:
¾ Individuare gli obiettivi delle analisi e degli indicatori di
prestazioni,
¾ Sviluppare modelli matematici che relazionano le variabili
di controllo con i parametri e le metriche di valutazione,
¾ Analizzare gli effetti sulle prestazioni delle variazioni delle
variabili di controllo
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Componenti di un ambiente BI
Decisioni
Ottimizzazione
Scelta tra alternative
Data mining
Modelli di apprendimento
Analisi statistica e visualizzazione
Esplorazione dei dati
Data warehouse / Data mart
Analisi dei cubi multidimensionali
Fonti di dati
Dati operazionali, documenti e dati esterni
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Analisi di BI
ƒ Le analisi di BI si rivolgono a diversi tipi di
organizzazioni a struttura complessa.
ƒ Se limitiamo la nostra attenzione alle imprese, possiamo
collocare le metodologie di BI in tre funzioni aziendali:
¾ Commerciali e marketing,
¾ Logistiche e produttive,
¾ Controllo di gestione e misura delle prestazioni.
Noi ci occuperemo della parte relativa ai:
¾ Metodi Quantitativi per il Management
P.L. De Angelis
Modelli matematici avanzati per l’azienda a.a. 2010/2011
Che cosa si intende per Metodi Quantitativi
per il Management?
Uso di analisi quantitativa per consentire alle aziende di
scegliere la decisione migliore fra differenti possibilità
La chiave per ogni applicazione di MQM è il modello
matematico: rappresentazione quantitativa, o approssimazione,
di un problema reale.
Passando attraverso
un modello, si ha la
possibilità di:
Questo è reso
possibile da una:
- analisi di problemi di complessità
crescente
- estrarre la parte essenziale del
problema in forma concisa
- maggiore disponibilità di dati
- potenza di calcolo abbondante e
poco costosa
Sistemi di supporto per le decisioni
Software sviluppati per specifiche applicazioni che possono
includere la possibilità di risolvere un modello
Un sistema di supporto per le decisioni include:
- Data base di facile consultazione
- Interfaccia utente amichevole
- Modello matematico
- Procedura automatica per la risoluzione del modello
Interazione facile con i responsabili o i decisori che non
devono comprendere a fondo il problema matematico e
possono concentrarsi sui risultati per la loro applicazione
specifica.
I modelli
In molte applicazioni scientifiche si fa uso di Modelli
Il termine Modello è usualmente utilizzato per indicare
un qualcosa che è stato costruito allo scopo di
mostrare alcune tra le proprietà e le caratteristiche di
un oggetto reale.
Concreto: Modellino di un aereo per la
camera del vento
Modello
Descrittivo: plastico di una funzione di 2 variabili
Astratto: costruito con relazioni matematiche
Processo di modellizzazione
L’esperto di management
definisce il sistema
organizzativo includendo
gli obiettivi
Definire il
problema
Formulare un modello matematico
Verificare il modello
Selezionare una alternativa valida
Valutare i risultati
Ciclo di Feedback
Raccogliere i dati
Stima dei
che
Relazioni
nelparametri
mondo reale
influenzano il problema
(Relazioni tecnologiche,
leggi fisiche, vincoli di mercato)
tradotte in insiemi di equazioni,
disequazioni e dipendenze logiche
L’esperto di management verifica
che il modello dia una accurata
Ottimizzazione
rappresentazione della realtà
di una (o più) funzioni obiettivo:
massimizzare un profitto,
minimizzare
un costo
L’esperto
valuta
le (possibilimente
Uso
di
opportuni
softwareal passo
più) alternative ottenute
precedente
Implementare il modello
Modelli Matematici
Modello Matematico: Rappresentazione di un problema
reale attraverso espressioni matematiche.
Rivela relazioni non apparenti,
rende possibile una analisi matematica
Benefici
Simulazioni di scenari possibili (Cosa accade se...)
Uso di procedure matematiche risolutive
Dipende dalla precisione dei dati
Difetti
Impossibilità di quantificare alcuni dati
Modelli di Ottimizzazione
I modelli di ottimizzazione rivestono un ruolo fondamentale
nella programmazione matematica
Programmazione
matematica
Diversa da
programmazione di
computer
“Pianificazione”
Modello di
ottimizzazione
Richiede di massimizzare
o minimizzare qualcosa,
scelta tra diverse alternative