Corso di. Anno accademico: 2010/11. Prof. ing. Gianpaolo Ghiani

Transcript

1 Corso di Metodi di Supporto alle Decisioni Anno accademico: 2010/11 Prof. ing. Gianpaolo Ghiani

2 Fac coltà di Ingegneria - Università del Salento About me... Professore di I fascia di Ricerca Operativa presso la Facoltà di Ingegneria dell Università del Salento. Conseguita la laurea in Ingegneria Elettronica, ha ottenuto il titolo di dottore di ricerca in Ingegneria Elettronica ed Informatica presso l'università degli Studi di Napoli "Federico II". E' stato postdoctoral al GERAD (Groupe d'etudes et de Recherche en Analyse des Decisions) di Montreal ed assegnista di ricerca all Università degli Studi di Napoli "Federico II". La sua attività di ricerca è incentrata sulla risoluzione di problemi di ottimizzazione discreta e sulla pianificazione e controllo dei sistemi logistici. I suoi articoli scientifici sono stati pubblicati u riviste internazionali comprendenti: Mathematical Programming, Operations Research, Operations Research Letters, Networks, Transportation Science, Optimization Methods and Software, Computational Op ptimization and Applications, Computers and Operations Research, International Transactions in Operational Research, European Journal of Operational Research, Journal of the Operational Research Society, Parallel Computing, Journal of Intelligent Manufacturing Systems. Nel 1998 ha ricevuto il Transportation Science Dissertation Award dall'institute for Operations Research and Management Science (INFORMS). È autore, con G. Laporte e R. Musmanno del volume Introduction to Logistics Systems Planning and Control (Wiley, New York, 2003) e con R. Musmanno, del testo didattico "Modelli e metodi per l'organizzazione dei sistemi logistici" (Pitagora, Bologna, 1999). E membro dell Editorial Board delle riviste internazionali Computers and Operations Research e 4 OR.

3 Fac coltà di Ingegneria - Università del Salento About me...(cnd) Ha diretto progetti di ricerca di base metodologie di supporto alle decisioni. ed industriale mirati allo sviluppo di Gli algoritmi sviluppati fanno parte di applicazioni SW utilizzate in Italia e all estero.

4 Obiettivo di questa prima lezione Duplice obiettivo 1. Rispondere alle domande: Che cosa sono i metodi di supporto alle decisioni (decision support, DS)? Che cos è un Decision Che cos è la Business Che cos il Knowledge Disco overy in Databases (KDD)? Che cos il Data Mining (DM)? Che relazione esiste tra metodi di DS e BI? Che relazione esiste tra KDDD e DM? Support System (DSS)? Intelligence (BI)?

5 Obiettivo di questa prima lezione(cont) 2. Fornire indicazioni su: Contenuti e modalità del corso; Materiale didattico; SW impiegato per il laboratorio (esercitazoni); Modalità di svolgimento delle prove d esame; Modalità di svolgimento degli esoneri (solo per coloro che seguono il corso).

6 Il contesto... data flood... CPU e memorie sempre più potenti a basso costo Sensori e sistemi di acquisizione dati Connettività grandi quantità di dati IN FORMATO DIGITALE Transazioni commerciali (ordini, ) Stato di avanzamento degli ordini, delle lavorazioni Transazioni finanziarie Percorsi di navigazione web, , ipertesti;

7 Data flood: un azie enda manifatturiera Production Schedule Maintenance Planner Logistician ian Operations Planner PDM Product Data Management CMMS Computerized Maintenance Management System OMP Operation/Mission Planning Process MRP Manufacturing Resource Planning SCM Supply Chain Management COCALM Coordinated Optimization of Collaborative Asset Lifecycle Management DSS Decision Support System OEM Original Equipment Manufacturer/Manufacturing data/information action/asset OMP Financial Systems Report DSS CMMS MRP Product /Logistics Engineering Data SCM PDM Maintenance Schedule Supply Chain Operator Asset Maintainer OEM

8 Data flood: un operato ore di telefonia mobile

9 Data flood: carte fedeltà e simili

10 Data flood: carte di credito, bancomat,...

11 Data flood: GIS

12 Data flood A study by technology research firm IDC has estimated that by 2010, 988 exabytes (billion of gigabytes) of data will be generated... We are drowning in information and starving for knowledge. R. Rutherford (Yale, Librarian)

13 Facoltà di Ingegneria - Università del Salento Dati, informazioni e conoscenza Dati: una codifica strutturata delle entità e delle transazioni che coinvolgon o due o più entità - Azienda grande distribuzione: entità = punti vendita, clienti, articoli; transazioni commerciali descritte da scontrini d ac cquisto. Informazioni: risultato di operazioni di estrazione ed elaborazione di dati, dotat te di un significato per chi le riceve (significato dipendente dal contesto) - numero di possessori di una carta fedeltà che hanno ridotto di più del 20% l importo degli acquisti mensili negli ultimi tre mesi Conoscenza: informazionii + esperienza e competenze del decisore, per affronta re e prendere decisioni i i - individuazione delle principali tendenza in atto nel distretto di vendita

14 Tassonomia delle e decisioni Si classificano, in base alla loro natura in: Strutturate: riconducibili ben definita e ripetibile Pianificare la produzione sulla base del ad una procedura di scelta portafoglio ordini Non strutturate: non riconducibili ad una procedura di scelta ben definita e ripetibile Commercializzare una nuova linea di prodotti. Quando? Come? Semi-strutturate: alcune e, ma non tutte, le fasi del processo decisionale sono riconducibili ad una proceduradisceltabendefinita. Definizione di un piano di espansione della capacità produttiva Definizione del sistema di trattamento dei rifiuti di una regione

15 Tassonomia delle e decisioni Si classificano, in base alla loro Strategiche: riguardano l intera organizzazione (o una sua parte rilevante), un lun go periodo di tempo e sono difficilmente reversibili Definire la mission dell impresa, definire la struttura del sistema produttivo Tattiche: riguardano tipicamente una funzione aziendale (o, più in generale, una parte dell organiztempo di 6-12 zazione), per un periodo di mesi Pianificare il fabbisogno di addetti stagionali portata in: Operative: riguardano singole specifiche attività, su un orizzonte di qualche ora, giorno o settimana. Definire la schedulazione delle attività delle singole stazioni di lavoro, dei singoli equipaggi

16 Tassonomia delle e decisioni Strutturate Semi-strutturate Non strutturate Strategiche Quali mercati aggredire, su quali linee di prodotti o servizi puntare Tattiche Allocazione annuale agli stabilimenti dei volumi produttivi previsti Operative Definizi ione piano di lavoro settimanale delle risorse addettee alla produzione & distribuzione

17 Decision Suppor rt A seconda del contesto, il supporto alle decisioni può riguardare: il calcolo di una metrica di valutazione - Calcolare la redditività di determinate categorie di clienti - Calcolare il numero di clienti che al termine del primo anno hanno ridotto più del 50% i depositi sul conto on-line della nostra bancaa lacreazionediunoschemainterpretativo, per capire ad esempio se esistono delle regolarità (pattern) nel comportamento dei nostri clienti - Identificare il profilo e le caratteristiche comuni ai clienti che al termine del primo anno hanno ridotto più del 50% i depositi lo sviluppo di un modello che relazioni le variabili di controllo (o diconfigrazione) con le metriche di valutazione - Sviluppare un modello di simulazione che metta in relazione le caratteristiche di un impianto produttivo (numero e tipologia linee di produzione, layout, ecc) con il throughput

18 Decision Suppor rt Analizzare gli effetti sulle prestazioni delle variazioni delle variabili di controllo (analisii what-if) utilizzando il precedente modello - Calcolare l impatto di una modifica al layout di unimpiantoproduttivo Individuare la decisione ottimale, ovvero i valori delle variabili di controllo che ottimizzano determinate metriche di valutazione - Determinare il layout che massimizza il thoughput s.a. determinati vincoli

19 Strumenti e metodologie e di supporto alle decisioni Includono: Metodi di valutazione: analitici e di simulazione Metodi di ottimizzazione: - In condizioni di certezza; - In condizioni di incertezza e rischio Metodologie e gli strumenti di DATA MINIG + Metodi e modelli di ottimizzazione, probabilistici e statistici Sistemi esperti + Intelligenza artificiale

20 Questi metodi sono implementati/supportati da una grande varietà di software Nuovi prodotti da progettare e realizzare

21 Definizioni Business Intelligence (B I) Knowledge discovery in dataases (KDD) Data mining (DM)

22 Definizioni Business Intelligence (BI) - Set of numerous techniques, methods and tools for gathering right data and turning it into knowledge and appropriate decisions. BI = Decision support con focus sul business Ci sono applicazioni di decision support in altri ambiti (medicina, )

23 Facoltà di Ingegneria - Università del Salento Knowledge Discovery in Databases Knowledge Discovery in Databases (KDD) is an iterative process that aims at extracting interesting, previously unknown and hidden patterns from huge databases.

24 Facoltà di Ingegneria - Università del Salento Definizioni Data mining Is the step in the process of knowledge discovery in databases, that inputs predominantly cleaned, transformed data, searches the data using algorithms and outputs t patterns and relationships to the interpretation/ evaluation step of the whole knowledge discovery in databases process. Sometimes KDD and DM are thought to be synonyms.

25 Obiettivo di questa prima lezione Duplice obiettivo 1. Rispondere alle domande: Che cosa sono i metodi di supporto alle decisioni (decision support, DS)? Che cos è un Decision Che cos è la Business Che cos il Knowledge Disco overy in Databases (KDD)? Che cos il Data Mining (DM)? Che relazione esiste tra metodi di DS e BI? Che relazione esiste tra KDDD e DM? Support System (DSS)? Intelligence (BI)?

26 Obiettivo di questa prima lezione(cont) 2. Fornire indicazioni su: Contenuti e modalità del corso; Materiale didattico; SW impiegato per il laboratorio (esercitazoni); Modalità di svolgimento delle prove d esame; Modalità di svolgimento degli esoneri (solo per coloro che seguono il corso).

27 Fa acoltà di Ingegneria - Università del Salento Obiettivi Sapere Conoscere più comuni metodi di supporto alle decisioni e le loro principali applicazioni alla pianificazione e gestione della produzione e della logistica, al marketing, ecc. Saper fare Offrire al discente l opportunità di utilizzare questi strumenti quantitativi per la risoluzione di problemi complessi, con l ausilio di software.

28 Fa acoltà di Ingegneria - Università del Salento Programma (in estrema sintesi) Valutare di una decisione (o configurazione): Metodi analitici (alcuni ) Metodi di simulazione (ad eventi discreti, Monte Carlo) Alla ricerca della decisione (o configurazione) migliore Obiettivi multipli Processi decisionali sequenziali Metodi esatti (cenni) ed approssimati Classificare e clusterizzare: introduzione al Data Mining Sistemi esperti

29 Fa acoltà di Ingegneria - Università del Salento Laboratorio (in estrema sintesi) Diffusamente R : Ambienti di analisi statistica, simulazione, data mining AMPL: linguaggio di modellazio one, standard de facto Occasionalmente Excel, AMPL, Arena, linguaggi di programmazione ad oggetti (Java soprattutto)

30 Metodologia di inseg gnamento tradizionale

31 Fac acoltà di di Ingegneria - Università - del del Salento Learning in action La motivazione degli allievi scaturi sce dall impegno a: - dover risolvere problemi concreti; - dover interpretare situazioni/fenomeni complessi; - dover insegnare ad altri.

32 Metodologia di inseg gnamento Il docente 1. introduce brevemente un argomento assegna un compito o assegno, individuale o di gruppo, fornisce supporto per la ris soluzione dei problemi esamina e discute i risultati Un compito può consistere nella - risoluzione i di un problema (in genere con l ausilio di un SW), - estrazione di info da un discussion paper, - nella realizzazione di una presentazione, - in una ricerca bibliografica, ecc.

33 Modalità d esame + esoneri Esame: Un prova scritta (15 quesiti): 15 punti/30 Una prova pratica (al computer): 15 punti /30 E comunque necessario raggiungere la sufficienza in entrambe le prove.

34 Fac acoltà di di Ingegneria - Università - del del Salento Modalità d esame + esoneri Per gli studenti che frequentano è POSSIBILE: 2 esoneri (test scritti costituiti da 7+8 quesiti cadauno da tenersi orientativamente il 30 novembre e al termine del corso): 15 punti/30 partecipare alla discussione in AULA degli assignment ( venire alla lavagna ): 15 punti/30

35 IM PORTANTE Per il modo in cui il corso è concepito, NON E PR ROFICUO, seppure legittimo, venire in aula solo per prendere appunti.

36 Fac acoltà di di Ingegneria - Università - del del Salento Materiale didattico Slide (disponibili su (pwd: Stecca) G. Ghiani, R. Musmanno (a cura di), Metodi e modelli decisionali in condizioni di incertezza e rischio, McGraw-Hill, M. Iacus, G. Masarotto, Laboratorio di Statistica con R, McGraw-Hill C. Vercellis, Business intelligence, McGraw-Hill, 2006 (per consultazione). P. Giudici, Data Mining, McGraw-Hill, 2006 (per consultazione).

37 Fac acoltà di di Ingegneria - Università - del del Salento Esercitazioni & spiegazionii Spiegazioni: Lunedì 14:30-15:30 Vis à-vis via (chat o videochiamata) nick: gianpaolo_ghiani In ogni caso, consultate il sito web per verificare se il ricevimento è confermato o rinviato (potrei essere ad un congresso...)

38 Prossimi passi Registrarvi, inviandomi individualmente una dal vostro account. Introduzione al package R Scaricate cate il package age da: htt tp:// pojectog/ Portate in aula il vostro notebook (se ne avete uno!)