analisi di sensibilità lezione 22

Transcript

1 analisi di sensibilità lezione 22

2 ultime lezioni [22] oggi h. 13:05-14:55 simulazione esame + sensibilità + ricette [23] 29 Maggio h. 16:45-19:00 DDAY Start-Up Lab - aula magna Lettere [24] 3 Giugno h. 10:30-12:00 CLab Day aula 20 Sociologia

3 quizzone 2

4

5 now that you have the numbers ultima occasione per mettere mano a modelli, risultati, ipotesi, prima della decisione finale robustezza processo (ciclo)

6 sensibilità: fra scienza ed arte diversi oggetti dell analisi di sensibilità probabilità (alberi) oppure pesi (SMART) conseguenze, eventi incerti, ecc. generazione di nuovi obiettivi generazione di nuove alternative molte strategie di indagine risultato dipendente anche dalla sequenza molti strumenti analitici

7 strumenti per la sensibilità eliminazione per dominanza sensibilità ad una variabile diagrammi tornado sensibilità a due variabili

8 eliminazione per dominanza alternative dominate => inferiori inferiori => eliminabili

9 sensibilità a una variabile effetto di una variabile sul risultato finale probabilità decisioni (quanto investo / quale prezzo) conseguenze/eventi (risposta del mercato) altri elementi di dettaglio del problema (tasso di interesse, capacità dell impianto, numero di dipendenti, ecc.) specialmente utile quando si è poco sicuri della stima di una variabile, oppure di una scelta di contorno (ad es. tasso di interesse) valore di switchover (robustezza decisione)

10 sensibilità a una variabile

11 riprendiamo il caso DFC

12 valutazione complessiva Alternative localizzative attributi pesi AA AB AC AD AE BA BB CA CB CC DA DB val. compless

13 analisi di trade-off valore complessivo vs. costo giustificata da difficoltà di stimare costo come attributo (sia valore che peso) riduzione da n a 2 attributi: V vs. costo => comparazione costi / benefici frontiera efficiente alternative valore compl costo

14 trade off valore - costo Costo Valore Complessivo

15 D-FC: albero degli attributi

16 scelta Se il decisore è più interessato a: max V => A2 min C => A1 ma quanto più interessato? curve di indifferenza e trade-off V-C A1: V=46 C= A2: V=53 C= DC/ DV = 773 ogni punto di V in più nel passaggio da A1 ad A2

17 trade off valore - costo Costo Valore Complessivo

18 trade off valore - costo Costo Valore Complessivo

19 analisi di sensibilità pesi gruppo A vs. pesi gruppo C lasciamo inalterati i pesi di B e D intervallo di variazione: W 1 =(0.43, 0.24, 0.19, 0.14) W 2 =(0.19, 0.24, 0.43, 0.14) cosa succede a V? V 1 =(46, 53, 40, 42, 49, 48) V 2 =(39, 57, 33, 43, 62, 48)

20 V p(a)

21 trade off valore - costo Costo Valore Complessivo

22 trade off valore - costo Costo Valore Complessivo

23 revisione della scelta [1] immaginiamo che agli stakeholder piacciano di più (e impongano) i pesi W 2 A1: V=39 C= A2: V=57 C= A5: V=62 C= C 12 / V 12 = 293 ogni punto di V in più nel passaggio da A1 ad A2 C 25 / V 25 = 2667 ogni punto di V in più nel passaggio da A2 ad A5

24 revisione della scelta [2] se un punto di valore in più vale: meno di 293 => A1 fra 293 e 2667 => A2 oltre 2667 => A5

25 diagrammi tornado sensibilità a una variabile comparazioni rispetto a variabili diverse priorità e importanza delle variabili effetto su risultato finale (profitto) di variazioni dal val. min a val. max

26 diagrammi tornado maggiore importanza minore

27 sensibilità a due variabili due variabili assieme effetto di variazioni congiunte diagramma cartesiano (grafico a dispersione) curve (rette) di isoprofitto

28 sensitività a due variabili

29 scopi della sensibilità A d S per l analista (consulente) molto approfondita molte strade alternative A d S per il cliente (decisore finale) cognitivamente più leggera solo aspetti essenziali robustezza soluzione individuata criticità (valori di switchover, ecc.)

30

31 sei ricette per migliorare le decisioni lezione 22

32 gli strumenti della decision analysis supporto fondamentale per le decisioni dettagliare il problema quantificare preferenze stimare il valore assegnato ad ogni alternativa ecc. non necessariamente modelli complessi modelli semplici lineari spesso predicono meglio di stime intuitive degli esperti parametro di paragone (benchmark)

33 migliorare le competenze retroazione, apprendimento, esperienza delle decisioni passate visioni ottimistiche: ad es. la selezione del mercato visioni pessimistiche: apprendimento limitato (risultati spesso non direttamente collegabili con le azioni, molte decisioni uniche) Benjamin Franklin: experience is a dear teacher yet fools will learn in no other [school]

34 eliminare il bias nel giudizio 4 fasi suggerite da Fischhoff: anticipare la possibilità del bias anticipare la direzione del bias offrire retroazione informativa offrire addestramento specifico per limitare i danni del bias addestramento efficace: solo se specifico rispetto a un bias solo nel breve periodo

35 ragionamento analogico apprendimento da casi, simulazioni, e esperienze reali problem based learning capire le similarità e le differenze rispetto a situazione decisionale corrente: potentissimo strumento per interpretare correttamente la decisione

36 mettersi nell ottica di un osservatore esterno visione interna situazione decisionale percepita come unica forte coinvolgimento personale vs visione esterna situazione decisionale contestualizzata generalizzazione, similarità e differenze molto spesso la visione esterna è meno biased: stima di confidenza nell esercizio delle 10 stime stima di rispetto dei tempi di un progetto

37 comprendere i bias degli altri strategie 1-5: valutare la bontà delle proprie decisioni strategia 6: valutare le decisioni fatte da altri monitoraggio di decisioni prese da altri input di nostre successive decisioni