Responsabili acquisti, commerciali, produzione e logistica.

Il corso ha l’obiettivo di fornire il Know how e gli strumenti per essere in grado d’impostare un progetto orientato alla pianificazione della domanda con le adeguate tecniche di previsione; individuando e pianificando le fasi e le risorse necessarie.

Il corso fornisce le basi per un corretto approccio al tema delle previsioni applicato ai diversi contesti applicativi ed in relazione ai diversi punti di vista e necessità aziendali. Viene fornita una panoramica delle problematiche relative ai dati, ai modelli predittivi di natura statistica e quelli basati su machine learning. Vengono fornite metodologie ed indicatori per misurare l’accuratezza delle previsioni. Si approfondiscono le connessioni tra le previsioni e le decisioni ad esse connesse. Il corso trasferisce gli elementi operativi per poter delineare i requisiti del sistema di previsione e condurre progetti di successo.

Il corso ha l’obiettivo di fornire il know how e gli strumenti per essere in grado d’impostare un progetto orientato alla pianificazione della domanda con le adeguate tecniche di previsione, individuando e pianificando le fasi e le risorse necessarie.

Si forniscono le basi per un corretto approccio al tema delle previsioni applicato ai diversi contesti ed in relazione ai diversi punti di vista e necessità aziendali. Viene fornita una panoramica delle problematiche relative ai dati, ai modelli predittivi di natura statistica e quelli basati su machine learning. Vengono fornite metodologie ed indicatori per misurare l’accuratezza delle previsioni. Si approfondiscono le connessioni tra le previsioni e le decisioni ad esse connesse. Il corso trasferisce gli elementi operativi per poter delineare i requisiti del sistema di previsione e condurre progetti di successo.

Le previsioni nei contesti aziendali

• Previsioni, prospettive e necessità nei differenti contesti. Quando usarle e in quale misura.
• Previsione Vs. Budget. I dilemmi da sciogliere. Come gestire l’accuracy e coinvolgere l’organizzazione nel forecast migliorandone l’accettazione
• Previsioni e l’effetto di variabili esogene e di variabili endogene. Prodotti facili e difficili di cui prevedere l’andamento
• Le dimensioni previsionali. Previsione dei trasporti, delle unità prodotte, delle vendite e del fatturato
• La previsione in “prevalenza di vendita” rispetto alla previsione in “prevalenza di mercato”
• Disponibilità ed indisponibilità dei dati. Come individuare i dati critici per il processo di forecasting
• Useremo le informazioni rilevanti? Approccio ai dati ed al “cleaning” dei dati. Come depurarli da mancanti, promozioni speciali, effetti stagionali, eventi e unità di misura non omogenee
• Approccio alla gestione dell’errore predittivo. Come usare l’errore per migliorare i piani futuri e l’accuratezza
• Come condurre progetti di previsione e demand planning di successo. Quali sono le priorità e quanto investire per migliorare accuratezza
• Sistemi informatici a supporto delle previsioni overview
• Esempi e learning lessons da vita reale
• Dalla previsione alle decisioni di pianificazione
  • Risk based decision making
  • Valutare gli effetti di previsione quando è utile quando è semplice e come gestire i casi più complessi

Introduzione alla statistica pratica per la scienza dei dati. Statistica Inferenziale (popolazioni, campioni, statistiche)

Analisi dei dati esplorativi

• Elementi di dati strutturati
• Stima della posizione, variabilità
• Esplorazione della distribuzione dei dati binari e categoriali
• Correlazione
• esempi

Distribuzione dei dati e del campionamento

• Campionamento casuale e Bias del campione
• Distorsioni di selezione
• Distribuzione campionaria di una statistica
• Distribuzioni di probabilità
• esempi

Esperimenti statistici e test di significatività

• A/B Testing
• Test di ipotesi
• ANOVA
• Test del chi quadrato
• esempi

Lo studio di serie storiche e processi stocastici

Scomposizione di una serie

• Outliers
• Stagionalità
• Trend
• Rumore
• esempi

I modelli predittivi più utilizzati

• Exponential smoothing, Holt e Winter
• I modelli Arima
• Esempi

Regressione e previsione

• Regressione lineare semplice
• Regressione lineare multipla
• Previsione mediante regressione
• esempi

Classificazione e Machine Learning

Concetti introduttivi

• Macchine ad apprendimento
• Classificazione
• Clustering
• L’uso di neural network ai fini predittivi

• Analisi di casi e simulazioni operative
• Come definire i requisiti ed impostare un sistema di previsione