Ingegneria Gestionale

Il corso si prefigge di sviluppare conoscenze e capacità di progettazione dei sistemi organizzativi,
alla luce delle modifiche del sistema ambientale in cui opera l’impresa, in particolar modo per ciò
che riguarda l’innovazione tecnologica
Conoscenza e capacita' di comprensione: Lo studente dovrà dimostrare di conoscere la storia del pensiero organizzativo e le sue
implicazioni per la progettazione organizzativa, il sistema organizzativo e le sue componenti, le
performance del sistema organizzativo, i livelli e le tecniche di progettazione organizzativa, gli
effetti della trasformazione digitale e le sue implicazioni per la progettazione organizzativa
Capacita' di applicare conoscenza e comprensione: Al termine del percorso formativo lo studente dovrà dimostrare di padroneggiare l’utilizzo delle
tecniche di progettazione organizzativa alla luce delle strategie aziendali e della loro
diversificazione nel corso del tempo, di sapere adottare le tecniche per la progettazione delle
posizioni di lavoro, di saper applicare le metodologie per la riprogettazione organizzativa a seguito
dell’adozione di tecnologie digitali

Organizzazione e progettazione organizzativa: concetti di base La progettazione organizzativa
nell’evoluzione del pensiero organizzativo: la scuola classica, dal focus sul sistema tecnico al
focus sul sistema sociale e sull’individuo, la fase della maturità nelle teorie organizzative,
prospettive teoriche sulle relazione interorganizzative, sviluppi ulteriori del pensiero organizzativo
ed implicazioni per la progettazione organizzativa Il sistema organizzativo: i livelli del sistema
organizzativo (struttura, processi, posizioni di lavoro), l’interdipendenza tra i livelli, le performance
del sistema La progettazione della struttura organizzativa: i criteri per la scelta della tipologia di
struttura; la definizione dei confini tra le aree di responsabilità; l’analisi dei carichi di lavoro ed il
dimensionamento delle unità organizzative; la valutazione della fattibilità tecnico economica della
progettazione della struttura La progettazione dei processi: la visione per processi
nell’organizzazione; il Business Process Management; i sistemi per la mappatura, l’analisi, la
valutazione e la riprogettazione dei processi; un approccio olistico al BPM; BPM e trasformazione
digitale La progettazione della posizione di lavoro: la posizione di lavoro; i criteri per la definizione
della posizione di lavoro; la descrizione della posizione di lavoro; esempi di descrizione di
posizioni di lavoro Trasformazione digitale e riprogettazione organizzativa: le tecnologie digitali, la
trasformazione digitale, la riprogettazione organizzativa per facilitare la trasformazione digitale,
esempi di riprogettazione organizzativa orientata alla trasformazione digitale

Il peso del colloquio orale èpari al 70%
Il peso della discussione dell'elaborato progettuale èpari al 30%

PROGETTAZIONE E INNOVAZIONE DEL SISTEMA ORGANIZZATIVO, di G. Capaldo, V.
Corvello, Editoriale Scientifica, 2021

Obiettivo dell’insegnamento è fornire le conoscenze e gli strumenti per l’analisi, la progettazione e la gestione di sistemi di controllo direzionale. In particolare, verranno fornite le conoscenze teoriche relative alle caratteristiche, gli obiettivi, le potenziali funzionalità e i requisiti progettuali dei sistemi di controllo di gestione. Verranno trasferite tecniche e metodologie per l’analisi e/o la progettazione del sistema di controllo di gestione: le tecniche per la rilevazione e la misura dei risultati di performance e per la costruzione delle analisi degli scostamenti, le modalità e gli strumenti per il budgeting, le conoscenze relative all’impostazione dei sistemi di reporting. Verranno sviluppate competenze relative all’utilizzo di modelli e metodologie per supportare le decisioni manageriali di breve e lungo periodo.
Conoscenza e capacita' di comprensione: Lo studente dovrà dimostrare di conoscere dettagliatamente le fasi di: progettazione del sistema di controllo, budgeting, reporting finanziario (struttura del modello, redazione del reporting) analisi per le decisioni, planning economico-finanziario (orizzonte temporale, obiettivi, struttura, progettazione del modello di pianificazione). Inoltre, lo studente dovrà saper identificare i costi di processi e prodotti e selezionare le tecniche di costing più idonee per determinare le principali configurazioni di costo di un oggetto.
Capacita' di applicare conoscenza e comprensione: Al termine del percorso formativo lo studente dovrà avere piena padronanza degli strumenti di misurazione e reporting delle performance (balanced scorecard, tableau de bord ecc.), capacità di analizzare gli indicatori più idonei per la valutazione degli investimenti di breve e lungo periodo, definire architetture organizzative integrate dei sistemi di controllo, articolare un piano di budget e analizzare gli scostamenti. In più, dovrà acquisire capacità di analisi dei dati di bilancio calcolando gli indicatori più idonei a rappresentare la situazione patrimoniale delle imprese individuando in modo critico punti di debolezza su cui implementare possibili strategie di miglioramento.

Il programma è articolato nei seguenti 12 punti i primi 7 punti costituiscono 4 CFU i successivi 5 punti 5 CFU.
1) Introduzione ai sistemi di controllo di gestione: processo e raccordo con la pianificazione strategica e operativa, obiettivi e funzionalità, requisiti di massima per la progettazione. 2) La natura dei sistemi contabili, le informazioni per il controllo, le fonti delle informazioni. 3) Richiami alla contabilità generale e al bilancio come fonti di informazioni aggregate. 4)Richiami alla contabilità analitica e sue differenze con la contabilità generale, principi e requisiti, classificazione dei costi e principali configurazioni di costo. 5)La determinazione dei costi per prodotto: costi standard e la determinazione dei costi pieni con richiami alle tecniche tradizionali di costing (per commessa e per processo), le implicazioni di una contabilità a costi pieni o a costi variabili. 6) Le analisi costo-volume-profitto, costi congiunti, costi della qualità. 7) La determinazione dei costi basata sulle attività e l’activity-based management. 8) Il Budget e il processo di budgeting. 9)L’analisi degli scostamenti. 10) L’architettura organizzativa dei sistemi di controllo, i centri di responsabilità, il controllo dei centri di responsabilità, i prezzi di trasferimento. 11) Il reporting direzionale e i sistemi di valutazione delle performance: reporting tradizionale basato su dati economico-finanziari, Mappe strategiche, tableau de bord, la prospettiva Balanced-Scorecard, la matrice di allineamento strategico, il modello multistakeholder. 12) Le decisioni di breve periodo e cenni alla valutazione tradizionale degli investimenti.

L’esame si articola in due parti: un progetto di gruppo (facoltativo) avente l’obiettivo di applicare le nozioni fornite nel corso ad un caso reale, basandosi sulla analisi di dati provenienti da bilanci di imprese e su eventuali interviste frontali con manager aziendali. Il progetto mira a testare le capacità pratiche, di analisi critica e la creatività degli studenti nell’ambito degli argomenti trattati nel corso. Il progetto può far ottenere un punteggio di al massimo 3 punti. La seconda parte è una prova scritta e orale che verte su tutti gli argomenti del corso in cui si dovrà mostrare non solo di conoscere argomenti teorici ma di saper analizzare gli indicatori di investimento, di bilancio e di analisi degli scostamenti. I punteggi della prova scritta e orale saranno sommati a quelli del project work.

Il testo di riferimento utilizzato è Anthony R.N., Hawkins D. F., Macrì D. M., Merchant K. A., (2024) “Sistemi di Controllo. Analisi economiche per le decisioni aziendali”, 16 ed, McGraw Hill education. Vengono poi forniti materiali integrativi attraverso il sito docenti e in aula.

Il corso mira a fornire una comprensione approfondita dei sistemi produttivi, focalizzandosi sulla gestione della variabilità per ottimizzare le performance. Verranno esplorate metodologie come il Lean Thinking, il World Class Manufacturing e il Six Sigma, insieme a strumenti operativi per la stabilizzazione dei processi. L'obiettivo è formare professionisti capaci ottimizzare i processi manufatturieri e di erogazione dei servizio mediante la riduzione degli sprechi e il miglioramento dell'efficienza.
Conoscenza e capacita' di comprensione: Al termine del corso, i partecipanti avranno una solida conoscenza dei principi fondamentali dei sistemi di produzione di beni e servizi, comprendendo il significato di valore, spreco e variabilità e il loro impatto sulle performance. Svilupperanno una comprensione approfondita delle principali metodologie di miglioramento continuo, quali Lean Thinking, World Class Manufacturing e Six Sigma, e saranno in grado di identificare le analogie e le differenze tra di esse. Inoltre, acquisiranno una chiara visione dei modelli teorici, come la Teoria delle Code, e degli strumenti specifici quali ad esempio 5S, Kanban, Cost Deployment, DMAIC per l'analisi e l'ottimizzazione dei processi.
Capacita' di applicare conoscenza e comprensione: I partecipanti saranno in grado di applicare le conoscenze acquisite per analizzare e indentificare problemi di variabilità e inefficienza all'interno di processi produttivi e di servizio. Saranno capaci di utilizzare metodologie e strumenti specifici per identificare le cause radice degli sprechi e delle perdite, prioritizzare gli interventi di miglioramento e implementare soluzioni efficaci per la riduzione della variabilità e il miglioramento del flusso. Questo include la capacità di definire progetti di miglioramento, raccogliere e analizzare dati, e monitorare le performance, contribuendo attivamente alla stabilizzazione e all'ottimizzazione dei sistemi di gestione.

• Introduzione alla Gestione dei Sistemi Produttivi: Concetti di valore, spreco, variabilità e panoramica sul Lean Thinking.
• La Variabilità nei Processi: Fondamenti di Teoria delle Code, modelli e gestione della capacità.
• World Class Manufacturing (WCM): Pilastri, perdite, Cost Deployment e Manutenzione Produttiva (TPM, AM, PM).
• Strumenti Operativi: 5S, standardizzazione, Kitting/JIS/JIT, Kanban e bilanciamento delle linee.
• Six Sigma: Metodologia DMAIC (Define, Measure, Analyze, Improve, Control) per la riduzione della variabilità.

Durante la discussione e la prova individuale, saranno valutate le competenze tecniche e applicative dello studente nella risoluzione di problemi e nei casi di studio.

Slide fornite dal docente
John F Shortle, James M Thompson, Donald Gross, Carl M Harris, 2018, Fundamentals of Queueing Theory, John Wiley & Sons, Inc. ISBN:9781118943526
Yasuhiro Monden,2011, Toyota Production System: An Integrated Approach to Just-In-Time, 4th Edition, Productivity Press, ISBN 978-1439820971

Acquisire la capacità di modellazione dei fabbisogni informativi di organizzazioni complesse.
Conoscenza e capacita' di comprensione: Fondamenti di gestione dei sistemi Informativi e della modellazione BPMN
Capacita' di applicare conoscenza e comprensione: Costruzione di modelli organizzativi complessi

Ciclo di vita dei sistemi informativi, Il modello ER, BPMN, ERP, CRM, Big Data

In trentesimi

Tutto il materiale didattico è caricato sul canale teams dedicato

Obiettivo dell’insegnamento èfornire agli studenti conoscenze avanzate sull’insieme dei processi necessari per trasformare una materia prima in un prodotto finito, mediante lavorazioni realizzate su macchine o sistemi con tecnologie convenzionali e non. Per ogni lavorazione trattata, sono considerati i diversi aspetti legati al principio di funzionamento, ai parametri ed alle caratteristiche del processo, alle attrezzature necessarie, alle tipologie di prodotti ottenibili.
Conoscenza e capacita' di comprensione: Al termine del corso lo studente disporrà delle conoscenze necessarie ad orientarsi nelle aree tematiche in cui si articola l’insegnamento e dovrà essere in grado di analizzare il ruolo e l’efficacia dei processi produttivi che impiegano tecnologie convenzionali e non, valutandone la sostenibilità, i costi e i benefici. Lo studente dovrà essere in grado di applicare le metodologie per l’analisi dei parametri di processo per il miglioramento o la risoluzione di problemi nei sistemi manifatturieri
Capacita' di applicare conoscenza e comprensione: Lo studente sarà in grado di stabilire le modalità di esecuzione dei principali processi di lavorazione al fine di affrontare tematiche di produzione avanzate e curare l'innovazione e lo sviluppo di nuovi prodotti e di nuovi processi tecnologici attraverso l’applicazione delle metodologie studiate. Tale capacità si mostrerà attraverso la scelta appropriata del processo per la realizzazione del prodotto con le specifiche di progetto e la valutazione dell’effetto dei parametri di processo sull’economia della lavorazione e sulle proprietà del prodotto realizzato. In particolare avrà sviluppato la capacità di definire un ciclo di lavorazione definendo i valori dei parametri di lavorazione e gli utensili e le attrezzature di lavorazione.

· Processi di assemblaggio e giunzione di tipo termico (saldatura, brasatura), meccanico (con e senza filettatura), chimico (incollaggi).
· Lavorazioni delle lamiere: taglio, piegatura, imbutitura, stampaggio
· Lavorazioni non convenzionali: mediante energia meccanica (lavorazioni con ultrasuoni, taglio con getto d’acqua, taglio con getto d’acqua abrasivo, taglio con getto abrasivo), mediante energia termica (fascio laser, fascio elettronico, plasma, taglio ad arco, ossitaglio), mediante energia elettrochimica/chimica (lavorazioni elettrochimiche, elettroerosione, lavorazioni chimiche), mediante tecniche additive.
· Metallurgia delle polveri: caratterizzazione e produzione di polveri metalliche, processi di pressatura e sinterizzazione. Additive Manufacturing
· Metrologia: dimensionale, geometrica, di superficie.
· Lavorazioni per asportazione di truciolo: tornitura, fresatura, foratura, rettifica. Forze di taglio (cerchio di Merchant). Principi di pianificazione e ottimizzazione del processo e della produzione. Fondamenti sulle linee di produzione e di assemblaggio. Robot industriali. Introduzione ai sistemi flessibili di lavorazione. Cicli di lavorazione. MUCNC
· Materiali polimerici e compositi

N.A.

• M.P. Groover, “Tecnologia meccanica”, Ed. Cittàstudi
• Gabrielli, Ippolito, Micari, Analisi e tecnologia delle lavorazioni meccaniche McGraw-Hill
• Dispense del docente

Obiettivo dell’insegnamento è quello di introdurre i concetti e le competenze base del management dei programmi spaziali, con particolare riferimento a: fasi di un programma spaziale, organizational charts, logistica, analisi di rischio, product assurance e management e integrazione dei 3 elementi di una missione spaziale: segmento spazio, segmento di terra e segmento di lancio.
I concetti presentati saranno sfruttati per sviluppare un progetto, in cui gli studenti, in gruppi, lavoreranno insieme su una specifica missione e svilupperanno una proposta.
Conoscenza e capacita' di comprensione: Il percorso formativo intende fornire agli studenti le conoscenze e gli strumenti metodologici di base necessari per il management di una missione spaziale. Tali strumenti consentiranno agli studenti di comprendere le connessione casuali tra le attività di una missione e le principali relazioni che sussistono tra le attività di ricerca e di sviluppo e di cogliere le implicazioni tra una buona pianificazione delle attività e lo svolgimento delle stesse.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di essere in grado di risolvere problemi concernenti lo sviluppo di una proposta di missione, dagli aspetti scientifici/tecnologici a quelli organizzativi e di pianificazione. Il percorso formativo è infatti orientato a trasmettere le capacità e gli strumenti metodologici e operativi necessari ad applicare concretamente le conoscenze nell’ambito delle missioni spaziali, consentendo allo studente di costruire una proposta di missione.

[6 CFU] concetti introduttivi di sistemi spaziali: orbite e parametri orbitali (GEO,LEO, MEO); architettura del satellite: principali componenti e sottosistemi, funzioni e interfacce, parametri di design, soluzioni technologiche, standard di design applicabili; ground segment: rete di stazioni di terra, telecomunicazioni, operazioni di missione; launch segment: lanciatori e interfacce, configurazione del lanciatore e parametri caratteristici, interfaccia con il satellite, sequenza di lancio e operazioni, caratteristcihe e soluzioni per il controllo d'assetto,
[3 CFU] Management di un programma spaziale: caratteristiche dei principali programmi spaziali sviluppati a livello internazionale (e.g. ESA e NASA), standard di management, metodologie di management di un programma spaziale, WBS e organizzazione di team e di programma, lyfecycle di programma e milestoned, SRL, TRL, marketing di un programma e relativi servizi e prodotti, management delle performance attese e dei margini, management di Assembly, Test &Integration, pianificazione e schedule, risk management, affidabilità economica e finanziaria, analisi di costo e criteri di riduzione di costo, esempi applicativi

il giudizio finale èformulato dalla commisione esaminatrice sulla base dei punteggi ottenuti dallo studente nella presentazione del progetto e nella successiva prova individuale.
La valutazione finale èassegnata ad ogni studente
è prevista una prova individuale di valutazione oltre alla discussione del progetto che viene fatta in gruppo

Slide del corso.
Libri: W. J. Larson and J. R. Wertz (Editor), Space Mission Analysis and Design, Springer-Verlag New York, Space Technology Library Series, 1999; Spagnulo M., Fleeter R., Balduccini M., Nasini
Space Program Management: Methods and Tools, Springer-Verlag New York, Space Technology Library Series, Vol.28, 2013; Ley, W., Wittmann, K., Hallmann, W., Editors, Handbook of Space Technology, Wiley, 2009, ISBN: 978-0-470-69739-9.

L’insegnamento si propone di rafforzare le capacità di analisi e interpretazione di fenomeni economico-gestionali complessi, nonché di sviluppare la capacità di supportare i processi decisionali attraverso un utilizzo corretto ed efficace dei dati. A tal fine, il corso introduce, dal punto di vista metodologico, tecniche e strumenti per lo sviluppo di analisi descrittive e prescrittive (descriptive e prescriptive analytics). Sul piano applicativo, approfondisce i principali ambiti economico-gestionali in cui tali approcci possono essere impiegati a supporto delle decisioni di business. Il percorso formativo combina contenuti teorici e applicazioni pratiche, anche mediante l’analisi di casi di studio reali.
Conoscenza e capacita' di comprensione: Lo studente dovrà dimostrare di conoscere gli aspetti metodologici e tecnici relativi alla progettazione di un efficace sistema di indicatori per la rappresentazione e l’interpretazione di fenomeni complessi. Dovrà inoltre conoscere i principali processi dell’ambito logistico-produttivo (approvvigionamento, gestione delle scorte, gestione della produzione e distribuzione) ed essere in grado di valutarne le performance mediante la definizione di metriche appropriate e coerenti con gli obiettivi aziendali (descriptive analytics). Infine, dovrà conoscere le principali leve decisionali associate a ciascuno di tali processi ed essere in grado di stimare, attraverso l'utilizzo di modelli quantitativi di supporto alle decisioni, l’impatto di possibili interventi sugli indicatori di prestazione individuati (prescriptive analytics).
Capacita' di applicare conoscenza e comprensione: Sulla base delle conoscenze acquisite, lo studente dovrà essere in grado di estrarre informazioni significative da grandi quantità di dati e di interpretarle in modo efficace per orientare le decisioni di business. A tal fine, lo studente dovrà essere in grado di progettare e sviluppare cruscotti gestionali per descrivere e monitorare efficacemente i processi aziendali. Dovrà inoltre essere in grado di utilizzare gli strumenti sviluppati per diagnosticare criticità da risolvere e valutare l’impatto di eventuali interventi correttivi da implementare (data-driven decision making).

Introduzione
Introduzione all’impiego dei data analytics a supporto dei processi decisionali aziendali.
Descriptive Analytics
Definizione e utilizzo dei Key Performance Indicators (KPIs) per la misurazione e il monitoraggio delle performance aziendali. Tecniche e strumenti di data visualization e reporting. Progettazione e sviluppo di cruscotti aziendali e dashboard mediante strumenti quali MS Excel e Power BI. Linee guida per la costruzione di indici compositi (selezione indicatori, riduzione dimensionalità, normalizzazione e aggregazione dei dati).
Prescriptive Analytics
Multi-Criteria Decision Making
I principali problemi multi-criteria: rating, ranking e classificazione. Metodi compensativi e non compensativi per la valutazione delle alternative decisionali: metodo della somma pesata, media geometrica, Electre, Promethee, Topsis e AHP.
Modelli di ottimizzazione
Modelli di programmazione matematica per la risoluzione di problemi decisionali complessi. Applicazione di tecniche di ottimizzazione mediante l’utilizzo di risolutori commerciali (MS Excel Solver e CPLEX).
Applicazioni di data-driven decision support in ambito business
Valutazione delle performance ESG - analisi degli standard ESG, delle principali metriche adottate e delle metodologie di rating.
Selezione dei fornitori: - Il problema dell’approvvigionamento. Definizione dei potenziali fornitori. Identificazione dei criteri di selezione. Metodi di selezione. ·
Localizzazione - principi generali e analisi di dati spaziali mediante sistemi informativi geografici (GIS). Metodi per la valutazione dell’accessibilità spaziale ( spatial analytics ). Modelli di localizzazione per il supporto alle decisioni.
Distribuzione - pianificazione dei percorsi e dimensionamento della flotta di veicoli. Applicazione di tecniche euristiche per la risoluzione di problemi di routing (Pyhton).
Gestione delle scorte - principi generali, indicatori di performance per il monitoraggio della gestione del magazzino e modelli di ottimizzazione delle scorte.

La prova orale è finalizzata a verificare la comprensione degli argomenti trattati, nonché la capacità dello studente di utilizzare in modo consapevole i metodi e gli strumenti approfonditi durante il corso.
Il progetto è finalizzato ad accertare la capacità degli studenti di applicare le tecniche e i metodi approfonditi durante il corso per affrontare problemi gestionali complessi applicati a casi di studio reali. In particolare, gli studenti dovranno essere in grado di analizzare il contesto di riferimento, definire opportuni indicatori per la valutazione della situazione attuale ( As-Is ), identificare eventuali criticità e proporre interventi migliorativi, valutandone l’impatto attraverso gli strumenti e gli approcci analitici acquisiti.

Materiale messo a disposizione dal docente (Articoli scientifici, presentazioni, dispense, registrazioni lezioni su argomenti selezionati). ·
Testi di approfondimento:
(i) Gianpaolo Ghiani, Gilbert Laporte, Roberto Musmanno. Introduzione alla gestione dei sistemi logistici. ISEDI. Terza Edizione
(ii) Giuseppe Bruno, Operations Management - Modelli e metodi per la logistica - III Edizione - ESI Napoli

L’insegnamento si propone di fornire la conoscenza delle principali strategie gestionali che favoriscono la transizione e lo sviluppo del sistema economico in accordo con i principi dell’economia circolare. Si valuterà l'evoluzione dai modelli economici lineari a quelli circolari, l'analisi dei vincoli ambientali e delle implicazioni sullo sviluppo sostenibile, oltre alla valutazione dell'impatto della sostenibilità lungo la supply chain. Verranno forniti metodi e strumenti di per la valutazione della sostenibilità di processi e prodotti industriali. Verrà inoltre valutata la catena del valore in ottica sostenibile e circolare, insieme al ruolo delle tecnologie, e analizzati casi di studio sulla gestione circolare delle risorse.
Conoscenza e capacita' di comprensione: Lo studente dovrà acquisire il lessico necessario a descrivere i fondamenti dell'Economia Circolare, dovrà dimostrare una conoscenza approfondita delle relazioni tra il sistema economico e l'ambiente, compresa l'evoluzione dal modello economico lineare a quello circolare. Lo studente dovrà inoltre conoscere i principali indicatori utilizzati per descrivere l'impatto ambientale dei prodotti e dei processi industriali, i principali modelli di business circolari, e le strategie di valorizzazione degli scarti per ogni fase della supply chain.
Capacita' di applicare conoscenza e comprensione: Sulla base delle conoscenze acquisite lo studente dovrà essere in grado di applicare con successo la metodologia dell'Analisi del Ciclo di Vita (LCA). Lo studente dovrà dimostrare di saper applicare i principi teorici e pratici volti a favorire la transizione verso un'economia circolare, analizzando e sviluppando modelli di business sostenibili e circolari. Sarà inoltre in grado di valutare la catena del valore considerando aspetti sostenibili e circolari, identificando e applicando strategie per migliorare la sostenibilità lungo la catena, eventualmente integrando le tecnologie abilitanti. Lo studente dovrà inoltre dimostrare di saper integrare i principi di sostenibilità nei modelli di business esistenti, dimostrando la capacità di applicare le conoscenze acquisite a situazioni pratiche.

Introduzione all’economia circolare: Relazioni tra sistema economico e ambiente. Evoluzione dal modello economico lineare "take-make-dispose" al modello circolare.
Identificazione e comprensione dei vincoli ambientali nel contesto economico. Implicazioni dei vincoli ambientali sullo sviluppo sostenibile.
Quadri normativi e regolatori relativi all'economia circolare e alla sostenibilità (internazionali e nazionali)
Impatto della Sostenibilità lungo la Supply Chain. Valutazione dell'impatto ambientale in tutte le fasi della supply chain. Integrazione della sostenibilità nei processi di produzione, distribuzione e consumo. Gestione del fine vita e valorizzazione degli scarti lungo la filiera, con particolare attenzione alle R-strategies e la simbiosi industriale
Anali del ciclo di vita e life cycle assessment: environmental life cycle assessment, life cycle costing, social life cycle assessment. Applicazioni pratiche della metodologia LCA.
Fondamenti teorici e pratici per favorire la transizione sostenibile e circolare: Analisi di sustainable business model e circular business models.
Analisi della Value Chain in Ottica Sostenibile e Circolare. Valutazione della catena del valore considerando gli aspetti sostenibili e circolari. Identificazione di opportunità per migliorare la sostenibilità lungo la catena del valore.
Il ruolo delle tecnologie abilitanti e digitali nella transizione verso l'economia circolare.
Casi di studio sulla gestione circolare delle risorse e integrazione dei principi di sostenibilità nei modelli di business esistenti.

La valutazione finale è costituita da una prova scritta, espressa in trentesimi, e dalla discussione del progetto sviluppato durante il corso. La discussione del progetto può attribuire fino a un massimo di 3 punti aggiuntivi rispetto al voto conseguito nella prova scritta.

• Peter Lacy, Jessica Long and Wesley Spindler. The Circular Economy Handbook, 2019.
• ISO standards
  Dispense ed altro materiale fornito dal docente e disponibile sul sito.

L'insegnamento si propone di fornire agli studenti conoscenze specialistiche sui metodi per il Controllo Statistico della Qualità e per la Progettazione statistica degli esperimenti, con riferimento alle applicazioni ingegneristiche. Al termine del corso lo studente sarà in grado di identificare, selezionare e implementare strategie di analisi dei dati per la valutazione, il monitoraggio e il miglioramento della qualità di prodotti e processi.
Conoscenza e capacita' di comprensione: Alla fine del corso lo studente dovrà dimostrare di conoscere i principali metodi statistici per il controllo e il miglioramento della qualità di prodotti e processi. Dovrà inoltre essere in grado di descrivere proprietà e caratteristiche delle metodologie studiate, riconoscerne le ipotesi di base, individuarne i contesti di utilizzo e discuterne i principali limiti applicativi.
Capacita' di applicare conoscenza e comprensione: Alla fine del corso lo studente dovrà dimostrare di saper applicare, con senso critico, strumenti statistici per il monitoraggio dei processi, la valutazione diagnostica della qualità e la pianificazione statistica di esperimenti finalizzati a individuare fattori di progetto e fattori di disturbo che incidono sulle prestazioni di un sistema. Lo studente dovrà saper selezionare e costruire strategie di analisi appropriate a specifici contesti applicativi, implementandole con software dedicati (Excel, Python) e interpretando in modo argomentato i risultati ottenuti su casi studio relativi alla valutazione e al monitoraggio della qualità.

1. Pianificazione statistica degli esperimenti e ANOVA (circa 2 CFU): principi del Design of Experiments (DoE), fattori di controllo e fattori di disturbo, analisi della varianza, interpretazione degli effetti e delle interazioni, progettazione robusta.
2. Controllo statistico di processo (circa 2 CFU): monitoraggio statistico dei processi, carte di controllo, individuazione di segnali di fuori controllo, interpretazione diagnostica delle cause speciali di variabilità.
3. Analisi di capacità di processo (circa 0,5 CFU): indici di capacità, valutazione della conformità dei processi rispetto alle specifiche, interpretazione dei risultati in ottica di miglioramento della qualità.
4. Metodi di Statistical Learning per il rilevamento delle anomalie (circa 1,5 CFU): impostazione del problema, preparazione dei dati, selezione e valutazione dei modelli, casi studio sviluppati mediante librerie Python.
5. Reti neurali e deep learning per la qualità predittiva (circa 1,5 CFU): elementi introduttivi, modelli per la valutazione predittiva della qualità, metriche di valutazione e casi studio mediante librerie Python.
6. Casi studio, esercitazioni e project work (circa 1,5 CFU): applicazione integrata delle metodologie studiate a dati reali o simulati, uso di Python, interpretazione e comunicazione dei risultati.

Il voto finale è formulato sulla base dell'elaborato progettuale (50%) e dell'adeguatezza delle risposte fornite dallo studente durante la prova orale (50%). L'elaborato valuta la capacità di impostare il problema, selezionare metodi appropriati, implementare l'analisi con software dedicati, interpretare i risultati e comunicarli in modo chiaro. La prova orale valuta la padronanza dei contenuti teorici, la capacità di collegare i diversi argomenti del corso e la consapevolezza dei contesti d'uso e dei limiti applicativi delle metodologie.

Testi di riferimento: Montgomery D.C., Statistical Quality Control: A Modern Introduction, 8th edition, Wiley, 2019; James, G., Witten, D., Hastie, T., & Tibshirani, R., An Introduction to Statistical Learning, Second Edition, Springer, 2021, ISBN 978-1-0716-1417, e-book ISBN 978-1-0716-1418-1. Eventuale materiale integrativo, dataset e script per esercitazioni e casi studio saranno resi disponibili durante il corso. Il programma è il medesimo per studenti frequentanti e non frequentanti.

Il corso intende fornire agli allievi le competenze necessarie per operare nel settore delle tecnologie per l’uso razionale ed ecocompatibile delle risorse energetiche convenzionali e rinnovabili (energy management), con riferimento ad aspetti sia tecnico-ingegneristici che normativi ed economico-finanziari. Lo studente deve acquisire conoscenze e capacità di comprensione in merito a: i) previsione e analisi dei fabbisogni energetici di utenze civili e industriali; ii) misura e analisi delle prestazioni di sistemi energetici; iii) tecnologie e soluzioni per l’efficienza energetica; iv) ingegneria delle fonti rinnovabili di energia.
Conoscenza e capacita' di comprensione: Lo studente conoscerà approfonditamente le principali tecnologie di conversione dell’energia sia rinnovabile che non rinnovabile, nonché le metodologie per la valutazione del loro impatto energetico, economico ed ambientale. Egli acquisirà le conoscenze e gli strumenti metodologici approfonditi per lo sviluppo di analisi energetiche, economiche ed ambientali relative a possibili interventi di efficientamento energetico di utenze civili ed industriali.
Capacita' di applicare conoscenza e comprensione: Lo studente sarà in grado di sviluppare confronti energetici, economici ed ambientali fra sistemi di riferimento e possibili sistemi proposti. Sarà in grado di valutare l’applicabilità di tecnologie innovative, con particolare riferimento alle rinnovabili, e di calcolare i principali indici di redditività economica dell’investimento, nonché il risparmio di energia primaria e di emissioni di gas climalteranti. Lo studente sarà in grado di realizzare tali analisi considerando il quadro attuale sia normativo che tariffario del mercato dell’energia.

1) Introduzione - Classificazione, disponibilità ed impatto ambientale delle fonti energetiche; politiche per il contrasto ai cambiamenti climatici, lo sviluppo delle fonti rinnovabili e l’efficienza energetica. 2) Quadro normativo e tariffario - Introduzione ai mercati dell’energia elettrica, del gas naturale e dell’efficienza energetica: struttura del mercato, componenti delle tariffe, esempi di calcolo e verifica delle fatture; cenni ai mercati dell’efficienza energetica e dei permessi di emissione; cenni alle normative per l’incentivazione dell’efficienza energetica, lo sviluppo delle fonti rinnovabili e ad altri strumenti operativi a supporto dell’efficienza energetica. 3) Efficienza energetica negli usi finali- Principio di funzionamento, caratteristiche funzionali, criteri progettuali e analisi di fattibilità tecnico - economica di sistemi, tecnologie e interventi per l’efficienza energetica: generatori di calore; pompe di calore e macchine frigorifere elettriche e ad assorbimento; sistemi di cogenerazione. 4) Fonti rinnovabili - Principio di funzionamento, caratteristiche funzionali, criteri progettuali e analisi di fattibilità tecnico - economica di impianti alimentati da fonte rinnovabile: solare termico, fotovoltaico, solare termodinamico; energia eolica; biomasse e biogas; geotermia; idroelettrico. 5) Cenni su risparmio energetico negli edifici.

Lo studente deve essere in grado di identificare le tecnologie idonee a migliorare l’efficienza energetica e di valutarne con accuratezza la redditività economica, nonché il risparmio energetico ed in termini di emissioni di gas climalteranti. L’esame finale prevede una prova scritta ed una prova orale aventi lo stesso peso. Nella parte numerica (prova scritta) si sviluppano analisi di fattibilità relative a possibili interventi di efficientamento energetico. Nella parte orale, invece, si verifica la comprensione delle tecnologie per la conversione dell’energia e del mercato dell’energia. E’ prevista una prova intercorso, che si terrà circa a metà del corso, il cui superamento esonera da una parte della prova scritta, ovvero quella parte concernente gli argomenti del corso trattati fino allo svolgimento della prova intercorso. L’esame finale prevede una prova scritta ed una prova orale aventi lo stesso peso. Il superamento della prova scritta è vincolante ai fini dell’accesso alla prova orale.

Il materiale didattico (sia testi di teoria che esercizi numerici) è fornito dal docente tramite canale TEAMS o web docenti.

Sviluppare la capacità della gestione dei “collegamenti laterali” delle strutture organizzative,
attraverso l’acquisizione delle conoscenze relative alla gestione “per progetti” e “per processi”
nelle organizzazioni. Acquisire la conoscenza dei diversi approcci alla gestione per progetti nelle
organizzazioni e la capacità di selezionare l’approccio appropriato alla luce delle specificità del
progetto, del contesto organizzativo e del contesto ambientale in cui opera l’impresa. Acquisire la
conoscenza del Business Process Management come sistema di gestione necessario per fare in
modo che la gestione per processi possa contribuire alla creazione di valore ed al rafforzamento
della competitività aziendale. Acquisire la capacità di applicazione delle principali tecniche di
Project Management.
Conoscenza e capacita' di comprensione: Conoscenza e capacità di comprensione
Lo studente dovrà dimostrare di conoscere: i diversi approcci alla gestione per progetti nelle
organizzazioni i processi di programmazione e monitoraggio dei progetti le origini e le finalità del
Business Process Management le tecniche per la mappatura, l'analisi e la progettazione dei
processi aziendali i sistemi di Key Performance Indicators dei processi aziendali
Capacita' di applicare conoscenza e comprensione: Capacità di applicare conoscenza e comprensione
Al termine del percorso formativo lo studente dovrà dimostrare di aver acquisito le seguenti
capacità di applicazione delle conoscenze: mappatura dei processi aziendali analisi delle criticità
dei processi riprogettazione dei processi selezione del sistema di Key Performance Indicators per
il monitoraggio dei processi programmazione e monitoraggio dei progetti

Le leve di intervento sull’organizzazione per facilitare l’innovazione la creazione di valore. I
collegamenti laterali per la gestione delle interdipendenze dei settori aziendali: gestione “per
progetti” e “per processi”. Il progetto –Tipologie di progetti e criteri per la loro classificazione - Gli
obiettivi del progetto –Le finalità del progetto e la valutazione del successo del progetto -I diversi
approcci al Project Management ed i criteri per la loro scelta - Il concetto di ciclo di vita del
progetto - I processi per la gestione delle fasi del ciclo di vita del progetto- Il piano di progetto La
selezione delle idee progettuali –Il processo di Avvio –L’identificazione e la gestione degli
Stakeholder –La definizione dell’ambito del progetto –La costruzione della Workbreakdown
Structure e la definizione dell’organizzazione di progetto –La stima della durata e dei costi delle
attività –La schedulazione –La gestione dei rischi –Il monitoraggio del progetto, L’orientamento
culturale ai progetti delle organizzazioni - Il Project Manager e le sue competenze- La collocazione
del Project Manager nell’organigramma aziendale, La “visione per processi” nelle organizzazioni
–Le origini della visione per processi nella letteratura –Dal Business Process Reengineering al
Business Process Management (BPM), I sistemi per la mappatura, la progettazione e la
valutazione dei processi, La “readiness” del sistema organizzativo verso il BPM: l’adeguamento
della variabili “hard” e “soft”, Il ruolo del BPM per il successo della Trasformazione Digitale nel
manufacturing e per l’efficacia della digitalizzazione dei servizi

Per quanto riguarda l'elaborato progettuale: utilizzo appropriato delle tecniche di project e process
management
Per quanto riguarda il colloquio orale: appropriatezza nel linguaggio e nell'uso di termini tecnici,
capacità di sintesi e di collegamento tra i diversi argomenti, capacità di analisi critica

“Project Management: principi, metodi ed applicazioni” (di Guido Capaldo ed Antonello Volpe),
Mac-Graw Hill, 2021
“Il Business Process Management: Gestire i processi aziendali con un approcco olistico per creare
valore e facilitare la trasformazione digitale” (di Guido Capaldo), Franco Angeli, 2020
Casi di studio, esercizi ed ulteriori materiali didattici, pubblicati nel sito docente

Lo studente sarà formato sui metodi di gestione centralizzata dei dati di prodotto e dei prototipi virtuali e sull’uso dei moderni strumenti informatici di progettazione collaborativa, revisione critica del progetto e di gestione del ciclo di vita documentale che consentono di ridurre le attività a non valore aggiunto e i tempi di sviluppo prodotto. Particolare spazio èdedicato ai metodi strutturati di sviluppo prodotto focalizzati sulla riutilizzabilità, la manutenibilità, la trasferibilità, la tracciabilità e la qualità del dato digitale, nonché alla cattura dei requisiti funzionali del prodotto attraverso parametri. L’allievo sarà inoltre formato sull’utilizzo dei moderni software CAD basati su caratteristiche parametriche per realizzare prototipi virtuali di prodotto ed effettuare analisi numeriche su di essi, seguendo le norme e la buona prassi tecnica del settore. Infine, l’allievo acquisirà la capacità di generare parte della documentazione tecnica di prodotto a partire dai modelli digitali attraverso sistemi associativi e tabelle di progetto, con particolare riferimento alla distinta base tecnica e ai disegni tecnici.
Conoscenza e capacita' di comprensione: Lo studente dovrà dimostrare di conoscere il concetto di ciclo di vita del prodotto e del ruolo degli strumenti informatici in ogni sua fase. Dimostrerà di comprendere il concetto di struttura di prodotto, codice articolo e di gestione del ciclo documentale. Dovrà conoscere il concetto di sistema di gestione della qualità e dei dati di prodotto. Dovrà conoscere le metodologie di gestione delle modifiche e dei documenti secondo le principali norme tecniche. Dovrà conoscere le tecniche di modellazione geometrica assistita dal calcolatore e analisi del prototipo virtuale. Dovrà comprendere il concetto di riusabilità del dato digitale in tutto il ciclo di vita del prodotto.
Capacita' di applicare conoscenza e comprensione: Lo studente dovrà dimostrare di aver acquisito la capacità di creare modelli geometrici digitali di prodotto sulla base di requisiti e specifiche iniziali. Dovrà saper individuare parametri che governano il progetto del prodotto in base ai requisiti dati e le relazioni funzionali fra i suoi componenti. Dovrà inoltre essere capace di realizzare tabelle di progetto basate su parametri e generare una distinta base tecnica e disegni tecnici a partire dal prototipo digitale del prodotto. Lo studente dimostrerà di saper integrare nel prodotto elementi unificati e di libreria e di avere familiarità con gli strumenti di analisi del prototipo digitale, anche in termini di interferenze e qualità dei dati. Infine dimostrerà di saper generare correttamente la documentazione tecnica corrispondente ai modelli digitali secondo le buone prassi del settore e le norme tecniche internazionali

[3 CFU] Concetto di prototipo virtuale e suo ruolo nel ciclo di sviluppo prodotto. Metodi di modellazione assistita dal calcolatore. Modelli solidi, modelli per superfici, modelli ibridi. Modellazione solida basata su caratteristiche (feature-based). Geometrie e riferimenti. Schizzi e profili. Profili isovincolati. Rappresentazione assistita dal calcolatore di geometrie nominali. Struttura di prodotto: parti, componenti, assiemi. Integrazione del prodotto assistita dal calcolatore e vincoli di assieme. Gestione del salvataggio. Principi di corretta modellazione e manutenibilità del dato. Integrazione di elementi di libreria. [3CFU] Metodi strutturati per la progettazione di prodotto: dai bisogni del cliente alla generazione e selezione dei concept di prodotto. Progettazione parametrica e varianti di prodotto. Configurazione di prodotto e tabelle di progetto. Associatività e gestione centralizzata delle modifiche. Codici articolo e distinta componenti. Distinta base tecnica e di produzione. Generazione di disegni e documentazione tecnica di prodotto a partire da modelli CAD. [3CFU] Definizione di PLM e modello operativo. Strumenti del PLM: CAD, PDM, CAM, QMS. Implementazione del PLM nell'industria: dalla gestione dei requisiti al ritiro del prodotto. Norme tecniche. Sistema di gestione della qualità. Gestione centralizzata dei dati di prodotto. Sistemi di gestione delle modifiche. Ciclo di vita documentale. Concetto di iterazione, revisione e versione. Analisi dei requisiti e specifiche di prodotto basate su prototipo digitale. Gestione della configurazione. Tecniche di realtà virtuale per la revisione di progetto. Analisi del prototipo digitale assistita dal calcolatore. Legame fra CAD e CAM. Simulazione dei processi di produzione assistita da dal calcolatore.

Tutti gli allievi svolgono un attività progettuale al calcolatore, che è vincolante per l’accesso all’orale. Tutti gli allievi discutono la prova per verificare gli errori e giustificare le scelte effettuate. I requisiti minimi di preparazione richiesti per il superamento dell’esame fanno riferimento alla capacità di realizzare modelli geometrici digitali parametrici e generare la relativa documentazione tecnica secondo le buone prassi tecniche e gli standard internazionali. Gli allievi possono utilizzare il libro di testo, i manuali o le raccolte di norme per svolgere la prova al calcolatore. Gli allievi con DSA o altre disabilità possono utilizzare il materiale didattico di supporto, come tavole sinottiche e dispositivi multimediali, di aiuto nel loro percorso di apprendimento.

Fundamentals of Solid Modeling and Graphic Communication by Gary Robert Bertoline, Nathan W. Hartman and William A. Ross
Product Design and Development by Karl Ulrich, Steven Eppinger and Maria C. Yang, 7th Edition
Antti Saaksvuori, Anselmi Immonen, Product Lifecycle management, Springer Berlin –Heidelberg
John Stark, Product Lifecycle Management, Springer
Manuali dei software utilizzati
Note fornite dal docente

L'obiettivo del corso è quello di fornire conoscenze specialistiche relativamente ai sistemi avanzati manifatturieri che prevedono l'integrazione, all'interno di uno stabilimento produttivo, di macchine utensili a controllo numerico, di sistemi automatici e robotizzati per la movimentazione dei manufatti nonché delle macchine di misura a coordinate per il controllo dimensionale. Saranno forniti strumenti analitici e numerici per la previsione degli indici di prestazione dei sistemi manufatturieri.
Conoscenza e capacita' di comprensione: Acquisire conoscenze specialistiche sui sistemi avanzati di produzione (sistemi FMS e RMS), sui sistemi automatici di misura e di manipolazione. Acquisire conoscenze specialistiche nella valutazione delle prestazioni dei sistemi produttivi con metodi analitici (modelli di sistemi produttivi a file di attesa, sistemi a reti di code) e metodi numerici (sistemi ad eventi discreti) utilizzando software specifici.
Capacita' di applicare conoscenza e comprensione: Acquisire conoscenze specialistiche sui sistemi avanzati di produzione (sistemi FMS e RMS), sui sistemi automatici di misura e di manipolazione. Acquisire conoscenze specialistiche nella valutazione delle prestazioni dei sistemi produttivi con metodi analitici (modelli di sistemi produttivi a file di attesa, sistemi a reti di code) e metodi numerici (sistemi ad eventi discreti) utilizzando software specifici.

Elementi di automazione della produzione : Introduzione ai sistemi di produzione. Componenti di un sistema automatizzato. Tipologie di sistemi di controllo. Componenti hardware dell’automazione (sensori, attuatori, interfacce, controllori di processo). 1CFU Group Technology : Le famiglie di pezzi, la codifica e la classificazione delle famiglie di pezzi. La pianificazione dei processi produttivi: le problematiche dei sistemi CAPP, l’approccio variante, l’approccio generativo. 0.5 CFU I robot industriali e i sistemi di movimentazione : Strutture e caratteristiche, impieghi dei robot, unità di governo e programmazione assistita, integrazione con l’ambiente esterno. 0.5 CFU Le macchine di misura a controllo numerico : Strutture e caratteristiche delle macchine di misura, software per macchine di misura, laboratorio CMM, reverse engineering per la metrologia e l’additive manufacturing. 1CFU Sistemi avanzati di lavorazione : Classificazione. Sistemi di lavorazione a stazione singola e linee di produzione. Sistemi flessibili di lavorazione (FMS) - Sistemi riconfigurabili di lavorazione (RMS). Introduzione all’Industria 4.0. 2.5CFU Valutazione degli indici di prestazione di un sistema produttivo : Allocazione statica delle risorse. Modelli dei sistemi produttivi con file di attesa e con reti di code. Simulazione ad eventi discreti dei sistemi di lavorazione. 2.5 CFU Utilizzo di software di simulazione ad eventi discreti . 1 CFU

Sarà valutato il progetto di simulazione di un sistema di produzione e il compito scritto a risposta libera. L'orale sarà scelto per eventuale integrazione o conferma del voto

• Santochi, Giusti - Tecnologia meccanica e studi di fabbricazione, Casa Editrice Ambrosiana - M.P. Groover, Automation, Production Systems, and Computer-Integrated Manufacturing, Fourth Edition, Global Edition - Appunti delle lezioni - Tecnomatix Plant Simulation User Guide

L’insegnamento si propone di fornire agli studenti la conoscenza specialistica dei principi dell'apprendimento automatico, con un focus sugli algoritmi non supervisionati e alcuni supervisionati, per scopi di clustering e classificazione, rispettivamente.
Al termine del corso gli studenti saranno in grado di effettuare una “cluster analysis”: sapranno scegliere la configurazione ottimale dell’algoritmo, eseguire l’analisi e interpretarne i risultati. Inoltre, saranno capaci di confrontare i risultati di diversi algoritmi affidandosi alle più comuni misure di validazione.
Lo studio teorico sarà strettamente legato alle applicazioni pratiche attraverso l’introduzione al linguaggio R per l’analisi statistica dei dati di misura e alle sue librerie più diffuse, per fornire la capacità di risolvere in autonomia problemi relativamente complessi legati alle metodologie apprese durante le lezioni frontali.
Un elemento fortemente caratterizzante dell'insegnamento è lo sviluppo di un progetto sperimentale durante il quale gli studenti effettueranno “cluster analysis” su dati reali, al termine del quale acquisiranno la conoscenza della struttura nascosta dei dati e valuteranno similarità e dissimilarità fra le osservazioni di un fenomeno per imparare come agire in futuro in situazioni analoghe.
Conoscenza e capacita' di comprensione: Lo studente deve dimostrare di conoscere le caratteristiche principali delle tecniche di machine learning per l'analisi dei dati, di conoscere i criteri per la scelta dell’algoritmo con cui effettuare una analisi di cluster o di regressione/classificazione, avendo piena conoscenza di vantaggi e svantaggi e dei limiti di applicabilità.
Egli deve dimostrare di sapere descrivere le finalità degli algoritmi e il loro funzionamento, e di saper sviluppare un ragionamento per determinare come effettuare la scelta, confrontando i risultati di algoritmi diversi mettendoli in relazione alle scelte effettuate.
Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di saper formalizzare e risolvere un problema di clustering o classificazione, potenzialmente in tutti gli ambiti tipici dell’ingegneria. Attraverso uno studio iniziale del problema, e grazie alla conoscenza metodologica acquisita, egli deve dimostrare di sapere effettuare le scelte su quale algoritmo sia più opportuno applicare in base alle informazioni note; deve saper esprimere un giudizio sui risultati dell’applicazione e deve saper rielaborare le proprie scelte in funzione dei risultati. Egli deve saper trasmettere in modo formale i suoi ragionamenti e fornire un’analisi critica dei risultati mediante la redazione di documento che illustri ambito applicativo, metodologie, criticità, modalità operative e commenti ai risultati.

Introduzione al corso: definizione di Machine Learning. Classi di algoritmi di Machine Learning: non supervisionato (clustering e riduzione della dimensionalità), supervisionato (regressione e classificazione).
Cluster Analysis: finalità e problematiche. L’algoritmo del kmeans: spiegazione, problematiche, vantaggi e svantaggi; scelta del numero ottimale di cluster: elbow curve. Problemi di scalatura. Clustering gerarchico: approccio agglomerativo e divisivo. Definizione di linkage: complete, single, avarage, centroid e il metodo di Ward. Vantaggi e svantaggi dei metodi di linkage. Formula di Lance & Williams. DBSCAN: definizione di: core, border e noise point; eps e minPts; metodi per la scelta dei valori di minPts ed eps (grafico k-distance); problematiche con cluster di densità diversa. Esempi di applicazione del kmeans, algoritmo gerarchico e del DBSCAN.
Validazione dei cluster: problematiche connesse. Indici di validità non supervisionati: coesione e separazione; rappresentazione della coesione basata su grafi e su prototipi; valutazione dei singoli punti, singoli cluster e clusterizzazione complessiva: l’ampiezza della silhouette. Applicazione della silhouette analysis sugli algoritmi di kmeans, hclust e DBSCAN. Correlazione tra la matrice di similarità ideale ed attuale (metodo numerico) e validazione visiva (heatmap). Validazione non supervisionata del clustering gerarchico: matrice di distanza cofenetica e coefficiente di correlazione cofenetica. Cluster tendency: statistica di Hopkins. Misure di validità supervisionate: misure orientate alla classificazione e alla similarità. Misure orientate lla classificazione: entropia, purezza, precisione, recall, F-measure con esempi di applicazioni. Misure orientate alla similarità: correlazione tra matrici di similarità ideale dei cluster e matrici di similarità ideale delle classi; statistica di Rand e coefficiente di Jaccard. Validazione del clustering gerarchico. Valutazione della significatività di una misura di validità.
Machine Learning supervisionato: regressione, classificazione e differenze tra le due. Training e testing per la scelta del modello migliore. Overlearning nella classificazione: esempi con il KNN; training e testing per scegliere il miglior k in base all’accuratezza. Il validation-set approach per valutare le prestazioni del modello. Cross-validation: Leave-P-Out, Leave-One-Out, K-Fold, Repeated k-Fold cross validation. Accuratezza e Kappa come metriche per la scelta del K ottimale. Classificatore Naive Bayes per i dati categorici. Il linguaggio di programmazione R: tipi di dati, dataframes, definizione di funzione, libreria tidyverse, implementazione di algoritmi di clustering e di misure di validità.

50% elaborato progettuale; 50% orale

1) “An Introduction to Statistical Learning with Applications in R”, G. James, D. Witten, T. Hastie, R. Tibshirani, Springer
2) “Introduction to Data Mining”, Pang-Ning Tan, Michael Steinbach, Anuj Karpatne, Vipin Kumar, Pearson
3) Dispense del corso disponibili presso il docente e online.

Il corso punta a favorire il rafforzamento di una cultura orientata al problem solving.
I contenuti del corso possono essere concettualmente suddivisi in tre parti.
Nella prima parte si introducono gli argomenti fondamentali relativi alla pianificazione e gestione delle Supply Chain, con l'obiettivo di assumere la terminologia, linguaggio e strumenti di analisi.
Nella seconda parte, si approfondiscono aspetti relativi a metodologie di ottimizzazione al fine di applicarle alla risoluzione dei principali problemi di pianificazione e gestione delle supply chain.
L'utilizzazione di strumenti software e l'analisi di casi di studio reali consentiranno di acquisire una consapevolezza della complessità e degli approcci più appropriati per la risoluzione di problemi
Conoscenza e capacita' di comprensione: Gli studenti acquisiranno una capacità di modellizzazione di problematiche legate alla logistica, imparando a riconoscerne la complessità. Quindi saranno in grado di individuare e progettare le metodologie più appropriate per la loro risoluzione in funzione della diversa complessità dei problemi. Saranno inoltre illustrati alcuni software di ottimizzazione per la risoluzione dei modelli formulati.
Capacita' di applicare conoscenza e comprensione: Le conoscenza acquisite relative alla modellizzazione, alle tecniche di risoluzione ed agli strumenti software saranno applicate per la risoluzione di problemi logistici di diversa complessità.

Generalità sui sistemi di produzione. Pianificazione a breve, medio e lungo termine. Logistica inbound e outbound. Supply Chain Management. Analisi e descrizione di una Supply Chain. Indicatori di performance. Approcci per la risoluzione di problemi di Supply Chain Management. Il modello hub and spoke.
La gestione delle scorte: definizioni fondamentali, indicatori di prestazione, strumenti di classificazione. Modelli deterministici e in caso di incertezza. Decentralizzazione e duplicazione delle scorte. Effetto Bullwhip.
Generalità sui problemi di ottimizzazione combinatoria. Elementi di complessità. Metodi esatti ed euristici. Algoritmi costruttivi ed algoritmi migliorativi. Algoritmi Genetici. Cenni sulle problematiche relative all’analisi multicriteria.
I problemi di localizzazione: generalità e classificazione. Problemi di copertura (set covering, maximal covering) e problemi di efficienza (plant location e p-mediana).
La schedulazione ottimale dei processi: definizioni fondamentali, classificazione degli obiettivi e dei problemi, la notazione di Graham. Problemi statici e dinamici su macchina singola. Il sequenziamento ottimale. Problemi statici su macchine parallele. I problemi multifase: Flow Shop e Job Shop.
I problemi di routing: i modelli del TSP e del VRP. Algoritmi costruttivi: il nearest neighbour, gli algoritmi di inserimento, l’algoritmo di saving, metodi cluster first-route second e route first-cluster second. Problemi con vincoli temporali e di capacità.
Uso pacchetti software per la risoluzione dei problemi.
I sistemi informativi geografici (GIS) per il supporto alla modellizzazione.
Il programma dettagliato fa riferimento ai capitoli ed ai paragrafi del volume "Operations
Management - Modelli e metodi per la logistica" -III Edizione - ESI Napoli
Capitolo I: I sistemi di produzione: Tutto
Capitolo II: Metodi per la risoluzione di problemi di ottimizzazione: Tutto escluso 2.5, 2.6
Capitolo IV: La localizzazione di servizi ed il progetto di reti: Tutto escluso modello 4.5, 4.8.
Capitolo V: La gestione delle scorte: Tutto escluso 5.7.1, 5.7.3, 5.7.4, 5.8.1
Capitolo VI: Problemi di scheduling: Tutto escluso “approccio bottleneck” in 6.7.2, 6.7.3, 6.8
Capitolo VII: I problemi di routing: Tutto
Appendici: Tutte

Agli studenti èconsentito scegliere tra due diverse modalità di esame:

• Sviluppo di lavori di gruppo da svolgere durante il corso e verifica finale orale sugli argomenti inclusi nel programma
• Prova scritta e verifica orale sugli argomenti inclusi nel programma
  La prova scritta, della durata di 2h, consiste nella risposta ad alcuni quesiti numerici e sulla teoria relativi ad argomenti che fanno parte del programma e che sono stati trattati all’interno del corso.
  La prova orale seguirà di qualche giorno la prova scritta.
  La prova orale consiste nella verifica dell'apprendimento deiìgli aspetti teorici e metodologici
  La valutazione finale tiene conto della padronanza nell'acquisizione dei contenuti teorici e metodologici, nella capacità autonoma di risoluzione di problemi, della qualità dell'esposizione degli argomenti trattati nelle prove.

Giuseppe Bruno, Operations Management - Modelli e metodi per la logistica - III Edizione - ESI Napoli
William J. Stevenson, Operations management - XII Edizione Mc Graw-Hill
Paolo Brandimarte, Giulio Zotteri, Logistica di distribuzione, CLUT, Torino
Slides delle lezioni

Il corso ha l’obiettivo di ampliare e approfondire le conoscenze modellistiche ed algoritmiche necessarie per affrontare l’analisi di sistemi gestionali e risolvere problemi reali, di tipo strategico, tattico e operativo, nei settori della logistica, della produzione industriale, della ICT ed in generale dei sistemi su rete. Il corso prevede inoltre l’uso di ambienti software di ottimizzazione e/o data science nelle diverse fasi di studio di un problema, dalla acquisizione ed elaborazione dei dati alla soluzione del modello formulato, all’analisi dei risultati ottenuti. I metodi e gli strumenti software presentati costituiscono elementi fondamentali di un approccio problem solving finalizzato alla definizione di un sistema di supporto alle decisioni per sistemi di produzione di beni e servizi.
Conoscenza e capacita' di comprensione: Il corso ha l’obiettivo di ampliare e approfondire le conoscenze modellistiche ed algoritmiche necessarie per affrontare l’analisi di sistemi gestionali e risolvere problemi reali, di tipo atrategico, tattico e operativo, nei settori della logistica, della produzione industriale, della ICT ed in generale dei sistemi su rete. Il corso prevede inoltre l’uso di ambienti software di ottimizzazione e/o data science nelle diverse fasi di studio di un problema, dalla acquisizione ed elaborazione dei dati alla soluzione del modello formulato, all’analisi dei risultati ottenuti. I metodi e gli strumenti software presentati costituiscono elementi fondamentali di un approccio problem solving finalizzato alla definizione di un sistema di supporto alle decisioni per sistemi di produzione di beni e servizi.
Capacita' di applicare conoscenza e comprensione: Il percorso formativo ha l’obiettivo di fornire agli studenti tecniche avanzante di problem solving, basate su programmazione matematica e su algoritmi di ottimizzazione combinatoria e su rete, per la modellazione e risoluzione esatta/approssimata (tramite algoritmi euristici) di problemi ingegneristici emergenti nei sistemi gestionali di una supply chain e nella gestione di sistemi di produzione/distribuzione di beni e servizi (pianificazione della produzione, gestione delle scorte, schedulazione, distribuzione, dimensionamento, etc.). Lo studente deve dimostrare di aver acquisito gli strumenti necessari a formulare autonomamente un problema decisionale mediante un modello di programmazione matematica, individuando funzione obiettivo, variabili decisionali e vincoli del sistema oggetto di studio. Lo studente deve inoltre essere in grado di comprendere la complessità di un problema e i livelli decisionali coinvolti, al fine di individuare la migliore strategia risolutiva (esatta o approssimata) per un problema decisionale. Infine, lo studente deve dimostrare di saper interpretare i risultati ottenuti in relazione alle condizioni di funzionamento del sistema.

Concetti fondamentali di modellazione e formulazione di problemi di ottimizzazione lineare, lineare intera e su rete, con esercizi applicativi di modellazione.
Tecniche standard per la formulazione di problemi di programmazione lineare mista-intera e modellazione di problemi decisionali riconducibili a problemi di covering, partitioning e packing.
Problemi di ottimizzazione combinatoria e metodi euristici ed approssimati per la loro risoluzione: euristiche greedy, euristiche di ricerca locale e tabu search, algoritmi naturali.
Progettazione e gestione di sistemi su rete: modelli e metodi per problemi di routing, flusso single e multi-commodity, localizzazione, clustering e network design.
Project e resource management: tecniche reticolari di programmazione e controllo, modelli e metodi per lo scheduling delle attività, la gestione delle risorse e la turnazione del personale.
Programmazione multi-obiettivo: definizione della frontiera di Pareto e algoritmi risolutivi basati su approcci a priori, a posteriori e interattivi.
Metodi di ottimizzazione in condizioni di incertezza: programmazione stocastica, programmazione con ricorso e programmazione basata su scenari.
Utilizzo di software di ottimizzazione in ambiente Python per la risoluzione dei problemi decisionali affrontati e l’analisi di use cases ricavati dalla letteratura tramite approccio problem solving.

La prova scritta è volta a verificare l’acquisizione da parte dello studente dei concetti e delle tecniche di problem solving illustrate durante il corso, attraverso la modellazione di semplici problemi di ottimizzazione e la descrizione di approcci euristici per la loro soluzione.
L’esame prevede, inoltre, lo svolgimento di un elaborato progettuale in cui lo studente deve analizzare e risolvere un caso di studio descritto in letteratura. L’approccio sviluppato deve essere implementato in un software di ottimizzazione usato durante il corso. L’elaborato progettuale viene assegnato allo studente prima della fine del corso e dovrà essere consegnato prima della sua discussione.
Il superamento della prova scritta è vincolante ai fini dell’accesso alla discussione dell'elaborato progettuale.
L’elaborato progettuale e la prova scritta contribuiscono ognuna per il 50% della valutazione finale.

• Korte, B., &Vygen, J. (2011). Ottimizzazione Combinatoria. Springer.
• A. Sforza, Modelli e Metodi della Ricerca Operativa, 3a ed., ESI, Napoli.

I contenuti scientifico-disciplinari del corso sono finalizzati alla comprensione dei fenomeni legati al trasporto delle merci; alla conoscenza delle prestazioni di componenti ed impianti dei sistemi di trasporto merci; alla configurazione del miglior sistema di trasporto merci sotto gli aspetti tecnologici, funzionali, economici, finanziari, territoriali, ambientali, con attenzione anche alla gestione ed all'esercizio. Obiettivo primario del corso èquindi acquisire conoscenze approfondite sulle componenti e sulle relazioni del sistema di trasporto merci, lato offerta e lato domanda; sviluppare capacità di analisi delle interazioni tra trasporto merci e logistica; identificare le principali esigenze progettuali e di pianificazione di settore; acquisire alcuni strumenti rilevanti di analisi e progettazione quantitativa.
Conoscenza e capacita' di comprensione: Conoscenza approfondita degli aspetti trasportistici, economici, normativi e organizzativi dei sistemi di trasporto merci. Conoscenza del mercato dei servizi di trasporto merci e delle relazioni con gli aspetti di logistica e produzione. Conoscenza degli aspetti di pianificazione e governance dei nodi e dei sistemi di trasporto merci e logistica a scala urbana, regionale, nazionale e internazionale.
Capacita' di applicare conoscenza e comprensione: Capacità di intervenire sui processi operativi delle imprese di trasporto merci e logistica e dei gestori dei nodi merci (porti, interporti, terminali). Capacità di sviluppare modelli e analisi per la pianificazione e la governance di sistemi di trasporto merci e logistica a scala urbana, regionale, nazionale, internazionale. Capacità di condurre studi di fattibilità/business plan di servizi di trasporto merci e logistica, e di analisi di sistemi di trasporto merci sostenibili e basati su tecnologie di nuova generazione.

Il corso si articola in quattro parti fondamentali:

• la prima èfinalizzata all’acquisizione delle conoscenze di base e di alcune dinamiche generali della logistica e di supply chain management. Saranno approfondite in particolare le interazioni tra logistica e trasporto merci, le relazioni tra i due piani decisionali e sarà studiato in dettaglio il mercato dell’offerta di servizi di trasporto merci e logistica.
• la seconda descrive in dettaglio il sistema di offerta di trasporto merci in termini materiali (veicoli, infrastrutture, impianti, tecnologie, …) e immateriali (normative, regolamenti, costi e tariffe, regolazione dei mercati, …) con un’analisi per modo di trasporto (stradale, marittimo, ferroviario, aereo, navigazione interna) e con approfondimenti specifici sull’intermodalità. Una parte specifica sarà dedicata all’analisi dei terminali merci (porti, interporti, centri logistici, …).
• la terza parte analizza la domanda di trasporto merci in termini di caratteristiche, tendenze evolutive, fonti dati per la caratterizzazione del fenomeno a livello nazionale e internazionale.
• la quarta parte introduce alcuni principali metodi quantitativi di progettazione e pianificazione di sistemi di trasporto merci, e propone esempi applicativi a varie scale territoriali in prospettiva sia progettuale nell’ottica del privato sia pianificatoria/di governance nell’ottica del pubblico.
  Il corso prevede anche visite guidate a strutture rilevanti del trasporto merci in Campania (porti di Napoli e Salerno, interporti di Nola e Marcianise), e seminari di approfondimento su alcune tematiche rilevanti (distribuzione urbana delle merci, relazione trasporti/economia, …).

Sarà valutata nel colloquio orale di esame la padronanza dei metodi e degli strumenti illustrati durante il corso, e la capacità di applicarli a casi reali.

Slide fornite dal docente.
Cascetta E. (2006). Modelli per i sistemi di trasporto, teoria e applicazioni. UTET

Fornire i concetti di base relativi alla problematica della valutazione nonché gli strumenti di base della progettazione dei sistemi di valutazione coniugati sia in rapporto alle metodologie fondamentali di valutazione economico-finanziaria sia alle metodologie di valutazione multicriteria.
In particolare gli obiettivi formativi tendono a far acquisire:

• Capacità di sviluppare modelli di valutazione multidimensionale.
• Capacità di implementare metodologie fondamentali tipiche dell'analisi multicriteria.
• Trasferire tecniche e metodologie per l’analisi e/o la progettazione dei modelli di valutazione.
• Sviluppare competenze relative alla costruzione e all’utilizzo dei modelli di valutazione, anche attraverso Casi di studio relativi al settore industriale e al settore dei servizi
  Conoscenza e capacita' di comprensione: Lo studente dovrà conoscere le diverse forme e modelli di innovazione e le sue principali caratteristiche. Inoltre, lo studente dovrà dimostrare di conoscere dettagliatamente sia le tecniche per la valutazione economico-finanziaria sia le tecniche di analisi multicriteria sia le tecniche basate sulla gestione dell'incertezza.
  Capacita' di applicare conoscenza e comprensione: Lo studente dovrà dimostrare di comprendere la tipologia di innovazione che un'azienda potrebbe adottare ed essere in grado di progettare modelli di valutazione collegati all'innovazione.

Parte Prima: L'innovazione (4 CFU)

• Introduzione al concetto di innovazione tecnologica
• Le fonti dell'innovazione
• Le forme dell'innovazione e la curva ad S
• Scelta del tempo d'ingresso nel mercato
• Valutazione della posizione competitiva dell'impresa
• Meccanismi di protezione dell'innovazione
  Parte Prima: modelli di valutazione (5 CFU)
• Modelli basati sui metodi economico-finanziari
• Modelli basati sulle opzioni reali
• Modelli basati sull'approccio multicriteria

La valutazione è articolata in una prova scritta e orale che verte su tutti gli argomenti del corso.

Schilling M.A, Izzo F., "Gestione dell'Innovazione", V edizione, McGrawHill
materiale integrativo fornito dal docente attraverso il sito web docenti.

L’insegnamento si propone di fornire adeguata conoscenza e approfondimento degli strumenti e delle tecniche di gestione dei processi logistici in un contesto di filiera (supply chain). Lo studente acquisirà competenze approfondite in merito all’analisi di prestazione ed alla progettazione di reti logistiche, sia da un punto di vista fisico, che informativo e relazionale attraverso l’uso di metodi quantitativi.
Conoscenza e capacita' di comprensione: Conoscere e comprendere gli approcci per l'analisi, la rappresentazione e la risoluzione di problemi logistici di filiera.
Conoscere e comprendere le problematiche di automazione delle attività di magazzinaggio e di picking nei centri di distribuzione.
Conoscere e comprendere gli aspetti probabilistici per la gestione delle scorte di item a domanda erratica e deperibili.
Conoscere e comprendere gli aspetti inerenti la progettazione del network distributivo e la gestione del rischio nel sourcing.
Capacita' di applicare conoscenza e comprensione: Essere capaci di applicare conoscenza e comprensione in merito risoluzione di fondamentali problemi logistici.
Essere capaci di applicare conoscenza e comprensione in merito al coordinamento dei sistemi logistici.
Essere capaci di applicare conoscenza e comprensione in merito all’automazione delle attività di magazzinaggio e di picking nei centri di distribuzione.
Essere capaci di applicare conoscenza e comprensione per progettare la gestione delle scorte di item a domanda erratica e deperibili.

• Introduzione al Supply Chain Management
• Configurazione e prestazione della Supply Chain
• Misure e fattori di prestazione della Supply Chain
• La progettazione della supply chain - il network distributivo
• La progettazione della supply chain - il sourcing e la gestione del rischio
• Modelli avanzati per la gestione delle scorte nella supply chain
• La propagazione della domanda lungo la filiera
• Sales and Operations Planning
• La progettazione dei Centri di Distribuzione (Ce.Di)

La valutazione prevede una prova scritta ed una prova orale.

• La prova scritta consiste in un esercizio numerico e nello svolgimento di domande di teoria. La durata complessiva èdi 60 minuti.
• La prova orale consiste in un colloquio su temi attinenti il programma del corso, della durata di 30 minuti circa.
  Per essere ammessi alla prova orale ènecessario raggiungere la sufficienza nella prova scritta.

• Chopra S., Meindl P. (2015). “Supply chain management: strategy, planning, and operation”. (V Edition) Pearson Ed.
• Rizzi, A. (2022). "Supply Chain: Fundamentals and Best Practices to Compete by Leveraging the Network". Springer.

Statistical Lab for Industrial Data Analysis è un insegnamento finalizzato a formare gli studenti nell’applicazione di tecniche statistiche interpretabili basate sui dati. I metodi sono illustrati e implementati utilizzando l’ambiente software statistico open source R. Ogni studente può partecipare a un progetto di analisi dei dati proposto durante il corso da esperti provenienti da diversi settori dell’ingegneria industriale. Gli studenti lavorano in gruppo e presentano lo stato di avanzamento dei propri progetti durante i workshop iniziali, intermedi e finali, ai quali partecipano anche gli esperti industriali che hanno proposto i casi di studio.
Attraverso queste attività, gli studenti sviluppano la capacità di individuare e applicare le tecniche statistiche più appropriate al problema in esame e di comunicare efficacemente i principali risultati e le implicazioni pratiche delle loro analisi.
Conoscenza e capacita' di comprensione: Gli studenti acquisiranno conoscenza e comprensione dei principali metodi statistici per l’analisi dei dati industriali. In particolare, acquisiranno familiarità con l’analisi dei dati multivariati, l’apprendimento statistico supervisionato e non supervisionato, i modelli di regressione, la classificazione, il monitoraggio statistico dei processi e l’analisi dei dati funzionali.
Gli studenti comprenderanno inoltre le ipotesi, gli obiettivi, i vantaggi e i limiti delle tecniche statistiche presentate durante il corso, nonché la loro implementazione nell’ambiente software R .
Capacita' di applicare conoscenza e comprensione: Gli studenti saranno in grado di selezionare e applicare metodi statistici appropriati a problemi reali di analisi dei dati industriali. Saranno in grado di organizzare e analizzare insiemi di dati multivariati e funzionali, stimare e interpretare modelli statistici, valutarne le prestazioni e utilizzare i risultati a supporto del processo decisionale.
Attraverso i progetti di gruppo e le attività di laboratorio, gli studenti potranno inoltre sviluppare la capacità di lavorare efficacemente in gruppo e di utilizzare R per implementare i metodi statistici trattati nel corso.

1. Introduzione

• Panoramica e obiettivi del corso.
• Apprendimento statistico e analisi dei dati industriali.
• Apprendimento supervisionato e non supervisionato.
• Problemi di regressione e di classificazione.
• Accuratezza predittiva e interpretabilità del modello.
• Valutazione dell’accuratezza del modello.
• Compromesso distorsione-varianza.
  2. Regressione lineare
  2.1 Regressione lineare semplice
• Il modello di regressione lineare semplice.
• Stima dei coefficienti.
• Proprietà degli stimatori dei minimi quadrati.
• Valutazione dell’accuratezza delle stime dei coefficienti.
• Statistiche test per i parametri di regressione.
• Valutazione dell’accuratezza del modello.
• Coefficiente di determinazione.
• Coefficiente di determinazione corretto.
• Intervalli di confidenza per i parametri di regressione.
• Intervalli di confidenza per la risposta media.
• Intervalli di previsione per una futura osservazione.
  2.2 Regressione lineare multipla
• Il modello classico di regressione lineare.
• Stima dei minimi quadrati.
• Matrice di varianza degli stimatori dei minimi quadrati.
• Proprietà degli stimatori dei minimi quadrati ordinari.
• Inferenza sul modello di regressione.
• Regioni di confidenza per i parametri di regressione.
• Analisi della varianza.
• Analisi parziale della varianza.
• Coefficiente di determinazione campionario.
• Intervalli di confidenza per la risposta media.
• Intervalli di previsione per una futura osservazione.
• Residui ed errori.
  3. Analisi dei dati multivariati
  3.1 Organizzazione e descrizione dei dati multivariati
• Organizzazione dei dati multivariati.
• Statistiche descrittive.
• Tecniche grafiche e rappresentazioni dei dati.
• Vettori delle medie campionarie.
• Matrici campionarie di covarianza e correlazione.
• Vettori delle medie e matrici di covarianza.
• Combinazioni lineari di variabili casuali.
• Media campionaria, covarianza e correlazione come operazioni matriciali.
• Decomposizione spettrale delle matrici di covarianza.
• Varianza generalizzata.
  3.2 La distribuzione normale multivariata
• La densità normale multivariata e le sue proprietà.
• Distribuzioni marginali e condizionate.
• Combinazioni lineari di variabili casuali normali multivariate.
• Partizionamento del vettore delle medie e della matrice di covarianza.
• Campionamento da una distribuzione normale multivariata.
• Stima di massima verosimiglianza del vettore delle medie e della matrice di covarianza.
• Distribuzione campionaria del vettore delle medie campionarie e della matrice di covarianza campionaria.
• La distribuzione di Wishart.
• Valutazione dell’ipotesi di normalità multivariata.
  3.3 Inferenza sul vettore delle medie
• Regioni di confidenza come generalizzazioni degli intervalli di confidenza.
• Test relativi al vettore delle medie di una popolazione.
• Statistica T-quadro di Hotelling.
• Test del rapporto di verosimiglianza.
• Confronti simultanei delle componenti del vettore delle medie.
  4. Apprendimento non supervisionato
  4.1 Analisi delle componenti principali
• Componenti principali della popolazione.
• Componenti principali ottenute da variabili standardizzate.
• Sintesi della variabilità campionaria mediante le componenti principali.
• Numero di componenti principali.
• Interpretazione delle componenti principali campionarie.
• Rappresentazione grafica delle componenti principali.
• Componenti principali come metodo di riduzione della dimensionalità.
  4.2 Metodi di clustering
• Misure di similarità.
• Misure di distanza.
• Metodi di clustering gerarchico.
• Clustering K-means.
• Interpretazione delle soluzioni di clustering.
• Aspetti pratici del clustering.
• Validazione delle soluzioni di clustering.
  5. Selezione e regolarizzazione del modello lineare
  5.1 Best subset selection
• Algoritmo esaustivo
• Selezione stepwise forward e backward
• Scelta del modello ottimo.
  5.2 Metodi di regolarizzazione
• Regressione ridge.
• LASSO.
• Selezione dei parametro di tuning.
  5.3 Metodi di riduzione della dimensionalità
• Regressione sulle componenti principali.
• Regressione ai minimi quadrati parziali.
  5.4 Validazione del modello
• Metodo dell’insieme di validazione.
• Cross-validation.
• Selezione del modello mediante cross-validation.
  6. Classificazione
• Panoramica della classificazione.
• Il contesto della classificazione.
• Valutazione dell’accuratezza della classificazione.
• Panoramica dei metodi statistici di classificazione.
  7. Monitoraggio e controllo statistico di processo
  7.1 Carte di controllo multivariate
• Carta di controllo di Hotelling.
• Regioni di controllo per osservazioni multivariate.
• Monitoraggio della qualità tramite componenti principali.
• Monitoraggio mediante analisi di regressione.
  7.2 -Introduzione all’analisi dei dati funzionali.
• Rappresentazione dei dati funzionali.
• Analisi dei dati funzionali.
• Monitoraggio di profili.
  8. Applicazioni e casi studio
• Applicazioni a problemi di ingegneria industriale.
• Implementazione di metodi statistici nell’ambiente software R.
• Analisi e interpretazione di insiemi di dati industriali reali.
• Sviluppo e presentazione di un progetto di gruppo per l'analisi di dati reali (facoltativo).

Il voto finale è formulato dalla Commissione d’esame sulla base della valutazione di due parti:
1) una prova scritta, con domande finalizzate a verificare l’apprendimento degli aspetti teorici e metodologici, nonché problemi numerici che possono richiedere l’utilizzo di software, come il linguaggio di programmazione R, per ottenere la risposta finale;
2) una prova orale, che consiste in una discussione aperta della prova scritta e può includere ulteriori domande, problemi numerici e l’uso del software .
Gli studenti possono sviluppare un lavoro di gruppo di analisi dei dati basato su dati reali relativi a un caso di studio industriale, con l’ausilio del software R. Tale lavoro può attribuire fino a 2 punti aggiuntivi alla valutazione finale. Sono illustrati allo studente gli elementi presi in considerazione per determinare il voto finale.

Obbligatorio
[0] Lavagne delle lezioni e slide in formato OneNote/pdf
[1] Montgomery, D. C., Peck, E. A., Vining, G. G. (2021). Introduction to linear regression analysis. John Wiley & Sons.
[2] James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning. New York: Springer.
[3] Montgomery, D. C. (2014). Introduction to Statistical Quality Control. 7th edition. John Wiley & Sons.
[4] Johnson, R. A., Wichern, D. W. (2007). Applied Multivariate Statistical Analysis (6th edition), Prentice Hall, Upper Saddle River.
Consigliato
[5] Hastie, T., Tibshirani, R., Friedman, J. H., Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction. New York: Springer.
[6] Ramsay, J. O. and Silverman, B. W. (2005). Functional Data Analysis (second edition). Springer Series in Statistics. New York: Springer.
[7] Ramsay, J. O., Hooker, G., and Graves, S. (2009). Functional Data Analysis with R and MATLAB. New York: Springer.
[8] (in italiano) MOOC Industry 4.0 Big Data e Data Analytics III - a cura di B. Palumbo e M. L. Chiusano (2019) https://landing.federica.eu/industria40/
[9] (in italiano) Lepore A., Palumbo B., Sansone C. Machine Learning e Data Mining in R, nella specializzazione Coursera “Data Science con Python e R” offerta da Federica Web Learning, Università degli Studi di Napoli Federico II. www.coursera.org/learn/machine-learning-data-mining-con-r
[10] Statistical Learning MOOC di Hastie e Tibshirani (2014) https://youtube.com/playlist?list=PLOg0ngHtcqbPTlZzRHA2ocQZqB1D_qZ5V

Fornire agli studenti conoscenze, strumenti e competenze per comprendere i processi di formulazione della strategia e sviluppo di nuove iniziative imprenditoriali, con particolare attenzione alla creazione di vantaggio competitivo e alla progettazione di startup innovative.
Conoscenza e capacita' di comprensione: Al termine del corso lo studente avrà acquisito conoscenze teoriche e metodologiche sui principali modelli di analisi strategica e imprenditoriale. In particolare sarà in grado di:

• comprendere i principi fondamentali della strategia d’impresa e del vantaggio competitivo;
• conoscere i principali strumenti di analisi del contesto competitivo (analisi PEST, modello delle Cinque Forze di Porter, analisi di settore, fattori critici di successo e catena del valore);
• conoscere i principali modelli di business e gli strumenti per la loro progettazione e validazione (Business Model Canvas, Lean Canvas e Go-to-Market);
• comprendere le caratteristiche distintive delle startup innovative, le principali fasi del loro sviluppo e il ruolo del team imprenditoriale;
• conoscere le principali fonti di finanziamento delle startup e il funzionamento degli ecosistemi dell’innovazione;
• comprendere il ruolo dell’imprenditorialità come competenza trasversale orientata alla creazione di valore economico, sociale e ambientale;
• interpretare criticamente casi aziendali e fenomeni competitivi utilizzando i modelli teorici e gli strumenti analitici studiati durante il corso.
  Capacita' di applicare conoscenza e comprensione: Al termine del corso lo studente sarà in grado di:
• applicare i principali strumenti di analisi strategica per valutare il contesto competitivo, individuare opportunità e minacce e supportare il processo decisionale aziendale;
• analizzare le fonti del vantaggio competitivo di un’impresa e formulare proposte strategiche coerenti con gli obiettivi aziendali;
• utilizzare modelli e strumenti per la progettazione di modelli di business innovativi e per la definizione di strategie di ingresso sul mercato;
• sviluppare un progetto imprenditoriale, traducendo un’idea innovativa in una proposta di valore supportata da un business model e da un piano di sviluppo;
• valutare le principali opzioni di finanziamento e di crescita di una startup in relazione al suo stadio di sviluppo;
• lavorare in team per affrontare problemi complessi, sviluppando soluzioni imprenditoriali attraverso metodologie collaborative e approcci di problem solving;
• presentare e argomentare in modo efficace proposte strategiche e imprenditoriali, utilizzando strumenti di comunicazione adeguati a interlocutori differenti.

Modulo 1 – Fondamenti di strategia

• Il concetto di strategia e il processo di formulazione strategica.
• Analisi dell’ambiente competitivo: analisi PEST, analisi di settore e modello delle Cinque Forze di Porter.
• Fattori critici di successo e attrattività del settore.
• Risorse, competenze e vantaggio competitivo.
• Strategie competitive: leadership di costo, differenziazione e focalizzazione.
• Catena del valore e analisi delle fonti del vantaggio competitivo.
  Modulo 2 – Imprenditorialità e Startup
• Il ruolo dell’imprenditorialità nello sviluppo economico e sociale.
• L’educazione imprenditoriale e le competenze imprenditoriali (EntreComp).
• Dall’idea imprenditoriale alla creazione di valore.
• Business Model Canvas e Lean Canvas.
• Go-to-Market Strategy e validazione del modello di business.
• Il team imprenditoriale e le dinamiche di sviluppo delle startup innovative.
• Ecosistemi imprenditoriali e principali attori dell’innovazione.
• Fonti di finanziamento delle startup: bootstrap, business angel, crowdfunding, venture capital e private equity.
• Aspetti giuridici delle startup innovative.
  Modulo 3 – Laboratorio progettuale
• Analisi di casi aziendali e startup innovative.
• Sviluppo di un progetto imprenditoriale in gruppo.
• Elaborazione del Business Model Canvas.
• Definizione della proposta di valore e della strategia di go-to-market.
• Presentazione (pitch) e discussione del progetto imprenditoriale.

60% prova scritta
40% orale e prova progettuale

Le indicazioni sui materiali verranno fornite dal docente ad inizio corso e ad ogni modo saranno rese disponibili su richiesta contattando il docente (preferibilmente via chat di teams)

Fornire allo studente le nozioni specialistiche per

• La analisi e la simulazione di reti complesse di agenti dinamici;
• La soluzione di problemi di controllo ottimo mediante programmazione dinamica, programmazione dinamica approssimata e reinforcement learning.
  Conoscenza e capacita' di comprensione: Lo studente deve dimostrare di conoscere e saper comprendere le problematiche relative alla trasformazione di problemi decisionali a stadi in problemi di controllo ottimo con particolare attenzione alla soluzione di questi ultimi mediante l'algoritmo della programmazione dinamica. Deve dimostrare di sapere comprendere le limitazioni della programmazione dinamica e le tecniche che consentono di superarli e che costituiscono le basi della programmazione dinamica approssimata e del reinforcement learning. Lo studente deve inoltre dimostrare di comprendere la differenza tra un sistema dinamico ad alta dimensionalità e una rete complessa e di aver assimilato i meccanismi che conducono all'emergenza di comportamenti collettivi in reti complesse.
  Capacita' di applicare conoscenza e comprensione: Lo studente deve dimostrare di saper simulare la dinamica di sistemi complessi e di saper utilizzare strumenti software per la soluzione di problemi di controllo ottimo mediante la programmazione dinamica ed il reinforcement learning.

Problemi decisionali a stadi come problemi di controllo ottimo 6 CFU:

• Cenni sul controllo dei sistemi
• Decisioni ottimali: il controllo ottimo
• la programmazione dinamica
• il model predictive control
• La programmazione dinamica approssimata
• Il controllo ottimo come strumento per l’intelligenza artificiale: il reinforcement learning
• Applicazioni
  Reti e sistemi complessi 3 CFU:
• La complessità come caratteristica dell’ingegneria contemporanea.
• I sistemi complessi e l'industria 4.0
• Le reti di agenti dinamici, un paradigma per la modellistica di alcuni sistemi complessi
• Teoria dei grafi
• Algebra dei grafi
• Teoria dei sistemi
• Comportamenti collettivi
• Applicazioni

Appunti delle lezioni e codice Matlab sviluppato in aula.

L’insegnamento ha lo scopo di approfonidre la conoscenza dei sistemi informativi fornendo allo
studente strumenti di analisi avanzati per affrontare i temi della BI e dei Big Data che sono oggi
pervasivi nel mondo del lavoro.
Conoscenza e capacita' di comprensione: Lo studente deve saper dimostrare di possedere capacità di analisi di scenari complessi al fine di
modellare dati e processi in maniera efficace.
Capacita' di applicare conoscenza e comprensione: Lo studente deve essere in grado di costruire un modello che si adatti alle esigenze aziendali a
partire da una fase di analisi dei requisiti.

Codifica dell’informaazione
Definizione di algoritmi complessi
Modellazione relazionale
Il linguaggio SQL
I Big Data
I sistemi NoSQL
Il cloud computing

Scritto e Orale con voto in trentesimi

Libro: Decoded: Capire Dati, Sistemi e Tecnologie per costruire il futuro. Elio Masciari, Simona Fioretto, Enea Vincenzo Napolitano

Obiettivo dell’insegnamento è quello di approfondire le tecnologie e le applicazioni alla base della trasformazione digitale. L'insegnamento si propone di fornire agli studenti le nozioni specialistiche relative ad Internet e alle reti, al software open source, ai big data e alla loro analisi, all’intelligenza artificiale e al data mining, all'AI agentica, alla robotica, al cloud computing, all’Internet of Things, alla cybersecurity, alla blockchain, al digital twin. Particolare attenzione verrà data all’utilizzo e alle applicazioni di tali tecnologie in contesti aziendali e industriali, con riferimento alla singola impresa e alla gestione dell’intera catena di fornitura e produzione. L’insegnamento punta a fornire conoscenze approfondite sull’impatto delle tecnologie per la trasformazione digitale, per l'organizzazione aziendale e la gestione delle risorse umane, la programmazione ed il controllo della produzione, la progettazione e la gestione di sistemi logistici, il supply chain management, l'ottimizzazione dei processi attraverso l'integrazione tecnologica, la gestione dell'innovazione di processo e di prodotto. L’insegnamento farà largo uso di casi di studio concreti basati su dati provenienti da contesti reali.
Conoscenza e capacita' di comprensione: Il percorso formativo intende fornire agli studenti le conoscenze e gli strumenti metodologici avanzati necessari per gestire e analizzare l'impatto delle tecnologie per la trasformazione digitale in ambito industriale. Lo studente deve dimostrare di conoscere e saper comprendere le problematiche relative alle principali tecnologie per la trasformazione digitale e alla loro adozione. Lo studente dovrà essere in grado di descrivere il ruolo ed elaborare argomentazioni riguardo alle tecnologie per la trasformazione digitale nel contesto industriale, di cogliere le implicazioni della loro adozione, di individuarne ed analizzarne le dipendenze, di dominarle e comprenderle al fine di poterle utilizzare e gestire in contesti operativi.
Capacita' di applicare conoscenza e comprensione: Il percorso formativo è orientato a trasmettere le capacità e gli strumenti metodologici e operativi necessari all'ottimizzazione dei processi aziendali attraverso l'integrazione delle tecnologie digitali. Lo studente deve dimostrare di essere in grado di utilizzare gli strumenti metodologici acquisiti per l’integrazione delle principali tecnologie per la trasformazione digitale nell’ambito dei processi, in risposta alle esigenze aziendali, ad esempio per la programmazione ed il controllo della produzione, per la progettazione e la gestione di sistemi logistici (approvvigionamenti, magazzini, avanzamento della produzione, trasporto e distribuzione), per la gestione della supply chain, per la gestione delle risorse umane.

Introduzione e Concetti di Base : Contestualizzazione didattica e scientifica del corso; terminologia di base; definizioni e inquadramento degli aspetti principali delle tecnologie e applicazioni alla base della trasformazione digitale. [4 ore]
Fondamenti di Tecnologie per la Trasformazione Digitale: Tecnologie e applicazioni di Internet, reti 5G, cloud, fog e mobile computing, Internet of Things e Industrial Internet of Things, cyber-physical systems, digital twin, cybersecurity, blockchain, intelligenza artificiale, machine learning, deep learning, large language models e agenti AI, big data e data analytics, robotica, human-computer interaction, additive manufacturing e GDPR. Fondamenti di programmazione in Python e utilizzo di librerie open source per la manipolazione, l’analisi e la visualizzazione dei dati e per il machine learning. [36 ore]
Applicazioni e Servizi: Applicazioni della trasformazione digitale nei settori: industriale, manifatturiero, energetico, sanitario, della mobilità e dell’automotive, finanziario, turistico, culturale, agricolo e agroalimentare, nonché in altri settori applicativi. Analisi delle principali opportunità, criticità e implicazioni organizzative connesse all’adozione delle tecnologie digitali. [16 ore]
Casi di Studio e Attività Progettuali : Analisi di dati e studio di casi concreti relativi alla trasformazione digitale. Attività individuali e di gruppo, esercitazioni pratiche in Python, sviluppo di applicazioni per l’analisi dei dati e il machine learning e realizzazione di elaborati progettuali. Attività svolte in collaborazione con aziende. [16 ore]

La valutazione finale sarà articolata come segue: a) elaborato progettuale e relativa discussione: 70%; b) prova orale: 30%.

Il materiale didattico è costituito dalle slide, dalle dispense, dalle risorse web e dagli articoli forniti dal docente.