L'ottimizzazione centrale sceglie l'opzione migliore se tutte le ipotesi si realizzano.
L'ottimizzazione centrale sceglie l'opzione migliore se tutte le ipotesi si realizzano. Una decisione robusta cerca una performance accettabile in più mondi plausibili. Il regret minimax confronta ogni opzione con quella che si sarebbe scelta conoscendo lo scenario e mantiene quella con la minore perdita di opportunità massima.
Decisione e metodo.
Mantenete un piano meno ottimale nello scenario centrale quando protegge molto meglio il contributo contro ipotesi avverse plausibili. Definite mondo centrale, domanda debole, reazione dei concorrenti e shock di costo da intervalli e dipendenze documentati. Per ogni coppia opzione-scenario calcolate contributo, cassa, servizio e vincoli con le stesse convenzioni. Filtrate conformità, cassa, capacità e soglie di servizio prima della graduatoria. Sottraete ogni risultato al migliore della sua colonna; pubblicate regret massimo e medio, risultato centrale e frequenza di dominanza. A parità, scegliete reversibilità: costo di ritorno, ritardo di apprendimento e possibilità di aumentare l'impegno dopo l'osservazione.
Esempio calcolato.
Aggressivo produce 520 mila €, 80 mila €, 40 mila € e 180 mila €. Equilibrato produce 410 mila €, 240 mila €, 220 mila € e 260 mila €; conservativo 280 mila €, 260 mila €, 250 mila € e 300 mila €. I migliori risultati sono 520 mila €, 260 mila €, 250 mila € e 300 mila €. Regret massimo: aggressivo 210 mila €, equilibrato 110 mila €, conservativo 240 mila €. Si mantiene l'equilibrato: rinuncia a 110 mila € al centro ma protegge meglio contro domanda debole, concorrenza e shock di costo.
Controlli e limiti.
Gli scenari sono mondi coerenti, non estremi combinati indipendentemente; tutte le opzioni rispettano vincoli duri; pubblicate regret massimo, medio e risultato centrale insieme; privilegiate reversibilità quando sono vicini. Il minimax dipende dall'insieme di scenari e ignora probabilità. Prudenza eccessiva può sacrificare opportunità; interazioni dinamiche e apprendimento sequenziale richiedono un modello multistadio.
Risorse e fonti.
Scaricare la matrice minimax-regret. Correlato: identificare ipotesi decisive, confrontare gli scenari, formalizzare vincoli duri. Fonti: Savage (1951); Ben-Tal e Nemirovski (1998); Bertsimas e Sim (2004).