Allocazione delle Risorse in Condizioni di Incertezza: Strategie di Screening Ottimali

Un recente preprint su arXiv (2605.07979) esplora l'integrazione del targeting algoritmico basato sul machine learning con metodi di screening convenzionali per migliorare la distribuzione delle risorse in presenza di un'inevitabile incertezza aleatoria. La ricerca introduce un approccio a due fasi, in cui una fase di screening iniziale valuta i risultati effettivi per un gruppo selezionato di unità prima dell'allocazione finale entro un budget di copertura predeterminato. Il metodo ideale prevede lo screening delle unità al limite dell'allocazione algoritmica, bilanciando costo e precisione. I risultati indicano che previsioni perfette del rischio non possono eliminare la cattiva allocazione causata dalla casualità intrinseca dei risultati individuali.