Riassunto analitico
L'analisi della previsione della domanda è fondamentale nel campo del Supply Chain Management: l'obiettivo, infatti, consiste nel creare un modello che, sulla base delle vendite passate, sia in grado di prevedere la domanda futura. Il demand forecasting permette, dunque, di ottimizzare la gestione del magazzino. Questa tesi esplora l'applicazione di tecniche di Deep Learning, concentrandosi sulle Reti Neurali Convoluzionali, allo scopo di migliorare la previsione della domanda in contesti aziendali. Nel corso dell'attività di tirocinio svolta presso Ammagamma S.r.l., un'azienda specializzata nello sviluppo di soluzioni di intelligenza artificiale per il business, è stata esplorata l'efficacia dell'algoritmo AHEAD. Esso costituisce un approccio innovativo nell'analisi multivariata delle serie temporali per il forecasting della domanda. Il lavoro di tesi comprende un inquadramento teorico sul demand forecasting e sull'ottimizzazione del rifornimento, oltre a una panoramica sulle serie temporali e sulle Reti Neurali Convoluzionali. Successivamente, viene analizzato l'algoritmo AHEAD, esaminando le fasi di preprocessing dei dati e di creazione e testing dei modelli. Infine, si studia il caso particolare per una società di rivendita di componenti elettroniche e informatiche. Attraverso l'analisi esplorativa dei dati e l'implementazione di diversi modelli predittivi, si utilizzano metriche di errore per la valutazione delle prestazioni. In conclusione, si discutono i risultati ottenuti e si suggeriscono approcci futuri. Questo studio contribuisce a comprendere l'importanza dell'utilizzo di tecniche avanzate di analisi dei dati per migliorare la gestione della catena di approvvigionamento.
|
