Riassunto analitico
Questo progetto nasce dall’esigenza dell’azienda CNH Industrial di incrementare le prestazioni nella previsione della domanda di parti di ricambio al fine di analizzare in modo critico la gestione attuale dei magazzini e dove possibile migliorare l’efficienza di questi in termini organizzativi e di gestione del personale. Di comune accordo con i responsabili aziendali coinvolti in questo progetto, si è deciso di focalizzare l’attenzione sui ricambi del gruppo IVECO Europa in quanto le dimensioni di questo business aziendale sono state ritenute più gestibili in termini di quantitativo dati da analizzare e manipolare.
La prima fase del progetto è consistita di un processo di ricerca, raccolta e analisi dei metodi più utilizzati per la previsione della domanda. I metodi classici rintracciabili in letteratura sono riassunti nelle prime pagine di questa tesi. Solo alcuni di questi sono stati selezionati ed utilizzati in questo progetto.
Una prima analisi dei dati di domanda, ha reso subito chiaro che sarebbero serviti mezzi più prestanti degli usuali strumenti di Microsoft per la gestione dei dati. La scelta è ricaduta sul linguaggio Python che oltre alla sua semplicità offre l’accesso al software Jupyter, un’applicazione web open-source interattiva sulla quale non solo è possibile “runnare” script in Python ma avere con poche righe di codice (grazie all’utilizzo di opportune librerie) una visualizzazione rapida e “customizzabile” dei dati su cui si sta lavorando.
La seconda fase del progetto ha previsto un’attenta analisi dei dati al fine di estrarne quante più informazioni possibili riguardo la rete di distribuzione di ricambi IVECO Europa. Questa fase è di primaria importanza: i risultati della fase di pre-processing hanno guidato la fase successiva del progetto ovvero quella riguardante la selezione degli elementi sui quali sono stati poi applicati i modelli previsionali, nonché la scelta del livello di aggregazione della domanda.
Una volta estratte le serie storiche, il passo successivo ha previsto la creazione di script in Python per l’applicazione dei modelli di previsione selezionati e quindi l’addestramento di questi, sui dati della domanda, tramite il calcolo delle previsioni. Sono state al contempo selezionate e implementate negli stessi script, alcune metriche d’errore per la valutazione dei modelli.
È stato infine costruito un nuovo modello di previsione della domanda utilizzando i risultati dei modelli semplici. Tali risultati sono stati ottenuti dalla selezione dei parametri che minimizzano per ogni modello la stessa metrica d’errore scelta. La valutazione del nuovo modello è avvenuta tramite il calcolo delle stesse metriche d’errore usate per la valutazione dei singoli modelli, in modo da poter verificare alla fine l’efficienza del nuovo modello al paragone con quelli di partenza.
|
