Riassunto analitico
Oggigiorno, molte organizzazioni riconoscono che i loro dati sono un patrimonio aziendale vitale. I dati e le informazioni possono fornire loro informazioni sui clienti, sui prodotti e sui servizi. Possono aiutarle a innovare e raggiungere obiettivi strategici. Secondo il McKinsey Global Institute, le organizzazioni data-driven, cioè guidate dai dati, hanno probabilità superiori di ventitré volte di acquisire clienti, di sei volte di mantenere i clienti e di diciannove volte di incrementare i profitti, rispetto alle aziende non data-driven.
Considerando questa importanza, il presente progetto di tesi si concentra sulla creazione di un'architettura Data Mesh per la decentralizzazione dei dati. In questo contesto, viene introdotto un algoritmo di Machine Learning, che rappresenta il primo fondamentale elemento costitutivo dell'architettura. Questo algoritmo è stato progettato per determinare il miglior approccio di gestione delle scorte all'interno di un magazzino automatizzato, e la sua validità sarà confermata attraverso una simulazione 3D.
L'obiettivo principale di questa ricerca è dimostrare come l'adozione di un approccio Data Mesh possa contribuire a migliorare l'efficienza operativa e la gestione delle scorte. L'architettura proposta consentirà una decentralizzazione e democratizzazione dei dati, promuovendo la collaborazione tra i vari attori all'interno dell'organizzazione. L'utilizzo dell'algoritmo di Machine Learning e della simulazione 3D, invece, permetterà di valutare diverse strategie di gestione delle scorte, consentendo di identificare l'approccio più efficiente per il magazzino.
|
