Stockout Risk Optimization: prioritizzazione di prodotti rilevanti attraverso algoritmi di Machine Learning = Stockout Risk Optimization: prioritization of relevant products through Machine Learning algorithms

Nel mondo aziendale contemporaneo, la gestione della supply chain rappresenta una componente critica per il successo e la sostenibilità delle imprese, specialmente per quelle di dimensioni globali come Luxottica. Affrontare le complessità inerenti alla catena di fornitura di un'azienda che opera su scala internazionale richiede un'attenzione particolare alla standardizzazione dei processi e all'efficienza della comunicazione tra i diversi attori coinvolti. La natura stessa di una supply chain estesa e articolata comporta sfide significative, tra cui la gestione di un ampio portafoglio di prodotti e clienti, la variabilità della domanda, la complessità logistica e la necessità di rispondere in modo agile alle fluttuazioni del mercato. Queste difficoltà si accentuano in un contesto come quello di Luxottica, dove per far fronte alle sfide appena descritte, risulta necessaria la presenza di un'organizzazione quasi impeccabile. L'importanza di efficientare la comunicazione attraverso la supply chain non può essere sottovalutata. Una comunicazione efficace è fondamentale per sincronizzare le attività di produzione, distribuzione e riordino, consentendo una migliore collaborazione tra i vari livelli della catena e una più rapida risposta alle esigenze del mercato. La presente tesi nasce in seguito all’idea, emersa durante la mia esperienza nel team SIOP di Luxottica, di ottimizzare l’attuale flusso di decisione delle SKU (Stock Keeping Units) da prioritizzare a livello produttivo e logistico. Da qui, grazie al percorso ICT & Data Analytics intrapreso nel percorso di Laurea Magistrale, mi sono proposto di esplorare come il Machine Learning possa essere impiegato per affrontare questa sfida, in particolare attraverso l'uso di algoritmi di classificazione. L’obiettivo risultava duplice: da un lato, mitigare il rischio di stockout e, dall'altro, mantenere un elevato livello di servizio per i clienti critici. Attraverso l'analisi dei dati storici relativi caratteristiche intrinseche e di performance sul mercato, si intende sviluppare un modello predittivo capace di identificare le priorità produttive sostenendo così l'azienda nella gestione delle complesse dinamiche della supply chain. Attraverso un approccio di classificazione supervisionata, il modello dovrà apprende dalle relazioni esistenti tra le variabili storiche e le decisioni prese in passato, per poter assegnare automaticamente le priorità produttive e distributive alle SKU. L'accuratezza e l'affidabilità del modello sono di fondamentale importanza per la sua efficacia operativa. Pertanto, una fase cruciale della ricerca sarà dedicata alla validazione del modello utilizzando metriche quali Accuratezza, Precisione, Richiamo e F-measure, al fine di selezionare il classificatore che offre le migliori prestazioni. In ultima analisi, l'implementazione di un sistema di manutenzione predittiva nella supply chain, basato su algoritmi di classificazione e Machine Learning, rappresenta un passo avanti verso l'ottimizzazione dei processi logistici e produttivi. Questo non solo migliora l'efficienza operativa e riduce i costi, ma contribuisce anche a una maggiore soddisfazione del cliente grazie alla capacità dell'azienda di rispondere prontamente alle fluttuazioni della domanda. La presente mira a dimostrare come, sfruttando le potenzialità del Machine Learning, le imprese possano trasformare le sfide della gestione della supply chain in opportunità strategiche per il futuro.