Riprogettazione di un processo aziendale di logistica = Reengineering of a logistic business process

Il seguente elaborato ha lo scopo di mostrare un pratico esempio di come le sinergie tra logistica, IT e machine learning possano influenzare positivamente la gestione del processo del cambio. La prima parte dell’elaborato si focalizza sullo state of the art della gestione del cambio e sulla Riprogettazione dei Processi (Process Reengineering) applicata al processo aziendale di Acquisto. La seconda parte dell’elaborato sull’analisi dello stato dell’arte di alcune tecniche di machine learning e su come esse possono essere impiegate per supportare un’organizzazione nell’ottimizzazione delle prestazioni di un processo. Nella terza parte viene presentato lo stato attuale dell’azienda fornendo una panoramica sul processo di acquisto aziendale e sul suo imminente cambiamento operato a partire da decisioni basate sull’analisi dei dati. In particolare, ci si focalizza sul cambiamento di un micro-processo basato sull’adozione di un formato standardizzato dei colli aziendali che andrebbe a sostituire il formato correntemente in uso. Attualmente il contenuto e le dimensioni dei colli sono poco standardizzati e comportano problemi logistici (di pallettizzazione) e distributivi (una mancata distribuzione dei colli personalizzati per ogni cliente finale comporta una successiva manipolazione degli stessi per permettere che il loro contenuto venga inviato ad altri clienti). Con la nuova standardizzazione si fisserebbe sia il contenuto dei colli, che loro dimensione. Il cambiamento verrà complementato dalle predizioni di un algoritmo di machine learning, che consentirà di predire la quantità di colli da manipolare, a partire da una certa configurazione del contenuto dei colli stessi. Ciò, pertanto, consentirà all’azienda di eseguire diversi scenari sul contenuto dei colli, così da minimizzare il numero di colli manipolati. Il modello utilizzato è il cosiddetto XGBoost; questo algoritmo infatti è molto robusto e garantisce ottime performance. Inoltre, consente di gestire con efficacia i dati mancanti, diminuire i tempi computazionali tramite la parallelizzazione e regolarizzare i dati così da prevenire l’overfitting. La sezione finale dell’elaborato contiene i risultati della simulazione basata sui risultati dell’approccio proposto. Al fine di misurare il miglioramento si è effettuato un confronto tra la predizione del modello e la situazione corrente, analizzando il miglioramento in termini di ‘percentuale di colli manipolati’, ‘costo manipolazione dei colli’ e ‘FTE’. Le conclusioni del lavoro dimostrano che l’adozione della nuova metodologia standardizzata comporterebbe un aumento del numero di colli manipolati, e un conseguente aumento dei costi. Come spunto futuro si sottolinea dunque la possibilità di effettuare esperimenti iterativi cambiando il contenuto dei colli, così da fornire al modello più scenari da analizzare. Ciò consentirebbe di migliorare il potere predittivo dello stesso, così da permettere un incremento dell’efficienza del processo. Oltretutto, tramite i diversi esperimenti l’azienda potrebbe trovare la configurazione ottimale del contenuto dei colli così da ridurre al minimo la manipolazione.