Metodologia ad integrazione dell’Earned Value Management per il monitoraggio di progetti di linee di produzione: introduzione di fattori di influenza e strumenti di Machine Learning = Methodology for Earned Value Management Integration for Monitoring Production Line Projects: Introduction of Influencing Factors and Machine Learning Tools

Nella realtà manifatturiera, così come in altri contesti, risulta essere di fondamentale importanza monitorare tempi, costi e qualità dei progetti. Infatti, i margini di profitto sempre più ridotti, causati da un’elevata competitività a livello internazionale, comportano la necessità di calcolare precisamente le stime a finire del progetto. Questo è necessario per poter intervenire tempestivamente con azioni correttive, al fine di evitare extracosti e ritardi rispetto a quanto preventivato, che potrebbero compromettere il business dell’impresa. Di conseguenza diventa cruciale potersi avvalere di metodi e strumenti di monitoraggio del progetto che siano il più precisi possibili, nonché personalizzabili in funzione del contesto e della specifica azienda che si trova ad utilizzarli. Attualmente per il monitoraggio del progetto il metodo più diffuso è quello dell’Earned Value Management (EVM), che ripone nella sua semplicità e generalità di applicazione i propri punti di forza, eseguendo, però, delle approssimazioni che conducono inevitabilmente a risultati non sempre accurati. Questa limitazione si accentua nel caso di contesti caratterizzati da elevata incertezza, come quello in cui opera l’azienda Gefit S.p.A. Il seguente elaborato di tesi, dopo aver presentato una descrizione del metodo dell’Earned Value Management e degli approcci migliorativi presenti in letteratura, si prefigge l’obiettivo di proporre una metodologia integrativa e migliorativa dell’EVM, che sia personalizzabile in funzione della specifica natura dell’azienda e in grado di fornire stime a finire del progetto più accurate in termini di costi e tempi. Il primo passo della metodologia mira ad analizzare il contesto specifico in cui opera l’azienda al fine di individuare delle variabili aggiuntive a quelle tradizionali che tengano conto, nella loro definizione e quantificazione, dei fattori di influenza principali che agiscono sul progetto, per poi applicare ad un dataset di progetti passati due modelli di machine learning. Il primo modello è quello di regressione multilineare (MLR) che, oltre a valutare la significatività delle metriche individuate, le utilizza per calcolare una previsione delle stime a finire del progetto. Il secondo modello consiste in una rete neurale (ANN) supervisionata attraverso il cui addestramento e successivo test è possibile calcolare il valore delle stime a finire del progetto, tenendo in considerazione in un primo momento solo le metriche base e in seguito anche i fattori di influenza aggiuntivi. I risultati ottenuti evidenziano che le stime a finire, ottenute applicando i modelli descritti, garantiscono un minore errore di previsione allineandosi maggiormente ai valori reali, rispetto a quelle ottenute utilizzando il metodo EVM tradizionale. Di conseguenza, l’approccio presentato nel seguente studio è in grado di fornire ai project managers uno strumento di monitoraggio più affidabile e preciso, in modo che possano prendere decisioni basate su dati ed analisi completi.