Ottimizzazione della Gestione delle Scorte e del Riordino: Il Caso IGLM STORE = Optimization of Inventory and Replenishment Management: The Case of IGLM STORE

La gestione delle scorte rappresenta una delle sfide più critiche per le imprese e-commerce multicanale, dove la rapidità di consegna, la disponibilità costante dei prodotti e la corretta distribuzione tra diversi canali di vendita costituiscono fattori determinanti per la competitività. La presente tesi analizza il caso di IGLM.Store, impresa italiana con un catalogo multi settoriale e canali distributivi diversi (eCommerce diretto, Amazon FBM e Amazon FBA). L'azienda è coinvolta nella gestione di problematiche tipiche dei contesti complessi, quali rotture di stock, accumuli di merce invenduta e trasferimenti non ottimali di prodotti verso i magazzini Amazon. Per rispondere a tali criticità, la ricerca propone lo sviluppo di un sistema avanzato di Business Intelligence e Data Analytics basato su un’architettura modulare, capace di integrare dati interni (storico vendite, giacenze, lead time) inviati dal gestionale aziendale con dati esterni provenienti dal marketplace Amazon (Buy Box, ranking dei prodotti, prezzi e competitività) e recuperati automaticamente tramite API. Il sistema possiede due elementi essenziali: un algoritmo di classificazione, che per ogni prodotto raccomanda l'operazione più adeguata (riordino dal fornitore, trasferimento a FBA o nessuna operazione), ed un modello SARIMA di previsione, appositamente dedicato alla prevedere la domanda futura ed ad eseguire calcoli delle quantità ideali da ordinare. I risultati delle trattazioni vengono resi disponibili mediante una dashboard interattiva, studiata per buyer e responsabili magazzino, che segnala in tempo reale le priorità operazioni attraverso indicatori cromatici e proposte quantitativi. La validità della soluzione è stata testata su database reali di Iglm Store, che riguardano vendite passate e quantità di stock, e ha evidenziato un netto miglioramento rispetto alle procedure manuali oggi utilizzate. I processi di classificazione hanno espresso elevate performance predittive, riducendo sensibilmente i casi di stock-out e di overstock, mentre il modello SARIMA ha garantito previsioni più precise rispetto ai processi alternativi con logiche fisse. In qualche modo, complessivamente, l'esecuzione ha permesso di incrementare l'efficienza operativa, contenere i costi di gestione delle scorte e aumentare il grado di livello di servizio erogato ai clienti. La ricerca dimostra quindi come un approccio data-driven, basato sull'integrazione di strumenti Business Intelligence e modelli predittivi, possa essere un vantaggio competitivo per e-commerce multicanale, aprendo orizzonti di ulteriore sviluppo in termini di automazione decisionale e scalabilità verso altri reparti aziendali.