polito.it
Politecnico di Torino (logo)

Decisioni data-driven per risolvere le complessità della supply chain aftermarket

Gabriele Troglia

Decisioni data-driven per risolvere le complessità della supply chain aftermarket.

Rel. Maurizio Schenone. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Della Produzione Industriale E Dell'Innovazione Tecnologica, 2019

[img]
Preview
PDF (Tesi_di_laurea) - Tesi
Document access: Anyone
Licenza: Creative Commons Attribution Non-commercial No Derivatives.

Download (2MB) | Preview
Abstract:

Ci troviamo di mezzo di una rivoluzione, il nostro mondo sta cambiando molto velocemente e la forza trainante sono i big data. Una parola ormai molto presente, specialmente all’interno delle multinazionali, ma non si stratta solo di un trend bensì di un concetto che offre opportunità significative di cambiare il modello di business moderno e di conseguenza le singole decisioni giornaliere: le cosiddette decisioni “data-driven”. L’immensa sorgente di dati disponibile grazie al mondo sempre più interconnesso avrà un grosso impatto dal punto di vista sociale, economico e governativo. Per quanto riguarda le imprese è ormai un punto di vista comune trattare i dati come fonte di profittabilità e aiuto nelle prese decisionali. Alcune ricerche, dimostrano che un terzo delle multinazionali leader nel proprio settore che usano i big data per prendere decisioni manageriali, sono più profittevoli del 6% rispetto alle loro comptetitor (Mcafee et al., 2012; Lohr, 2012). Un esempio di come le aziende possono semplificare e supportare il processo decisionale è la condivisione dei dati all’interno dell’intera supply chian, rendendola più visibile e integrata e di conseguenza innalzandone la competitività. Tuttavia, le imprese che intendono innalzare la propria competitività nel futuro devono investire in nuovi tool che non sono più i classici erp tradizionali, ma presentano nuove capabilities che agiscono grazie ad un uso intelligente dei big data. Un riscontro avviene sicuramente sulle migliori capacità di previsione della domanda attraverso l’uso dei big data. La necessità di predire la domanda deriva dall’incertezza di quest’ultima e, nel caso del settore aftermarket è amplificata dall’elevato numero di part number differenti. Approcci tradizionali per far fronte a questa incertezza e mantenere un alto livello di servizio verso il cliente sono tendenzialmente un incremento di SKU (Stock Keeping Units) nell’inventario o un’elevata responsivness nei trasporti. Di contro però, questi metodi tendono a far elevare i costi all’interno della supply chain, poiché soprattutto nel caso dell’aumento di SKU nell’inventario risulta essere meno ottimizzata. Agendo invece attraverso il miglioramento del forecast e quindi assicurandosi che quel preciso part sia nel posto giusto ed al momento giusto si ottiene un impatto notevole, poiché vengono ridotte le SKU all’interno dell’inventario e quindi i relativi costi, il tutto senza impattare il livello di servizio verso il cliente. Quest’ultimo parametro è fondamentale, specialmente nel settore automotive, poiché il trend è sempre più quello di instaurare un rapporto continuativo nel tempo col cliente finale fornendo soluzioni e servizi anziché solamente vendergli un prodotto. Così facendo si ottiene una più alta profittabilità ed una più alta fidelizzazione del cliente. Si è notato che i servizi aftermarket possono triplicare il turnover per quanto riguarda i nuovi prodotti. Inoltre, è presente anche una notevole riduzione della frequenza d rottura di stock, altro fatto che impatta positivamente a livello di costi e sul livello di servizio. Le aziende nel settore automotive stanno raccogliendo dati dai clienti finali con una frequenza in continuo aumento, ma è fondamentale capire come vengano utilizzati, sia dal punto di vista tecnico, sia da quello funzionale. Da una prospettiva manageriale facilitano e aiutano la gestione della domanda e allo stesso tempo ottimizzano il flusso dei materiali. Ciò permette alle a

Relators: Maurizio Schenone
Academic year: 2019/20
Publication type: Electronic
Number of Pages: 85
Subjects:
Corso di laurea: Corso di laurea magistrale in Ingegneria Della Produzione Industriale E Dell'Innovazione Tecnologica
Classe di laurea: New organization > Master science > LM-33 - MECHANICAL ENGINEERING
Ente in cotutela: Institut de Préparation à l'Administration et à la Gestion - IPAG (FRANCIA)
Aziende collaboratrici: UNSPECIFIED
URI: http://webthesis.biblio.polito.it/id/eprint/12716
Modify record (reserved for operators) Modify record (reserved for operators)