La ricerca è stata sviluppata con l’intento di approfondire le tematiche legate alla manutenzione predittiva all'interno di un contesto aziendale in cui la corretta gestione di complessi sistemi informatici è essenziale.In questo senso si è rivelato importante il software di monitoraggio Oracle Enterprise System Manager, grazie al quale sono stati raccolti i dati relativi a tre tecnologie di interesse: Oracle Database, Oracle WebLogic e Oracle System Infrastructure. Tali dati, che descrivono lo stato di salute dei sistemi citati, sono stati quindi catalogati in tre dataset differenti ed elaborati per mezzo di diversi modelli matematici (Random Forest, Support Vector Machine e Neural Network) dopo una fase di preprocessing: quest’ultima ha permesso la risoluzione di alcuni problemi come l’assenza di molti valori e il forte sbilanciamento delle due classi (Target Up, Target Down) rappresentanti lo stato di salute dei sistemi.In termini di accuratezza, precision e recall si è quindi notato come, tendenzialmente, il Support Vector Machine risulti più efficiente degli altri modelli nonostante produca comunque un elevato numero di falsi allarmi che devono essere gestiti con l'intervento umano.I modelli, di cui si è fatto il training e il successivo testing, sono stati quindi serializzati ed esportati per essere messi a disposizione di un secondo modulo software: questo consente l’utilizzo dei risultati della ricerca con i nuovi dati ottenuti per mezzo del monitoraggio quotidiano dei sistemi..