Metodi e Modelli di supporto alla gestione dei costi manutentivi di flotte auto aziendali mediante analisi predittive.

Ogni giorno all'interno di tutte le aziende ci si trova a dover prendere decisioni di diverso tipo, nelle quali la Data Science può essere un valido strumento di supporto. Il progetto riportato in tesi, infatti, nasce dalla necessità di risolvere una problematica dell'azienda Global Sistemi, la quale si trova ad aver bisogno di un prodotto che possa fornirle informazioni utili nel processo decisionale. Global Sistemi offre ai propri clienti un software per la gestione di flotte di auto ed ha recentemente deciso di ampliare le funzionalità del prodotto offrendo loro la possibilità di ottimizzare l'utilizzo delle proprie risorse, ponendo particolare attenzione sulle spese annuali sostenute per ogni auto della flotta. Per lo sviluppo di tale progetto è stata necessaria l'acquisizione di quanti più dati l'azienda possedesse sulle auto in questione. Le informazioni ottenute sono state studiate per poter essere filtrate mantenendone solo la parte rilevante, la quale è stata successivamente analizzata dal punto di vista qualitativo e manipolata al fine di produrre un dataset da sottoporre ad algoritmi predittivi alla base della Data Science. Attraverso diverse tecniche di Data Science, come Regressione e Classificazione, e l'utilizzo di reti neurali si è potuto addestrare un modello, il quale al termine del processo di addestramento è in grado di predire con una discreta accuratezza se una determinata auto nell'anno successivo comporterà costi manutentivi maggiori di 550 euro. Questo prodotto permetterà ai possessori di parchi auto di avere un supporto nelle decisioni relative alla propria flotta come ad esempio la rottamazione o l'acquisto di un'auto.