Modelli locali e modelli globali nella previsione dei ritardi di consegna dei fornitori: analisi di un caso studio nel settore automotive

L’obiettivo principale di una catena di approvvigionamento (“supply chain”) è quello di garantire che il consumatore finale ottenga prodotti o servizi nella maniera più efficiente possibile, cioè in tempi brevi e con un costo da sostenere minimo. Nel settore manifatturiero e, nello specifico, nel settore automotive - che è quello di interesse della presente tesi - tale catena di approvvigionamento sta assumendo negli anni una complessità crescente: uno dei fattori chiave è legato alla puntualità delle consegne da parte dei fornitori, che svolge un ruolo cruciale nel garantire la fluidità delle operazioni di produzione. In questa prospettiva, l’obiettivo dell’elaborato è quello di presentare un algoritmo di machine learning, il quale, sulla base di un insieme di dati appartenenti ad un’azienda che opera nel settore dell’automotive, calcola le previsioni circa il possibile ritardo o anticipo che può realizzarsi al momento della consegna di un certo prodotto da parte dei suoi abituali fornitori rispetto alla data originariamente prevista e fornisce delle valutazioni circa la bontà della previsione effettuata. Tale algoritmo lavora seguendo tre approcci: il primo approccio, rientrante nella famiglia dei metodi “locali”, fornisce una valutazione della previsione effettuata a livello di singolo fornitore e di singolo prodotto. Gli altri due approcci, invece, rientrano nella famiglia dei “metodi globali”: in particolare, il secondo approccio opera su un campo di azione lievemente più ampio rispetto al primo, giacché valuta la previsione a livello di singolo fornitore ma considerando tutti i suoi prodotti. Il terzo approccio, infine, effettua le previsioni e la relativa valutazione a livello di tutti i fornitori contenuti nel database. Tale tesi, dunque, si pone l’obiettivo di fornire linee guida pratiche per ottimizzare la catena di approvvigionamento nel settore automotive, promuovendo la puntualità delle consegne e migliorando l'efficienza operativa complessiva.