Previsione e razionalizzazione del fabbisogno ricambi. il caso IEMCA.

La gestione dei ricambi rappresenta un elemento strategico per garantire disponibilità e continuità operativa, richiedendo al tempo stesso un attento bilanciamento tra livello di servizio e immobilizzo di capitale a magazzino. In questo contesto, la previsione del fabbisogno gioca un ruolo centrale, poiché previsioni più accurate permettono di dimensionare le scorte riducendo rischi di stock-out e overstock. La tesi affronta in modo integrato gestione economica dei ricambi e previsione della domanda. Dopo una prima parte teorica dedicata ai modelli classici di gestione e ai metodi previsionali consolidati, vengono analizzate tecniche avanzate di machine learning e deep learning, con particolare attenzione alla clusterizzazione tramite k-means e alle reti neurali multilayer perceptron (MLP). L’attività applicativa, svolta nell’ambito di un tirocinio aziendale, ha previsto due fasi interconnesse. In primo luogo, è stata ricostruita la situazione attuale (as-is) del magazzino ricambi, individuando criticità gestionali e proponendo interventi migliorativi a breve, medio e lungo termine. In secondo luogo, sono stati sperimentati diversi modelli predittivi per la stima del fabbisogno, confrontando approcci di machine learning e deep learning su dati storici aziendali. I risultati hanno mostrato che, nelle condizioni attuali e con i dataset disponibili, non è stato possibile individuare metodi previsionali pienamente affidabili , ma l’analisi ha permesso di evidenziare potenzialità e limiti delle diverse tecniche, fornendo indicazioni utili per sviluppi futuri. In conclusione, il lavoro dimostra come l’integrazione tra gestione economica del magazzino e metodologie di previsione rimanga una prospettiva promettente sebbene non siano stati ancora raggiunti risultati soddisfacenti sul piano previsionale.