Obiettivi
Il progetto nasce con l’obiettivo di dotare l’azienda di uno strumento strutturato per la previsione dei volumi produttivi giornalieri, in grado di supportare la pianificazione operativa su base dati, migliorare l’allocazione delle risorse produttive, ridurre l’incertezza nella gestione dei carichi di lavoro e abilitare analisi previsionali a diversi livelli di dettaglio (cliente, linea di prodotto, tipologia di confezionamento).
Sfida iniziale
La sfida principale era sviluppare un sistema di previsione in grado di gestire la complessità e l’eterogeneità dei dati produttivi, caratterizzati da una domanda variabile da parte dei clienti, differenze strutturali tra le linee di prodotto e le tipologie di packaging, la necessità di analisi su più livelli di aggregazione, e il requisito di integrare la soluzione all’interno dei flussi operativi esistenti.
Soluzione
La soluzione utilizza algoritmi avanzati di machine learning per la previsione di serie temporali, tra cui modelli come LightGBM, basati su strutture decisionali gerarchiche per previsioni multi-livello. Segmenta, inoltre, la produzione per clienti, categorie e componenti, assicurando coerenza tra i diversi livelli previsivi. Per la domanda irregolare, adotta metodi specifici che migliorano l’accuratezza nella stima dei beni intermittenti.
Il sistema consente:
- Previsioni giornaliere dei volumi produttivi;
- Analisi multi-livello su quattro livelli di aggregazione;
- Aggiornamento dinamico dei dati tramite upload dedicato;
- Generazione automatica di report a supporto del management;
La piattaforma, sviluppata come web application interattiva, permette agli utenti aziendali di visualizzare le previsioni attraverso dashboard dinamiche e strumenti di data visualization avanzati, facilitando l’interpretazione dei risultati e il confronto tra scenari previsionali. L’intero sistema è progettato per essere scalabile, aggiornabile e integrabile con eventuali evoluzioni future dell’infrastruttura dati aziendale.
Benefici
L’introduzione della piattaforma ha consentito di strutturare il processo di pianificazione produttiva su basi quantitative, abilitando un approccio predittivo alla gestione operativa.
Tra i principali benefici:
- Maggiore accuratezza nella pianificazione dei volumi produttivi;
- Ottimizzazione dell’utilizzo delle linee produttive;
- Migliore gestione dei picchi e delle fluttuazioni della domanda;
- Riduzione dei margini di errore nelle stime operative;
- Rafforzamento della cultura data-driven in azienda.
Il ruolo di IFAB
IFAB ha seguito l’intero percorso tecnico del progetto, mettendo a valore competenze di data engineering, modellazione statistica e deep learning. La fase iniziale ha riguardato la raccolta e preparazione dei dati storici di vendita e produzione attraverso attività di pulizia, gestione dei valori mancanti e degli outlier, e feature engineering specifico per le serie temporali, un’attività che ha richiesto una comprensione approfondita della struttura dei dati produttivi aziendali.
Su questa base, sono stati sviluppati, addestrati e confrontati diversi modelli di previsione, spaziando dai metodi statistici consolidati come ARIMA e l’exponential smoothing fino ai modelli di machine learning e deep learning, tra cui gradient boosting e reti ricorrenti di tipo LSTM e GRU. Un’attenzione particolare è stata dedicata all’identificazione dei pattern stagionali e delle ricorrenze legate ai picchi di domanda, come le festività, che caratterizzano il mercato dei salumi e richiedono aggiustamenti mirati nella pianificazione. Il modello selezionato è stato infine integrato nel flusso produttivo aziendale e sottoposto a un sistema di monitoraggio continuo, con aggiornamenti periodici per adattarlo all’evoluzione delle dinamiche di mercato.
La partecipazione a Tanziforecast ha permesso a Fondazione IFAB di rafforzare un insieme di competenze trasversali di grande rilevanza applicativa: dalla gestione e preparazione di dati industriali complessi, alla selezione e validazione di architetture di forecasting su serie temporali, fino all’integrazione di modelli predittivi in contesti produttivi reali. Un’esperienza che conferma la capacità di IFAB di tradurre strumenti di intelligenza artificiale avanzata in soluzioni operative concrete, anche per realtà produttive di scala media del tessuto industriale emiliano-romagnolo.
Partners
Per informazioni rivolgersi a: projects@ifabfoundation.org
