PROGETTAZIONE DI UN FRAMEWORK DATA-DRIVEN DI SUPPORTO ALLE DECISIONI PER L'OTTIMIZZAZIONE DELLA GESTIONE DELLE SCORTE: INTEGRAZIONE DI BUSINESS INTELLIGENCE E DEMAND FORECASTING IN PEZZOL INDUSTRIES

This study presents the design of a data-driven analytical framework aimed at optimizing inventory management at Pezzol Industries S.r.l., a manufacturing company specialized in the production of safety footwear. The main objective was to overcome the limitations of a reactive approach, which entails operational and economic risks such as production interruptions caused by stockouts or capital immobilization due to excess inventory. The proposed solution consists of a scientific and predictive model developed through a pilot project on a strategic set of chemical raw materials essential for sole production. The model is designed to be validated and subsequently extended to other inventory categories. The methodological approach is structured into three phases. The first phase is presented as a diagnostic analysis, providing an objective assessment of current performance. This was carried out by identifying inefficiencies through the processing of historical data and the computation of key performance indicators (KPIs), such as inventory turnover, days of coverage, overstock and understock analysis, and the identification of low- or zero-rotation items. The second phase, the predictive phase, focuses on estimating future demand. To ensure high accuracy, several forecasting models of increasing complexity were compared: from basic techniques such as Simple and Weighted Moving Averages to advanced time-series models implemented in Python, including ARIMA (AutoRegressive Integrated Moving Average) and Prophet. At the end of the analysis, the most accurate model was selected for each item. The third, prescriptive phase aims to translate forecasts into concrete operational rules. Using as input the demand estimate, its variability (standard deviation), lead time, and desired service level, optimal inventory policies were computed: safety stock, to mitigate uncertainty, and the reorder point. The entire analytical framework is consolidated into an interactive Power BI dashboard, which acts as a managerial decision-support system by providing a clear and immediate representation of indicators, demand forecasts, automatic warnings for critical situations such as overstock or understock, and operational suggestions for optimal replenishment. In this way, the framework optimizes a process aligned with the principles of Industry 4.0 and represents a practical tool for implementing the values of sustainability, resilience, and human-centered decision-making that characterize Industry 5.0.

Questo studio presenta la progettazione di un framework analitico data-driven finalizzato all’ottimizzazione della gestione delle scorte presso Pezzol Industries S.r.l., azienda manifatturiera specializzata nella produzione di calzature antinfortunistiche. Il principale obiettivo preposto è stato quello di superare le limitazioni di un approccio reattivo, che comporta rischi operativi ed economici, ad esempio interruzioni della produzione dovute a rotture di stock o immobilizzazione di capitale per eccessi di giacenza. La soluzione proposta consiste in un modello scientifico e predittivo, sviluppato tramite un progetto pilota su un paniere strategico di materie prime chimiche essenziali per la produzione delle suole. Il modello è progettato per essere validato e successivamente esteso ad altre categorie di scorte. Il percorso metodologico si articola in tre fasi. La prima fase viene presentata come un’analisi diagnostica, cioè un’analisi in grado di fornire una valutazione oggettiva delle performance attuali. Questo lavoro viene fatto valutando le inefficienze tramite l’elaborazione di dati storici e il calcolo di alcuni indicatori chiave di prestazione (KPI), quali l’indice di rotazione delle scorte, i giorni di copertura, l’analisi di overstock e sottoscorta, e l’identificazione di articoli a bassa o nulla rotazione. In seguito viene proposta la fase predittiva che è stata pensata per essere focalizzata sulla stima del fabbisogno futuro. Per garantire una buona accuratezza, vengono confrontati modelli di previsione della domanda di complessità crescente: dalle tecniche di base, come la media mobile semplice e ponderata, fino a modelli avanzati di serie storiche implementati in Python, tra cui ARIMA, AutoRegressive Integrated Moving Average, e Prophet. Al termine dell’analisi l’algoritmo più performante viene selezionato per ciascun articolo. La terza fase, di tipo prescrittivo, mira a tradurre le previsioni in regole operative concrete. Utilizzando come input la stima della domanda, la sua variabilità (deviazione standard), il tempo di approvvigionamento (lead time) e il livello di servizio desiderato, vengono calcolate le politiche di scorta ottimali: la scorta di sicurezza, per mitigare le incertezze, e il punto di riordino. L’intero framework analitico si concretizza nello sviluppo di una dashboard interattiva in Power BI. Questo strumento funge da sistema di supporto alle decisioni manageriali, offrendo una rappresentazione chiara e immediata degli indicatori, delle previsioni della domanda, delle segnalazioni automatiche per situazioni critiche come overstock o sottoscorta, e dei suggerimenti operativi per il riordino ottimale degli articoli. In questo modo, iI framework ottimizza un processo fondato sui principi dell’Industria 4.0 e rappresenta uno strumento concreto per implementare i valori di sostenibilità, resilienza e supporto umano caratteristici dell’Industria 5.0.