• Data mining process
• Machine learning
• Regression problem
• Sales planning
• Time series forecasting

Nel contesto del Material Management di Piaggio & C. S.p.A, questo studio è incentrato sull’applicazione di tecniche avanzate di Machine Learning e analisi dei dati, esplorando come questi metodi possano essere efficacemente impiegati per analizzare le tendenze temporali e prevedere i futuri andamenti delle vendite. L’indagine ha un duplice scopo: da una parte, analizzare l’applicabilità e l’efficacia delle tecniche di Demand Forecasting in un ambiente aziendale concreto, lavorando con dati reali; dall’altra, esaminare le opportunità per integrare e potenzialmente automatizzare il processo di pianificazione aziendale attualmente in uso nel settore del Material Management. Questo approccio non solo mira a migliorare la precisione nelle stime di vendita, ma aspira anche a trasformare il modo in cui le decisioni strategiche sono prese all’interno dell’organizzazione. Attingendo da un dataset appositamente costruito, estratto dal sistema SAP/BW aziendale e integrato con dati esterni, vengono implementate tecniche avanzate di time series forecasting, aggregando le vendite mensilmente per massimizzare l’utilizzo delle capacità di queste metodologie, tra cui l’identificazione di tendenze e pattern stagionali, l’adattamento ai cambiamenti nel tempo e la capacità di integrare variabili esogene influenti. Successivamente, per offrire un’analisi ancor più dettagliata, il problema è stato trattato come un caso di regressione, mirando a una previsione più precisa e granulare delle vendite. Questo approccio ha permesso di esplorare più dettagliatamente le dinamiche delle vendite dei veicoli del brand V espa, evidenziando come le tecniche di time series forecasting e di regressione possano essere complementari nel fornire una comprensione globale e dettagliata delle tendenze di vendita all’interno dell’azienda. L’aspirazione iniziale è quella di analizzare l’andamento delle vendite sotto una nuova luce e di valutare la possibilità di estendere l’uso di queste tecniche a contesti più ampi e generali all’interno dell’organizzazione. L’introduzione di un modello predittivo automatizzato non solo può aumentare la precisione delle previsioni di vendita, ma può anche servire da strumento di partenza, complementare al processo di pianificazione esistente, potenziando l’efficienza operativa e generando un impatto significativo all’interno del settore in cui si applica in termini di costi e tempi. Questo studio rappresenta un modello di riferimento per l’applicazione iniziale di strategie di ML nel Material Management, segnando un passo avanti significativo nel campo del business decision-making e della gestione delle risorse aziendale. Questa ricerca si propone di offrire un contributo innovativo nel campo della gestione aziendale, sottolineando il valore e l’importanza della precisione nelle previsioni di vendita e il loro impatto diretto sull’ottimizzazione delle risorse aziendali.

Within the context of Material Management at Piaggio C. S.p.A, this study focuses on the application of advanced Machine Learning and data analysis techniques, exploring how these methods can be effectively employed to analyze temporal trends and predict future sales trajectories. The investigation serves a dual purpose: firstly, to analyze the applicability and efficacy of Demand Forecasting techniques in a concrete business environment with real data; secondly, to examine the opportunities for integrating and potentially automating the current business planning process used in the Material Management sector. This approach not only aims to enhance the accuracy of sales estimates but also strives to transform how strategic decisions are made within the organization. Drawing from a dataset specifically constructed, extracted from the company’s SAP/BW system and integrated with external data, advanced time series forecasting techniques are implemented. Sales are aggregated monthly to maximize the utility of these methodologies, including identifying trends and seasonal patterns, adapting to changes over time, and the ability to integrate influential exogenous variables. Subsequently, to provide even more detailed analysis, the problem is approached as a regression case, aiming for more precise and granular sales predictions. This method allows for a more thorough exploration of the sales dynamics of Vespa brand vehicles, highlighting how time series forecasting and regression techniques can complement each other in providing a
comprehensive and detailed understanding of sales trends within the company. The initial aspiration is to analyze sales trends in a new light and assess the possibility of extending the use of these techniques to broader and more general contexts within the organization. The introduction of an automated predictive model can not only increase the accuracy of sales predictions but can also serve as a starting tool, complementary to the existing planning process, enhancing operational efficiency and generating a significant impact in terms of costs and time within the applied sector. This study represents a benchmark for the application of ML strategies in Material Management, marking a significant advancement in the field of business
decision-making and corporate resource management. This research aims to offer an innovative contribution in the field of business management, emphasizing the value and importance of precision in sales forecasting and its direct impact on optimizing corporate resources.