• Apprendimento statistico
• regression
• regressione
• rstudio
• rstudio
• shipping
• spedizioni
• statistical learning

La tesi rappresenta un'indagine condotta durante un tirocinio presso l'azienda Shipping Services Italia. Il fine dello studio è quello di dare consapevolezza e fornire spunti di miglioramento nel processo operativo, utilizzando strumenti statistici avanzati. Durante il tirocinio, sono stati raccolti dati dettagliati su 60 spedizioni mensili per un periodo di sei mesi, compreso tra ottobre 2023 e marzo 2024. Questi dati includevano variabili quali costo, ricavo, utile, distanza percorsa, peso del carico, tempo di consegna, area di consegna e altre variabili ritenute significative per l’analisi. Lo studio è stato incentrato sull'utilizzo di modelli di regressione lineare e logistica, strumenti fondamentali nell'apprendimento statistico e nell'analisi dei dati, con il supporto del software RStudio per la costruzione e l'analisi di tali modelli.
Il primo passo è stato l'uso di modelli di regressione lineare per analizzare l'andamento economico delle spedizioni. Sono stati sviluppati tre modelli distinti per esaminare il comportamento dell'utile, del costo e del ricavo in relazione ad altre variabili delle spedizioni. Il modello di regressione lineare relativo all'utile ha permesso di identificare quali variabili specifiche delle spedizioni influenzano maggiormente il profitto netto. Parallelamente, il modello di regressione sui costi ha rivelato quali fattori aumentano o riducono le spese operative, fornendo indicazioni per l'ottimizzazione dei costi. Infine, il modello di regressione per il ricavo ha aiutato a comprendere meglio le determinanti dei guadagni aziendali, evidenziando le variabili che più significativamente contribuiscono ad aumentare o ridurre il ricavo.
Oltre ai modelli di regressione lineare, è stato implementato il modello di regressione logistica per stimare la probabilità di ritardo nelle spedizioni. Data l’arbitrarietà del termine di discriminazione tra spedizione in ritardo e in orario, sono stati analizzati cinque modelli con differenti soglie di cut-off. Questi modelli hanno analizzato come variabili specifiche influenzino la puntualità delle consegne. L'analisi ha permesso di quantificare il rischio di ritardo associato a diverse condizioni operative, offrendo all'azienda strumenti predittivi per migliorare la gestione delle spedizioni.
I risultati ottenuti forniscono a Shipping Services Italia una comprensione dei fattori che influenzano le loro operazioni logistiche. Le analisi di regressione lineare hanno evidenziato le relazioni chiave tra variabili economiche e operative, permettendo di individuare aree di intervento. Al contempo, i modelli di regressione logistica offrono un approccio predittivo per gestire e minimizzare i ritardi nelle consegne, migliorando l'affidabilità del servizio.
L'uso di modelli di regressione, costruiti e analizzati con l'aiuto di RStudio, ha permesso di trasformare i dati raccolti in risultati concreti, fornendo una base solida per decisioni aziendali più informate e strategie di ottimizzazione delle spedizioni. In conclusione, la tesi dimostra come l'applicazione di metodi statistici avanzati e l’utilizzo di software dedicati possano offrire vantaggi significativi nella gestione logistica e delle spedizioni, contribuendo a migliorare l'efficienza operativa e la competitività.