Previsione della domanda e riduzione degli sprechi alimentari: un approccio data-driven applicato all'industria della carne

La crescente rilevanza del fenomeno delle perdite e degli sprechi alimentari (Food Loss & Food Waste, FLW) rappresenta una delle principali sfide per la sostenibilità dei sistemi agroalimentari, con implicazioni economiche, ambientali e sociali significative. In questo contesto, la capacità di prevedere in modo accurato la domanda assume un ruolo strategico, in quanto consente di migliorare l’efficienza della supply chain e ridurre le inefficienze produttive. La presente tesi si propone di analizzare l’impatto dell’utilizzo di modelli previsionali avanzati sulla riduzione degli sprechi alimentari nell’industria delle carni stagionate, attraverso unapproccio data-driven applicato a un caso studio aziendale. L’analisi si basa su dati giornalieri relativi al periodo 2023–2025, riferiti a quattro referenze strategiche di un’impresa operante nel settore dei salumi. Il lavoro si articola in tre fasi principali. In primo luogo, viene effettuata una classificazione della domanda utilizzando l’approccio di Syntetos et al. (2005), al fine di identificare la natura della serie. In secondo luogo, vengono implementati e confrontati diversi modelli previsionali tradizionali, di machine learning e specifici per domanda intermittente. I risultati evidenziano come l’accuratezza delle previsioni dipenda fortemente dalla tipologia di domanda: i modelli tradizionali risultano più efficaci per serie regolari e stagionali, mentre i metodi specifici per domanda intermittente mostrano performance superiori in presenza di elevata irregolarità. L’adozione di modelli più appropriati consente di ridurre significativamente gli errori previsionali, contribuendo a una migliore pianificazione produttiva e a una riduzione degli sprechi. Dal punto di vista manageriale, lo studio dimostra che l’integrazione di strumenti previsionali avanzati permette alle imprese di ottimizzare la gestione delle scorte, ridurre i costi logistici e migliorare la competitività. Inoltre, i risultati evidenziano un contributo concreto agli obiettivi di sostenibilità, in particolare agli SDGs 12 (consumo e produzione responsabili), 13 (lotta al cambiamento climatico) e 2 (sconfiggere la fame). In conclusione, la tesi evidenzia come l’adozione di un approccio data-driven al forecasting rappresenti una leva strategica per migliorare l’efficienza operativa all’interno dell’azienda, e promuovere modelli produttivi più sostenibili nel settore agroalimentare.