Analisi dei processi produttivi tramite Process Mining: inquadramento teorico e studio di un caso nel settore metalmeccanico

Questa tesi si pone l'obiettivo di esplorare e applicare il Process Mining, una disciplina che unisce la data science alla gestione aziendale, permettendo di ricostruire e analizzare i flussi operativi reali a partire dalle tracce digitali (event log) estratte dai sistemi informativi. L'elaborato si articola in due macro-sezioni. La prima parte fornisce un inquadramento teorico sulla tecnica del Process Mining, spiegandone il funzionamento. La seconda parte presenta un case study condotto sui dati estratti dal sistema gestionale (ERP) di un'azienda operante nel settore metalmeccanico. L'elaborazione del dataset è stata supportata dall'impiego dell software Apromore, attraverso la quale è stato possibile mappare i modelli di processo "as-is" e condurre un'indagine multidimensionale strutturata su sette macro-obiettivi. Nello specifico, l'analisi ha affrontato i seguenti ambiti: 1. Process Discovery: ricostruzione del flusso reale, che ha evidenziato un'altissima variabilità (oltre 220 varianti su 225 commesse) causata dall'elevata personalizzazione dei componenti e dall'assenza di standardizzazione lineare. 2. Performance Analysis: quantificazione dei tempi di attraversamento (Lead Time) e identificazione dei colli di bottiglia critici, con particolare attenzione all'accumulo di Work-in-Progress (WIP) e ai tempi di attesa tra le fasi. 3. Quality Analysis: valutazione dei pattern di difettosità per isolare il "costo occulto" della non-qualità, dimostrando come i loop di rilavorazione (rework) arrivino a triplicare i tempi di consegna standard. 4. Resource Analysis: indagine sugli squilibri di carico (Workload Imbalance) tra macchine e operatori, identificando correlazioni dirette tra l'impiego di specifici centri di lavoro (es. macchine di rettifica, stazioni di ispezione) e i ritardi sistemici. 5. Setup Optimization: analisi dei tempi occulti di cambio formato, proponendo l'integrazione di tecniche Lean (metodologia SMED) e logiche di schedulazione intelligente per mitigare l'impatto dei fermi macchina. 6. Predictive Quality: sviluppo di un framework basato su algoritmi di intelligenza artificiale (Machine Learning) volto ad anticipare l'insorgenza dei difetti in ottica proattiva, riducendo gli scarti a fine linea. 7. Process Variant Analysis: scomposizione della variabilità del processo in funzione delle caratteristiche del componente, al fine di isolare le pratiche efficienti da quelle problematiche. I risultati ottenuti dimostrano come l'applicazione sistematica del Process Mining consenta di superare i limiti dell'osservazione tradizionale e statica, mettendo in evidenza le inefficienze nascoste. Il lavoro fornisce al management metriche oggettive e data-driven per supportare decisioni strategiche di ottimizzazione, confermando il Process Mining come strumento fondamentale per il miglioramento continuo e l'eccellenza nel settore di appartenenza.