APPLICAZIONI DI MACHINE LEARNING E ANOMALY DETECTION PER IL DIMENSIONAMENTO PREDITTIVO DEL KANBAN SYSTEM DI COMER INDUSTRIES

Il presente lavoro di tesi affronta le inefficienze del sistema di approvvigionamento Kanban presso lo stabilimento Comer Industries S.p.A. di Reggiolo. La problematica di fondo risiede nella mancata scansione dei cartellini a bordo linea: questa latenza informativa degrada il sistema pull, causando rotture di stock improvvise e/o accumuli occulti di sovrascorte. Per risolvere la criticità, ho sviluppato un'architettura dati a due livelli. In una prima fase, ho ingegnerizzato un motore di calcolo relazionale capace di incrociare oltre 35.000 record SAP, fornendo un monitoraggio predittivo per allineare giacenza fisica e contabile. Successivamente, ho guidato la transizione da un Kanban statico a uno dinamico tramite Machine Learning. Il mio contributo specifico ha riguardato l'implementazione in Python di una pipeline analitica: dopo il filtraggio delle anomalie tramite algoritmo DBSCAN, ho segmentato i codici d'acquisto applicando diversi algoritmi di machine learning, basandomi su metriche logistiche standard e su indicatori customizzati da me ideati. L'applicazione operativa del tool di monitoraggio ha drasticamente abbattuto i Kanban in stato d'errore. Parallelamente, le simulazioni sul dimensionamento algoritmico hanno dimostrato un potenziale dimezzamento del capitale immobilizzato e l'azzeramento delle perdite per stock-out. Tali risultati dotano l'azienda di Fattori di Sicurezza e frequenze di aggiornamento direttamente integrabili nell'ERP aziendale.