Machine Learning nella Gestione del Budget Aziendale: un Modello XGBoost per la Previsione del Costo del Lavoro

Il costo del lavoro rappresenta, in molte realtà aziendali e in particolare nel settore del Facility Management, la voce di spesa più rilevante e al tempo stesso una delle più complesse da prevedere e pianificare, a causa dell'elevata labor intensity, della variabilità dei volumi di commessa e dell'articolazione dei CCNL applicati. La presente tesi nasce da un'esperienza di tirocinio svolta presso Coopservice, nell'ambito della funzione HR dedicata al Labor Cost & Compensation and Performance Analytics, e si propone di analizzare il potenziale del Machine Learning come strumento a supporto della pianificazione economica aziendale. Il lavoro si articola in una prima parte teorica, in cui vengono approfonditi i fondamenti del costo del lavoro — dalle sue componenti dirette e differite alle determinanti endogene ed esogene della sua variabilità — e le peculiarità del settore del Facility Management, con particolare riferimento al caso Coopservice. Successivamente, viene condotta una rassegna dei principali modelli di Machine Learning basati su alberi decisionali, dagli algoritmi singoli (Decision Tree) ai metodi di ensemble learning (Bagging, Random Forest e Boosting), fino ad arrivare a una trattazione approfondita di XGBoost, con particolare attenzione alla sua formulazione matematica, ai criteri di costruzione degli alberi, alle tecniche di regolarizzazione e agli iperparametri principali. La parte applicativa della tesi presenta lo sviluppo di un modello XGBoost per la previsione del costo del lavoro, costruito su dati aziendali reali forniti da Coopservice. Vengono descritte le fasi di raccolta e strutturazione dei dati, il processo di feature engineering, la definizione della variabile target e la strategia di validazione adottata, fino all'addestramento del modello e all'ottimizzazione degli iperparametri. Le performance predittive di XGBoost vengono infine confrontate con quelle di approcci di altri modelli tradizionali di ML. I risultati ottenuti vengono discussi anche alla luce della feature importance, per comprendere quali variabili incidano maggiormente sulla previsione del costo del lavoro, e delle implicazioni pratiche per la funzione Labor Cost & Compensation. La tesi si conclude con una riflessione sui limiti dello studio e sulle possibili direzioni di sviluppo futuro.