00. Operational Analytics
Indice
Panoramica del Corso
Il corso introduce metodi analitici per migliorare decisioni operative quotidiane: prevedere cosa accadrà, scegliere come allocare risorse limitate e intervenire prima che i problemi producano costi elevati.
L’idea centrale è pratica: usare dati, modelli e algoritmi non solo per descrivere il passato, ma per prendere decisioni migliori nel presente e nel futuro prossimo.
Contenuti
Il corso ruota attorno a tre blocchi principali:
- Operational analytics: uso dell’analisi dati per aumentare efficienza e qualità delle operazioni.
- Forecasting e modellazione di serie storiche: previsione di domanda, guasti, carichi, costi o altri fenomeni nel tempo.
- Ottimizzazione ed euristiche: scelta di soluzioni buone o ottime, anche quando il problema è complesso e serve una risposta rapida.
Note
Il corso non è solo teorico: i metodi vengono implementati durante le lezioni, usando strumenti come Python ed Excel.
Metodo didattico ed esame
La valutazione avviene tramite discussione di progetti individuali, senza una sessione d’esame tradizionale.
Modalità principali:
- Esercizi svolti a lezione e caricati online: permettono di ottenere fino a 24.
- Progetto standard proposto dal docente: permette di ottenere fino a 27.
- Progetto personale su dati propri: può arrivare fino a 30 e lode se include estensioni avanzate viste durante il corso.
Tip
Per un progetto forte conviene partire da un problema operativo reale: dati di produzione, vendite, manutenzione, logistica o pianificazione, non dataset generici presi da repository online.
Definizioni Fondamentali
Operational Analytics
Definizione
L’Operational Analytics è il processo di usare l’analisi dei dati per migliorare l’efficienza e rendere più fluide le operazioni quotidiane di un’organizzazione.
In pratica: significa trasformare dati operativi in decisioni concrete. Per esempio, un supermercato può usare gli ordini previsti per decidere come rifornire i punti vendita; una fabbrica può usare sensori di temperatura e vibrazione per decidere quando fare manutenzione.
L’Operational Analytics è una parte della più ampia business analytics e sfrutta strumenti di:
- Business intelligence, per monitorare indicatori e processi.
- Data mining, per scoprire pattern nascosti nei dati.
- Artificial intelligence e machine learning, per prevedere eventi o suggerire azioni.
- Ottimizzazione, per scegliere la migliore combinazione di decisioni compatibile con vincoli e obiettivi.
Forecasting
Definizione
Il forecasting è l’insieme di tecniche usate per stimare valori futuri a partire da dati storici e informazioni disponibili.
In pratica: se ho le vendite settimanali degli ultimi anni, posso stimare le vendite della prossima settimana. La previsione non è certezza, ma una base quantitativa per preparare risorse, scorte, personale e budget.
Esempi tipici:
- Prevedere la domanda di un prodotto.
- Stimare quando un componente potrebbe guastarsi.
- Anticipare carichi di lavoro o picchi di produzione.
- Valutare ordini futuri dei punti vendita.
Il forecasting sarà collegato ai moduli su predictive analytics e ai metodi statistici o di intelligenza artificiale usati per la previsione.
Ottimizzazione
Definizione
L’ottimizzazione consiste nel cercare la soluzione migliore rispetto a un obiettivo, rispettando vincoli sulle risorse, sulle capacità e sulle regole operative.
In pratica: non basta sapere che una macchina potrebbe guastarsi tra dieci giorni. Bisogna decidere quando intervenire, quale squadra assegnare, quali altri interventi raggruppare e quale costo totale minimizzare.
Nel corso compare anche il concetto di euristica: un metodo rapido e pragmatico che cerca una buona soluzione senza garantire necessariamente l’ottimo matematico.
Esempio intuitivo
Se dieci componenti avrebbero manutenzione ideale nello stesso giorno ma ci sono solo tre squadre disponibili, serve un criterio per scegliere priorità e spostamenti. Questo è un problema di ottimizzazione operativa.
Perché Serve
L’Operational Analytics è utile perché rende le organizzazioni meno reattive e più proattive. Invece di accorgersi dei problemi dopo un report trimestrale, si può intervenire quando il dato segnala un rischio o un’opportunità.
Decisioni più rapide
Definizione
Una decisione data-driven rapida è una scelta operativa presa usando dati aggiornati, invece di basarsi solo su revisioni periodiche o intuizioni.
Tradizionalmente molte aziende modificano processi e piani dopo analisi trimestrali o annuali. Con dati aggiornati in tempo reale o quasi reale, è possibile correggere rotta molto prima.
Esempio: se un punto vendita mostra un aumento anomalo della domanda di un prodotto fresco, il sistema può suggerire un rifornimento anticipato, riducendo rotture di stock e sprechi.
Individuazione di guasti e inefficienze
Definizione
Il fault detection consiste nell’individuare rapidamente problemi, guasti o comportamenti anomali nei processi operativi.
I dati permettono di riconoscere segnali deboli: vibrazioni fuori norma, ritardi ripetuti, ordini non coerenti, consumi energetici anomali.
In pratica: prima si scopre l’anomalia, più è probabile intervenire con costi bassi e senza bloccare il processo.
Aumento della produttività
Definizione
La produttività operativa misura quanto bene un processo trasforma risorse disponibili in risultati utili.
L’analisi dei dati aiuta a vedere colli di bottiglia, tempi morti e assegnazioni inefficienti. Una volta individuato il problema, si può riprogettare il flusso operativo.
Esempio pratico
Se una linea produttiva resta spesso ferma perché una sola fase accumula code, l’analisi operativa può evidenziare il collo di bottiglia e suggerire una diversa allocazione di personale o macchine.
Dal Dato alla Decisione Operativa
Un processo tipico di Operational Analytics segue una catena logica:
- Raccogliere dati: sensori, ordini, vendite, costi, tempi, disponibilità di risorse.
- Capire il fenomeno: individuare pattern, trend, stagionalità o anomalie.
- Prevedere: stimare eventi futuri rilevanti, come domanda o guasti.
- Ottimizzare: scegliere la decisione migliore dati obiettivi e vincoli.
- Agire e misurare: applicare la decisione e verificare se migliora il processo.
Danger
La previsione da sola non basta. Una buona stima deve essere trasformata in una decisione operativa compatibile con risorse limitate, costi e vincoli reali.
Questo collega il modulo introduttivo ai futuri argomenti su previsione, modelli predittivi e ottimizzazione operativa.
Applicazioni Pratiche
Manutenzione predittiva
Definizione
La manutenzione predittiva è una tecnica che stima il momento futuro in cui un componente potrebbe guastarsi, così da pianificare la sostituzione prima del guasto e al minor costo possibile.
La manutenzione predittiva usa misure collegate al ciclo di vita del componente, come:
- Vibrazione.
- Rumore.
- Temperatura.
- Pressione.
- Livelli dell’olio.
- Correnti elettriche.
- Corrosione.
In pratica: se un motore inizia a vibrare in modo anomalo, il dato può indicare che il componente è vicino al guasto. Intervenire prima evita fermo macchina, perdita di produzione e riparazioni urgenti.
Ottimizzazione della manutenzione
La previsione del guasto è solo il primo passo. Il problema operativo è decidere quando fare manutenzione.
Sfide Principali
La data tecnicamente migliore per un singolo componente può non essere la migliore per l’intero sistema.
Le difficoltà principali sono:
- Dipendenze con la produzione: se il costo di manutenzione è minimo proprio quando la produzione pianificata è massima, può convenire anticipare l’intervento.
- Raggruppamento degli interventi: riparare più componenti insieme può ridurre il downtime complessivo.
- Risorse limitate: se molti interventi sono ottimali nello stesso giorno, ma le squadre disponibili sono poche, serve scegliere priorità.
- Metriche multiple: minimizzare costo totale, massimizzare uptime, rispettare produzione pianificata, ridurre ritardi di manutenzione e aumentare soddisfazione del cliente.
Esempio pratico
Una macchina ha un componente che potrebbe reggere ancora una settimana, ma tra tre giorni è già pianificato un fermo produzione. Anche se la sostituzione anticipata ha un costo, può essere più conveniente farla durante il fermo già previsto.
Applicazione logistica
Definizione
Un problema di logistica operativa riguarda l’assegnazione di punti di domanda a centri di distribuzione, tenendo conto di capacità, costi e previsioni di ordini.
Nell’esempio delle slide, un’azienda ha diversi supermercati in una città, riforniti da centri logistici. Ogni supermercato è assegnato a un singolo centro logistico per ciascun settore merceologico, come freschi, scatolame, cancelleria o bevande.
Le decisioni devono considerare:
- Capacità di magazzino dei centri logistici.
- Costi di stoccaggio diversi tra centri.
- Flessibilità parziale delle capacità.
- Ordini attesi dei supermercati.
- Revisione trimestrale di assegnazioni e capacità.
In pratica: se un’area della città cresce nella domanda di prodotti freschi, può essere utile rivedere quale centro logistico serve i supermercati di quella zona, evitando sovraccarichi e costi inutili.
Benchmark e Competizioni di Forecasting
Le M-Competitions, avviate da Spyros Makridakis nel 1982, confrontano metodi di forecasting su dataset comuni. Sono importanti perché permettono di valutare modelli diversi con criteri comparabili.
Note
Un benchmark non serve solo a decretare il metodo migliore in assoluto: serve a capire quali metodi funzionano bene in quali condizioni, con quali dati e con quali limiti.
Competizioni e dataset citati:
- M1, M2, M3: competizioni storiche su serie temporali.
- M4: dataset ampio e molto usato nella ricerca sul forecasting.
- M5: competizione Kaggle focalizzata su previsione di vendite retail.
- M6: competizione con dati online e forte enfasi applicativa.
Questi benchmark saranno utili nei moduli su serie storiche e valutazione dei modelli, perché collegano accuratezza predittiva e utilità operativa.
Prossimi Argomenti
Continueremo con:
- Predictive Analytics - come modellare dati temporali e produrre previsioni operative.
- Data Preprocessing - come preparare serie e variabili prima dei modelli.
- Modelli statistici predittivi - uso di statistica per stimare eventi futuri.
- Prescriptive Analytics - come trasformare previsioni e vincoli in decisioni concrete.