Il progetto si è sviluppato durante il periodo di stage universitario presso l'azienda di consulenza KValue srl e nasce dall'esigenza di una multinazionale nel settore dell'arredo industriale e degli allestimenti per veicoli commerciali, la quale ha richiesto un'analisi previsiva delle vendite con l'obiettivo di migliorare il vantaggio competitivo sulla concorrenza nel mercato di riferimento. Per rispondere all'obiettivo si è inizialmente creato il dataset a partire dal database della multinazionale delimitando le analisi entro un perimetro definito da alcune logiche derivanti dal mercato di riferimento; inoltre si è deciso di integrare il dataset contente i dati relativi alle vendite e ai clienti con alcuni indicatori macroeconomici per rendere maggiormente accurate le previsioni. In seguito alla pulizia del dataset ed a un’analisi accurata delle variabili si sono implementati modelli di machine learning e serie storiche per rispondere alla domanda di business. Una volta discussi i limiti e le potenzialità del modello che performa meglio le previsioni, si espongono consigli pratici che saranno messi in atto per completare il progetto di consulenza.
Previsione e pianificazione della domanda: il caso di una multinazionale italiana nel mondo B2B
ZANETTI, GIULIA
2022/2023
Abstract
Il progetto si è sviluppato durante il periodo di stage universitario presso l'azienda di consulenza KValue srl e nasce dall'esigenza di una multinazionale nel settore dell'arredo industriale e degli allestimenti per veicoli commerciali, la quale ha richiesto un'analisi previsiva delle vendite con l'obiettivo di migliorare il vantaggio competitivo sulla concorrenza nel mercato di riferimento. Per rispondere all'obiettivo si è inizialmente creato il dataset a partire dal database della multinazionale delimitando le analisi entro un perimetro definito da alcune logiche derivanti dal mercato di riferimento; inoltre si è deciso di integrare il dataset contente i dati relativi alle vendite e ai clienti con alcuni indicatori macroeconomici per rendere maggiormente accurate le previsioni. In seguito alla pulizia del dataset ed a un’analisi accurata delle variabili si sono implementati modelli di machine learning e serie storiche per rispondere alla domanda di business. Una volta discussi i limiti e le potenzialità del modello che performa meglio le previsioni, si espongono consigli pratici che saranno messi in atto per completare il progetto di consulenza.File | Dimensione | Formato | |
---|---|---|---|
Zanetti_Giulia.pdf
accesso riservato
Dimensione
5.28 MB
Formato
Adobe PDF
|
5.28 MB | Adobe PDF |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/49963