From reactive to predictive: AI-driven logistics forecasting at Scania

La presente tesi esplora l'applicazione di tecniche avanzate di analisi dati e modellistica predittiva per analizzare e ottimizzare i processi logistici presso lo stabilimento Scania Production a Zwolle in Olanda. Il progetto di ricerca è stato svolto durante uno stage nel dipartimento Logistics Engineering (MZEL), con l'obiettivo di analizzare l'attuale gestione logistica, basata prevalentemente su processi manuali e reattivi, e trasformarlo in un sistema proattivo e predittivo basato sul Machine Learning. Attraverso l'uso di metodi statistici e modelli predittivi, in particolare la regressione Random Forest, sono state identificate inefficienze operative e proposte soluzioni automatizzate capaci di stabilizzare la gestione dell’inventario sulla linea, ridurre significativamente le anomalie nella logistica e migliorare complessivamente l'efficienza operativa. La ricerca ha dimostrato come l'integrazione di metodologie di Machine Learning possano apportare benefici concreti e misurabili, migliorando così la competitività aziendale e aprendo la strada a future implementazioni su più ampia scala.