Data Mining e Progettazione di Dashboard per l'Efficienza della Supply Chain nell'Industria Calzaturiera

The footwear industry presents unique challenges in its management due to high product variety, rapidly shifting consumer behaviour and intricate manufacturing workflows. Hence, harnessing data for strategic decision-making is now and indispensable prerequisite for maintaining competitive advantage within the industry. Centred on the optimization of supply chain performance, this thesis develops a holistic framework that integrates analytical data mining with business intelligence, effectively narrowing the gap between conceptual models and their empirical utility. The study evolves beyond theoretical review by operationalizing domain-specific knowledge by merging data mining methodologies with a rigously defined KPI architecture. A primary contribution of this research lies in the development of a robust and realistc dataset that mirrors the operational dynamics of a reference footwear company. This provides the necessary foundation for a dual-layer analysis: descriptive performance monitoring through Power Bi and predictive intelligence powered by RapidMiner Altair AI Studio. Ultimately, this work illustrates how the transformative power of turning eaw inputs into structured intelligence facilitates superior management from research and development to logistics. The resulting model serves as a versatile blueprint for organizations transitioning from traditional data collection to an integrated, AI-enhanced decision support.

La filiera calzaturiera presenta delle sfide che possono essere considerate uniche, ciò deriva da cicli di produzione complessi, dalla volatilità dei trend e da un’elevata varietà di prodotti. La capacità di sfruttare i dati per il processio decisionale non può essere considerata un’opzione, ma deve essere un requisito fondamentale per garantire ad un’azienda competitività nel mercato. La presente tesi si pone come obiettivo quello di integrare le tecniche di data mining e di business intelligence, fornendo come risultato finale l’ottimizzazione delle prestazioni di tutta la supply chain. È per questa ragione che si propone un modello metodologico integrato, che sia capace di tradurre i paradigmi teorici in soluzioni concrete e tangibili, applicabili nel contento industriale di riferimento. Superando i limiti di una trattazione puramente teorica, questa dissertazione ha l’obiettivo di rendere operative le conoscenze di questo settore traducendole in uno strumento di analisi. La ricerca integra strumenti di data mining e una selezione accurata di KPI. Questi indicatori sono stati classificati per mezzo di diverse tecniche (e.g. modello SCOR, le dimensioni di sostenibilità, logiche Lean e Agile, BWM, ecc...), garantendo una mappatura multidimensionale delle prestazioni aziendali. Sulla base della definizione dei KPI, considerati imprescindibili nel settore calzaturiero, un dataset sintetico ma realistico è stato costruito. Ogni indicatore di performance è stato scomposto, ottenendo così i dati grezzi necessari ed essenziali per la sua mappatura. Tramite la costruzione minuziosa del dataset si è riusciti a simulare fedelmente il flusso informativo di un’azienda calzaturiera. È grazie alla realizzazione di questo dataset che si è riusciti a sviluppare una duplice analisi: da un lato vi è lo sviluppo di dashboards, che permettono una valutazione delle performance, tramite l’utilizzo dello strumento di lavoro Power BI; dall’altro vi è un’analisi preventiva e di scoperta di pattern nascosti mediante l’uso di Rapid Miner Altair AI Studio. Questa tesi è riuscita a dimostrare che la trasformazione di dati grezzi in insight azionabil permette una gestione più efficace in tutte le fasi della catena di fornitura, partendo dalla fase di sviluppo prodotto fino ad arrivare alla logistica e distribuzione. Il modello proposto ha l’ambizione di configurarsi come un’architettura scalabile per tutte le aziende del settore che si pongono l’obiettivo di passare da una semplice raccolta dati ad un sistema di supporto decisionale guidato dall’intelligenza artificiale.