TECNICHE DI DATA MINING A SUPPORTO DEL CONTROLLO QUALITÀ NELLA PRODUZIONE DI MODA DI LUSSO: UN'ANALISI COMPARATIVA CON RAPIDMINER

This thesis examines the application of data mining techniques to support quality control in the luxury fashion leather goods sector. Following a theoretical overview of the evolution of quality control and of the traditional and statistical methodologies adopted in industrial contexts, the work focuses on the role of data in quality management, with particular reference to classification algorithms. These approaches were implemented and compared using RapidMiner on two real datasets, relating respectively to inspection outcomes and defect types identified on high-end leather bags and accessories. Three classifiers were tested, namely Decision Tree, Random Forest and Naive Bayes, and evaluated through accuracy, classification error, recall and precision indicators, as well as through confusion matrix analysis. The results showed that accuracy, when considered in isolation, constitutes a misleading metric in the presence of imbalanced classes: decision tree-based models, despite displaying high overall performance, systematically failed to detect minority classes, whereas Naive Bayes achieved greater sensitivity toward them. A reflection was also conducted on the asymmetry of error costs in the luxury sector, where a false positive entails greater reputational risk than a false negative. The work concludes with a discussion of the structural limitations of the available datasets and of possible future developments, including integration with Association Rule Mining and Computer Vision techniques, with the aim of providing decision support that complements, rather than replaces, artisanal judgment.

Il presente lavoro analizza l'applicazione di tecniche di data mining a supporto del controllo qualità nel settore della pelletteria della moda di lusso. Dopo un inquadramento teorico sull'evoluzione del controllo qualità e sulle metodologie tradizionali e statistiche adottate in ambito industriale, l'elaborato si concentra sul ruolo dei dati nella gestione della qualità, con particolare riferimento agli algoritmi di classificazione. Tali approcci sono stati implementati e confrontati mediante il software RapidMiner su due dataset reali, relativi rispettivamente agli esiti di collaudo e alla tipologia di difetti riscontrati su borse e accessori in pelle di alta gamma. Sono stati testati tre classificatori, Decision Tree, Random Forest e Naive Bayes, valutati mediante indicatori di accuratezza, errore di classificazione, recall e precisione, nonché tramite l'analisi delle rispettive matrici di confusione. I risultati hanno evidenziato come l'accuratezza, se considerata isolatamente, risulti una metrica fuorviante in presenza di classi sbilanciate: gli alberi decisionali, pur mostrando elevate prestazioni complessive, hanno sistematicamente ignorato le classi minoritarie, mentre il Naive Bayes ha garantito una maggiore sensibilità verso tali classi. È stata inoltre condotta una riflessione sull'asimmetria dei costi d'errore nel settore del lusso, dove un falso positivo comporta rischi reputazionali superiori rispetto a un falso negativo. Il lavoro si conclude con una discussione sui limiti strutturali dei dataset disponibili e sulle possibili direzioni di sviluppo futuro, tra cui l'integrazione con tecniche di Association Rule Mining e Computer Vision, nell'ottica di un supporto decisionale che affianchi, senza sostituire, il giudizio artigianale.