I risultati ottenuti non sono da considerarsi ottimali ai fini di un utilizzo reale poiché lasciano prevedere come un ipotetico utilizzatore si troverebbe di fronte ad un errata previsione in un caso su 4. Su 4 anomalie quindi realmente verificatesi il sistema potrebbe produrre un’errata previsione di 1 delle 4.
In definitiva quindi i risultati ottenuti in questa fase del presente lavoro di tesi lasciano intendere come l’obiettivo di produzione di un sistema di previsione delle anomalie sia realmente perseguibile ma necessita di un’integrazione dei dati esistenti con altri dati provenienti da fonti esterne.
Inoltre, le dimensioni del decision tree prodotto, si parla di oltre 58.000 nodi, fanno si che una sua consultazione ed analisi, da condursi manualmente, sia impossibile da effettuare. Per questa ragione quindi anche il secondo obiettivo preposto risulta di difficile perseguibilità.
8 RISULTATI E CONCLUSIONI
Il presente lavoro di tesi evidenzia come l’utilizzo di un’ampia gamma di tecniche e metodologie che spaziano in ambiti diversi, dalla data exploration al data mining, siano estremamente utili per l’estrazione di informazioni, caratteristiche e conoscenze intrinseche e nascoste nei dati. Informazioni, caratteristiche e conoscenze che, dal canto loro, forniscono dei validi suggerimenti alle misure adottabili ai fini di ottenere un miglioramento di determinati aspetti delle performance aziendali.
Altro aspetto, non secondario, è legato invece a come l’utilizzo di un applicativo con un approccio fortemente orientato alla semplicità di utilizzo, nella fattispecie Metabase, consenta la realizzazione di una piattaforma di analisi che permetta all’utente di trarre tutte le informazioni utili al suo processo decisionale e al miglioramento dello stesso, in maniera semplice e intuitiva.
Scendendo più nel dettaglio, la metodologia di analisi utilizzata, e più in particolare le analisi condotte all’interno di essa, hanno evidenziato i seguenti aspetti:
1. Si può osservare un sensibile incremento nelle percentuali di anomalia sul totale delle spedizioni, nel mese di Agosto e più in generale nel periodo estivo da Aprile ad Agosto. La Figura 5.5 dimostra la presenza di questo trend crescente.
2. Emerge la presenza di un fornitore, Morelli Group, che monopolizza lo scenario con il 76,6% di spedizioni (1.147.491 su 1.498.443). Esso confluisce il suo particolare pattern di andamento delle percentuali di anomalie al caso generale palesando un aspetto patologico e non fisiologico come si potrebbe pensare. La Figura 5.6 dimostra questo aspetto.
3. Si può osservare un andamento molto singolare e inatteso del numero di anomalie per numero di colli. Si evidenzia infatti un picco nel numero di anomalie nelle spedizioni composte da un solo collo e un crollo dello stesso al crescere del numero di colli spediti. La Figura 5.8 dimostra la presenza di questo trend decrescente.
4. Emerge come Morelli Group sia responsabile di una parte considerevole delle anomalie. Tutti gli enti di carico aventi una percentuale di anomalia superiore alla soglia del 2% vedono le percentuali scendere quando il fornitore del servizio di trasporto non è Morelli Group. La Figura 5.9 dimostra questo aspetto.
5. Emerge l’esistenza di alcune tratte e di alcune zone da considerarsi ad elevata criticità. Si può osservare infatti come le tratte Plant Nayadedel Friuli-Milano365 e
Plant Elsaa mare-Noventa Vicentina10 siano quella che presentano una maggiore
criticità quando il numero di colli è 1. Si contano infatti un totale di 100 anomalie su 606 spedizioni, cioè circa il 16,5%, per la prima tratta e 51 su 484, cioè circa il 10,5% per la seconda. Emerge inoltre come la zona di Livigno, con i suoi due clienti receiver Livogno1 e Livigno2 fa registrare percentuali di anomalia record con un totale di 135 anomalie su 263 spedizioni, ovvero oltre il 51%. Le Figure 5.10, 5.11 e 5.12 dimostrano la presenza di queste criticità.
6. Si può osservare come oltre il 44% delle anomalie nelle spedizioni composte da un solo collo presentano nella causale di anomalia la dicitura “Altri motivi di anticipo
dovuti al corriere” e oltre il 10% presentano la dicitura “Chiuso per ferie/lavori/spazio”. Più in generale per le spedizioni da 1 a 10 colli emerge come
in tutti e 10 i casi la causale di anomalia “Chiuso per ferie/lavori/spazio” si presenta sempre tra le prime due o tre problematiche di anomalia. Ciò lascia intendere la presenza di notevoli problematiche legate alla comunicazione tra l’ente di carico e il cliente receiver. Supposizione supportata anche dal fatto che la dicitura “Merce rifiutata dal cliente senza esplicita motivazione”, presenta in tutti e 10 i casi valori percentuali significativi, quasi sempre intorno all’8%.
7. La convergenza dei risultati del clustering nel 2016 e 2017 è il chiaro sintomo di un comportamento sistematico aziendale che si ripete negli anni. Emergono in particolare 3 comportamenti sistematici.
a. Un primo che sembrerebbe tuttavia risolto dal 2013 in poi e legato alle anomalie da altri motivi di anticipo dovuti al corriere, che addirittura nel 2012 raggiungono una percentuale record di oltre il 60% sul totale delle anomalie.
b. Un secondo sorto invece nel 2013 e mai risolto relativo ad anomalie causate dal destinatario chiuso per ferie, che dal 2013 al 2017 presenta sempre valori percentuali superiori al 10%.
c. Un terzo sorto anch’esso nel 2013 e anch’esso mai risolto legato ad anomalie dovute a merce rifiutata dal cliente senza esplicita motivazione. 8. Si può osservare come dal 2013 in poi percentuali di anomalie vicine al 50% non
sono da ritenersi legate ad aspetti temporali. La Figura 6.17 dimostra questo aspetto.
9. Le dashboard del clustering mostrano una correlazione tra la causale di anomalia e gli enti di carico. Si può osservare come esista una forte concentrazione tra le anomalie con causale “Altri motivi di anticipo dovuti al corriere” e “PLANT ELSAA MARE” come ente di carico. Inoltre l’ente di carico “PLANT MIRCOLIGURE” presenta una percentuale di anomalia doppia, per quando riguarda la causale “Chiuso per ferie / lavori / spazio”, rispetto all’ente di carico “PLANT SESTO TESEOSARDO” nonostante i due abbiamo volumi di spedizioni pressoché uguali. La Figura 6.20 dimostra questo aspetto.
10. L’obiettivo di produzione di un sistema di previsione del verificarsi delle anomalie è realmente perseguibile pur necessitando di un’integrazione dei dati esistenti con dati provenienti da fonti esterne (vedi sviluppi futuri 8.2).