Progetto Controllo Qualità

(1)

Progetto Controllo Qualità nei Centri di Distribuzione

Conad del Tirreno

Dott.ssa Francesca Gagliardi 11-05-2021

(2)

Controllo Qualità Conad del Tirreno ai CEDI - obiettivo

Lo scopo del nuovo sistema di controllo è quello di garantire il rispetto della normativa e degli standard qualitativi dei prodotti conferiti ai punti vendita associati, attraverso il processo di controllo in arrivo merci nel Centro di Distribuzione.

• Riduzione dei reclami e delle contestazioni provenienti dai punti vendita;

• Maggiore attenzione dei fornitori ai prodotti consegnati;

• Maggiore consapevolezza della funzione acquisti degli effettivi livelli di affidabilità garantiti da ciascun fornitore.

CONSEGUENZE

(3)

(4)

(5)

(6)

(7)

Controllo Qualità Conad del Tirreno ai CEDI - settori coinvolti e metodologie Nel 2017 i settori coinvolti nel progetto sono ortofrutta (CEDI di Montopoli, Monastir e Tarquinia)

I controlli nel settore ortofrutta potevano avere esito:

• ‘Conforme’ il prodotto rispetta tutti i requisiti sia in termini normativi(caratteristiche minime, etichettatura, calibro, categoria…) che per gli standard qualitativi

• ‘Conforme con segnalazione’ il prodotto presenta una percentuale di difetti a ridosso della soglia tollerata

• ‘Non conforme 1° livello’ il prodotto non risulta idoneo alla

vendita al controllo di 1° livello, ovvero i difetti presenti sono in numero elevato tanto da non ritenere necessario ricorrere al metodo

campionario definito dal Reg. Ce 543/11

• ‘Non conforme 2° livello’ il prodotto non risulta idoneo alla vendita al controllo di 2° livello, ovvero i difetti presenti sono stati giudicati in numero superiore a quanto tollerato per la categoria in esame ricorrendo al metodo campionario definito dal

Reg. Ce 543/11

(8)

(9)

L'attività svolta dal responsabile controllo qualità può essere suddivisa in 8 fasi, di cui alcune funzionali al vero e proprio controllo.

1. Controllo delle comunicazioni aziendali 2. Controllo delle giacenze

3. Controllo dell’elenco della merce ordinata

4. Controllo della non conformità nelle altre piattaforme 5. Organizzazione dei controlli sulla merce in arrivo

6. Controllo allo scarico/preparazione

7. Controllo nella zona ventilazione/preparazione 8. Gestione e comunicazione delle non conformità

(10)

(11)

75,92 24,08

Prodotti Prima Categoria

80,77 19,23

Prodotti Seconda Categoria

Primi risultati a fine 2016: Conforme/Non conforme per categoria

(12)

0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100

Cardi Mandarini Barbe Insalata gentile Ciliegie Albicocche Porri Aglio Insalata iceberg Kaky Cetrioli Uva Susine Cavolfiore Porcini Cipolle Zucchine Fagioli Fragole Patate Cicoria Pere Cime di rapa Pomodori Limoni Finocchi Insalta trocadero Radicchio rosso Mele Pesche Carciofi Kiwi Peperoni Clementini Cavolo Insalata scarola Insalata Romana Melanzane Anguria Meloni Bietola Sedano Broccoli Banane Fichi Pompelmi rossi Cavolo cinese Zucca gialla Arance Insalata Riccia Ananas Frutti di bosco Carote Verza Insalata ver Spinaci Agrumi

Concorme Non conforme

Conforme/Non conforme per classe merceologica

(13)

Controllo Qualità Conad del Tirreno ai CEDI - variabili analizzate per il settore ortofrutta

• Esito del controllo

• Data di consegna della merce, con particolare riferimento al mese

• Categoria merceologica dei prodotti controllati

• Fornitore da cui si è acquistata la merce

• Livello di rischio associato alla categoria merceologica

• Provincia associata alla sede del fornitore

(14)

ANDAMENTO DEI CONTROLLI EFFETTUATI NEL 2017 Controllo Qualità Conad del Tirreno ai CEDI

- il settore ortofrutta

0 100 200 300 400 500 600 700 800 900 1000

1 2 3 4 5 6 7 8 9 10 11 12

Controlli

Mese

CONFORME

CONFORME CON SEGNALAZIONE NON CONFORME

TOTALE

I controlli al CEDI di Monastir e di Civitavecchia sono iniziati dal mese di marzo, pertanto il dato complessivo significativo è a far data da marzo 2017

(15)

ANDAMENTO DEI CONTROLLI EFFETTUATI NEL 2017 – SINGOLI CEDI A CONFRONTO

0 50 100 150 200 250 300 350

1 2 3 4 5 6 7 8 9 10 11 12

Controlli

Mesi

Montopoli

0 50 100 150 200 250 300 350

2 3 4 5 6 7 8 9 10 11 12

Controlli

Mesi

Monastir

0 50 100 150 200 250 300 350

2 3 4 5 6 7 8 9 10 11 12

Controlli

Mesi

Tarquinia Totale

Conforme

Conforme con segnalazione Non conforme

Controllo Qualità Conad del Tirreno ai CEDI - il settore ortofrutta

(16)

67,1%

4,7%

15,7%

12,5%

Montopoli

ESITI DEI CONTROLLI EFFETTUATI NEL 2017 – SINGOLI CEDI A CONFRONTO

74,9%

4,5%

12,2%

8,4%

Monastir

71,5%

12,0%

10,7%

5,8%

Tarquinia

Conforme

Conforme con segnalazione Non conforme 1° livello Non conforme 2° livello

(17)

Montopoli: 2695 controlli effettuati

94,9% dei fornitori che hanno conferito merci soggette a controllo 91,5% delle categorie merceologiche in arrivo

4% dei colli in arrivo

Monastir: 2548 controlli effettuati

6,9% dei colli in arrivo

Tarquinia: 2427 controlli effettuati

6,9% dei colli in arrivo

CONTROLLI EFFETTUATI NEL 2017 – SINGOLI CEDI A CONFRONTO

(18)

ANDAMENTO DEI RECLAMI NEL 2017 - CONFRONTO

0 200 400 600 800 1000 1200

5 6 7 8 9 10 11 12

Mese

Controlli totali Non conformi Reclami _Reclami _Trend

(19)

ANDAMENTO DEI RECLAMI NEL 2017

– SINGOLI CEDI A CONFRONTO (ORTOFRUTTA)

0 50 100 150 200 250 300 350 400

450 Montopoli

0 10 20 30 40 50

60 Monastir

0 5 10 15 20 25 30 35 40 45

50 Tarquinia

(20)

Controllo Qualità Conad del Tirreno ai CEDI - risultati REGRESSIONE LOGISTICA

Il modello logistico viene utilizzato quando si ha interesse a stimare una

regressione che abbia come variabile di risposta una variabile dicotomica. In questo caso la variabile di risposta è l’esito del controllo (Conforme /Non conforme) ed i regressori considerati sono le variabili dicotomiche che rappresentano le varie categorie merceologiche.

(21)

Il modello di regressione logistica viene utilizzato quando si vuole investigare il legame tra una variabile dipendente Y in funzione di una o più variabili indipendenti (X1, X2, X3, …) e la variabile dipendente utilizzata è dicotomica, cioè può assumere solo 2 valori, ad esempio 0 e 1, o, come nel nostro caso conforme e non conforme. Questo modello misura la probabilità che si verifichi uno dei due eventi, condizionatamente al realizzarsi di valori delle variabili indipendenti:

𝑃(𝑌 = 1ȁ𝑥₁, 𝑥₂, 𝑥₃, …) indicata anche 𝜋(𝒙)

Se ipotizziamo di avere p variabili indipendenti, il modello di regressione logistica è rappresentato dall’espressione:

𝜋 𝒙 = 𝑃 𝑌 = 1ȁ𝒙 = 𝑒^𝛽⁰^+𝛽¹^𝑥¹^+𝛽²^𝑥²^+⋯+𝛽^𝑝^𝑥^𝑝 1 + 𝑒^𝛽⁰^+𝛽¹^𝑥¹^+𝛽²^𝑥²^+⋯+𝛽^𝑝^𝑥^𝑝

(22)

Il grafico di tale funzione descrive una curva monotona a forma di S allungata (detta “sigmoide”), limitata superiormente dalla retta y=1 e inferiormente dalla retta y=0, alle quali tende asintoticamente.

Nel caso, semplificato, in cui vi sia una sola variabile esplicativa, X, continua, si hanno, ad esempio, i seguenti grafici.

Se 𝛽₀ = 0 𝑒 𝛽₁ = 1: _Se _𝛽₀ _{= 2 𝑒 𝛽}₁ _{= −1:}

(23)

La funzione presentata è non lineare nei parametri, ma se si considera la sua trasformazione

𝑙𝑜𝑔𝑖𝑡 𝜋 𝒙 = 𝑙𝑛 𝜋 𝒙

1 − 𝜋 𝒙 = 𝛽₀ + 𝛽₁𝑥₁ + 𝛽₂𝑥₂ + ⋯ + 𝛽_𝑝𝑥_𝑝 Questa è lineare nei parametri.

Il rapporto fra le probabilità complementari ^{𝜋 𝒙}

1−𝜋 𝒙 è detto odds.

La stima dei parametri viene effettuata con il metodo della massima verosimiglianza, ed è implementabile con software di analisi statistica dei dati.

Asintoticamente, sotto condizioni non particolarmente restrittive, gli stimatori di massima verosimiglianza sono corretti (hanno un valore atteso pari alla media della popolazione di riferimento), efficienti (hanno varianza minima) e sono normalmente distribuiti (forma a campana).

(24)

Nel caso di una variabile indipendente dicotomica, come nel nostro caso, per esempio X1 della precedente equazione, il rapporto degli odds, calcolato per i due valori 0 e 1 è pari a

𝜋 1 ൘ 1 − 𝜋 1

𝜋 0

1 − 𝜋 0 = 𝑒^𝛽¹

ed è detto odds ratio e misura la variazione della probabilità che Y=1 (non conforme nel nostro caso) in presenza della variabile X1=1.

(25)

Il modello stimato per CONAD del Tirreno

Per stimare il primo modello abbiamo utilizzato il file dei controlli di qualità effettuati tra luglio e dicembre 2016 presso il magazzino di Montopoli. Nello specifico abbiamo utilizzato le due variabili Esito controllo e Categoria

La variabile Esito controllo è stata convertita in una variabile dicotomica che assume valore 1 se l’esito è non conforme di 1° o 2° livello e valore 0 se conforme.

La variabile categoria è una variabile alfanumerica scomponibile in 2 parti: la prima (i primi 3 caratteri) corrispondente ad una categoria merceologica, la seconda (gli ultimi 3 caratteri) indicante la prima o seconda categoria di prodotto. Da questa variabile sono state create una serie di variabili dicotomiche, una per ciascuna categoria merceologica che appare nel file, una per identificate la prima categoria ed una per la seconda categoria. In totale abbiamo identificato 58 categorie merceologiche.

(26)

Il modello finale ottimale stimato è il seguente:

𝑃(𝑌 = 𝑛𝑜𝑛 𝑐𝑜𝑛𝑓𝑜𝑟𝑚𝑒/𝑿) =

𝑒(−1.3506+1.6383∗𝑎𝑙𝑏𝑖𝑐𝑜𝑐𝑐ℎ𝑒+1.2636∗𝑘𝑎𝑘𝑦+2.0437∗𝑐𝑖𝑙𝑖𝑒𝑔𝑖𝑒+2.4492∗𝑖𝑛𝑠𝑎𝑙𝑎𝑡𝑎_𝑔𝑒𝑛𝑡𝑖𝑙𝑒+1.4841∗𝑝𝑜𝑟𝑟𝑖+1.0823∗𝑢𝑣𝑎)

1 + 𝑒(−1.3506+1.6383∗𝑎𝑙𝑏𝑖𝑐𝑜𝑐𝑐ℎ𝑒+1.2636∗𝑘𝑎𝑘𝑦+2.0437∗𝑐𝑖𝑙𝑖𝑒𝑔𝑖𝑒+2.4492∗𝑖𝑛𝑠𝑎𝑙𝑎𝑡𝑎_𝑔𝑒𝑛𝑡𝑖𝑙𝑒+1.4841∗𝑝𝑜𝑟𝑟𝑖+1.0823∗𝑢𝑣𝑎)

Effetto Stima puntuale Limiti di confidenza al 95% di Wald

ALBICOCCHE 5.146 1.762 15.03

KAKY 3.538 1.535 8.156

CILIEGIE 7.719 1.402 42.496

INSALATA GENT 11.579 2.317 57.876

PORRI 4.411 1.578 12.334

UVA 2.951 1.406 6.195

Stime degli odds ratio

(27)

La seconda fase delle analisi statistiche è stata arricchita sia in termini di osservazioni (controlli effettuati sino ad Aprile 2017) sia in termini di variabili esplicative, ovvero utilizzando informazioni sul rischio del prodotto in funzione del periodo di vendita (inizio produzione; pieno della produzione; produzione tardiva); la scala del rischio è stata definita da un esperto di rischio, compresa tra 1 (basso rischio) e 5 (alto rischio).

Inoltre abbiamo inserito una variabile dicotomica per il terzo trimestre (1 se il controllo è effettuato nel terzo trimestre e 0 altrimenti) ed una per il quarto trimestre (1 se il controllo è effettuato nel quarto trimestre e 0 altrimenti), una variabile dicotomica per la regione di provenienza (1 se Toscana, 0 altrimenti), una variabile dicotomica per gli ordini di casse piccoli (da 1 a 99 casse), una per i grandi ordini (maggiori o uguali a 100).

(28)

Variabile Stima Errore standard P-value Odds-ratio

Intercetta -1.7357 0.0742 <.0001

ALBICOCCHE 2.0234 0.5451 0.0002 7.564

BROCCOLI -2.4 1.012 0.0177 0.091

KAKY 1.0868 0.4302 0.0115 2.965

CAVOLFIORE 0.7014 0.3387 0.0384 2.017

CILIEGIE 2.4289 0.8692 0.0052 11.346

COCCO 17.5638 1579.3 0.9911 >999.999

FAGIOLI 0.608 0.3091 0.0492 1.837

INS_GENT 1.4137 0.5259 0.0072 4.111

INS_ICE 0.8505 0.421 0.0434 2.341

MELANZANE -0.952 0.4721 0.0437 0.386

BIETOLA_LOC -13.0495 324.8 0.968 <0.001

PATATE 1.1641 0.3002 0.0001 3.203

PORRI 1.2363 0.4476 0.0057 3.443

UVA 0.7956 0.3419 0.0199 2.216

QUARTO_TRIM 0.5619 0.122 <.0001 1.754

Modello stimato su tutto il file dei controlli - Totale osservazioni 2236

(29)

Risultati Terzo trimestre 2016 - Totale osservazioni 324

Variabile Stima

Errore

standard P-value Odds-ratio Intercetta -2.9845 0.6411 <.0001

ALBICOCCHE 2.0798 0.5681 0.0003 8.003 CILIEGIE 2.4852 0.8838 0.0049 12.004 FAGIOLI 1.7865 0.5928 0.0026 5.968

MELE 1.3012 0.6546 0.0468 3.674

SUSINE 2.0798 0.7838 0.008 8.003 Rischio 0.3975 0.1973 0.0439 1.488

(30)

Le analisi statistiche preliminari, e la stima dei modelli di regressione logistica, hanno permesso di individuare le principali cause che determinano controlli di I e di II livello non conformi. Queste cause, o variabili, possono essere sintetizzate come segue:

X₁ = variabile di rischio del prodotto, funzione anche del tempo (preparata da esperto sul rischio).

X₂ = variabile di rischio fornitore, funzione di conformità / non conformità a controlli pregressi.

X₃= variabile che incrementa la probabilità di inclusione nel controllo di I livello per i fornitori o prodotti non controllati di recente.

X₄= informazione di prodotto scadente da alcune zone di produzione.

X₅= reclamo su prodotti di un fornitore da parte di punti vendita.

Stima della variabile RISCHIO

(31)

X₁ = (1, 2, 3, 4, 5) come definite da esperto di rischio;

X₂ = (-1, 0, 1, 2, 3) rischio fornitore: -1 se conforme a ultimo controllo; 3 se non conforme a controllo I livello; 2 se non conforme a controllo II livello; 1 se parzialmente non conforme a controllo II livello; 0 se conforme a controllo II livello;

X₃= numero di giorni da ultimo controllo.

X₄= (0, 1) variabile dummy.

X₅= (0, 1) variabile dummy.

Inoltre vengono definiti anche alcuni parametri esterni:

RISCHIO_MAX = 10 (default) : valore massimo nella scala di rischio;

GIORNI_MAX = (7, 14, 21, 28) parametro di ritardo massimo per prodotti stagionali (1 trimestre, 2 trimestri, 3 trimestri) oppure annuali.

(32)

Così definite le principali variabili e i parametri esterni, la funzione finale di rischio viene definita come segue:

Y = MAX [0, MIN [RISCHIO_MAX, X₁+ X₂+ INT (X₃/ GIORNI_MAX) + 5

* X₄+ 5 * X₅]]

(33)

Campionamento merce selezionata da controllare