Valutazione del Rischio nei Piani Industriali: Simulazione Monte Carlo e Rilevamento degli Outlier con KNIME
View/ Open
Author
Ferrero, Fabio <1997>
Date
2025-03-26Data available
2025-04-03Abstract
L'analisi del rischio nei piani industriali è fondamentale per le aziende, soprattutto in contesti di incertezza finanziaria. Questa tesi esplora l'applicazione della simulazione Monte Carlo per valutare il rischio di un piano industriale, concentrandosi sulla previsione dell'EBITDA su un orizzonte temporale di cinque anni. In assenza di dati ufficiali dell'azienda cliente, l'analisi è stata condotta utilizzando dati di aziende comparabili.
Un elemento chiave dello studio è la preparazione dei dati, essenziale per garantire simulazioni affidabili. A tal fine, sono state applicate tecniche avanzate di rilevamento degli outlier, combinando metodi statistici tradizionali (come IQR e Z-Score) con algoritmi di machine learning, tra cui DBSCAN e Isolation Forest. L'uso della piattaforma low-code KNIME ha permesso di automatizzare il processo di pulizia dei dati. I risultati sono stati validati attraverso l'implementazione in Python, dimostrando l'efficacia di KNIME nella gestione dei dati aziendali.
La simulazione Monte Carlo è stata sviluppata seguendo due approcci distinti. Il primo, one step ahead, ha consentito di simulare le variabili finanziarie chiave per il primo anno successivo al periodo di analisi, determinando la distribuzione delle variabili casuali con tre metodologie: test KS, modello best fit e ricerca lineare. Il secondo, multi-steps ahead, ha esteso la simulazione ai quattro anni successivi, modellando l’evoluzione delle variabili aggregate (costi e ricavi) e la loro correlazione tramite la decomposizione di Cholesky. Il confronto tra modelli con e senza correlazione ha evidenziato come l'inclusione delle dipendenze tra variabili migliori significativamente la capacità predittiva.
Questa ricerca dimostra il valore aggiunto dell'integrazione tra data science, machine learning ed Enterprise Performance Management (EPM) nella gestione dell'incertezza finanziaria, proponendo un approccio innovativo per la valutazione del rischio nei piani industriali. Risk analysis in industrial plans is crucial for companies, especially in scenarios of financial uncertainty. This thesis explores the application of Monte Carlo simulation for assessing the risk of an industrial plan, focusing on forecasting EBITDA over a five-year time horizon. In the absence of official data from the client company, the analysis was conducted using data from comparable companies.
A key element of the study is data preparation, essential for ensuring reliable simulations. To this end, advanced outlier detection techniques were applied, combining traditional statistical methods (such as IQR and Z-Score) with machine learning algorithms, including DBSCAN and Isolation Forest. The use of KNIME's low-code platform enabled the automation of the data cleaning process. The results were validated through implementation in Python, demonstrating KNIME’s effectiveness in managing corporate data.
The Monte Carlo simulation was developed following two distinct approaches. The first, one step ahead, allowed for the simulation of key financial variables for the first year following the analysis period, determining the distribution of random variables using three methodologies: KS test, best fit model, and linear search. The second, multi-steps ahead, extended the simulation to the following four years, modelling the evolution of aggregate variables (costs and revenues) and their correlation through Cholesky decomposition. The comparison between models with and without correlation highlighted how including dependencies between variables significantly improves predictive capability.
This research demonstrates the added value of integrating data science, machine learning, and Enterprise Performance Management (EPM) in managing financial uncertainty, proposing an innovative approach to risk assessment in industrial plans.
Type
info:eu-repo/semantics/masterThesisCollections
- Laurea Magistrale [5638]