Predizione della Domanda di Prodotto per l'Ottimizzazione delle Giacenze nella Supply Chain Petrolifera

Abstract

Nel panorama dinamico dell’industria petrolifera, una gestione efficiente delle scorte `e fondamentale per garantire un funzionamento senza interruzioni della catena di approvvigionamento. Questa tesi di master approfondisce l’ambito della previsione della domanda di prodotti per l’ottimizzazione ottimale delle scorte all’interno della catena di approvvigionamento petrolifera, unendo le discipline dell’ingegneria informatica, dell’analisi dei dati e della modellazione predittiva. La tesi approfondisce ulteriormente il regno della modellazione predittiva avanzata. Utilizzando sofisticati algoritmi di previsione, questo studio prevede i futuri modelli di domanda di prodotti petroliferi. L’analisi include l’incorporazione di componenti stagionali, catturando le variazioni sfumate della domanda durante tutto l’anno. Inoltre, vengono sfruttate le reti neurali all’avanguardia, fornendo una comprensione pi`u profonda delle complesse dinamiche della domanda e migliorando l’accuratezza delle previsioni. I risultati di questo studio hanno profonde implicazioni per le parti interessate all’interno della catena di approvvigionamento petrolifera, aprendo la strada a processi decisionali pi`u agili e basati sui dati. Mentre l’industria avanza verso un’era di gestione intelligente della catena di approvvigionamento, questa tesi testimonia il ruolo svolto dagli approcci interdisciplinari nel rimodellare il futuro della logistica petrolifera.

In the dynamic landscape of the petroleum industry, efficient inventory management is paramount to ensure a seamless supply chain operation. This master thesis delves into the realm of forecasting product demand for optimal inventory optimization within the petroleum supply chain, merging the disciplines of computer engineering, data analysis, and predictive modeling. The thesis further delves into the realm of advanced predictive modeling. Employing sophisticated forecasting algorithms, this study predicts future demand patterns for petroleum products. The analysis includes the incorporation of seasonal components, capturing the nuanced variations in demand throughout the year. Moreover, cuttingedge neural networks are harnessed, providing a deeper understanding of intricate demand dynamics and enhancing the accuracy of predictions. The findings of this study have profound implications for stakeholders within the petroleum supply chain, paving the way for more agile, data-informed decision-making processes. As the industry marches towards an era of intelligent supply chain management, this thesis stands as a testament to the role played by interdisciplinary approaches in reshaping the future of petroleum logistics.