Operational excellence through business intelligence and machine learning integration

This thesis presents a real-world case study developed for a manufacturing company, aimed at demonstrating how the integration of machine learning techniques within a Business Intelligence environment can enhance operational decision-making. While Power BI is traditionally used for descriptive analytics and data visualization, this work shows how embedding predictive models into Power BI reports transforms it into a dynamic decision-support platform. The implemented solution consists of three main components: • Pareto-based classification of machine downtime causes, enabling prioritization of the most critical inefficiencies; • A predictive model for scrap rate, providing an early risk assessment for new production orders; • Survival analysis using Kaplan-Meier estimators, offering insights into the reliability of individual machines and homogeneous machine groups. All analytical outputs were integrated into Power BI through Python scripts, with automatic updates ensured via a configured gateway. This approach allows users to access predictive insights within a familiar interface, eliminating the need for specialized data science tools and making advanced analytics accessible even to small and medium-sized enterprises (SMEs). The results of the case study highlight tangible benefits: improved operational efficiency, proactive maintenance planning, and reduced production waste. Furthermore, this integration fosters a cultural shift toward data-driven decision-making, proving that predictive analytics can be effectively implemented even in resource-constrained environments.

Questa tesi presenta un caso studio reale sviluppato presso un’azienda del settore manifatturiero, con l’obiettivo di dimostrare come l’integrazione di tecniche di machine learning all’interno di un ambiente di Business Intelligence possa migliorare il processo decisionale operativo. Sebbene Power BI sia tradizionalmente utilizzato per analisi descrittive e visualizzazione dei dati, il progetto mostra come l’inserimento di modelli predittivi nei report trasformi la piattaforma in uno strumento dinamico di supporto alle decisioni. La soluzione implementata si articola in tre componenti principali: • Classificazione delle cause di fermo macchina basata su Pareto, per dare priorità alle inefficienze più critiche; • Un modello predittivo del tasso di scarto, che fornisce una valutazione preventiva del rischio per nuove commesse; • Analisi di sopravvivenza tramite stimatori Kaplan-Meier, per stimare l’affidabilità di singole macchine e gruppi omogenei. Tutti gli output analitici sono stati integrati in Power BI tramite script Python, con aggiornamento automatico garantito da un gateway configurato. Questo approccio consente agli utenti di accedere a insight predittivi direttamente nell’interfaccia che già utilizzano, senza ricorrere a strumenti specialistici di data science, rendendo l’analisi avanzata accessibile anche alle piccole e medie imprese. I risultati del caso studio evidenziano benefici concreti: maggiore efficienza operativa, pianificazione proattiva della manutenzione e riduzione degli sprechi produttivi. Inoltre, l’integrazione favorisce un cambiamento culturale verso decisioni basate sui dati, dimostrando che l’analisi predittiva può essere implementata efficacemente anche in contesti con risorse limitate.