The versatility of machine learning applied to demand forecasting: the case of Danone Nutricia S.p.A.

This paper aims at describing the versatility and adaptability of machine learning to demand forecasting in complex supply chains. These are contexts where uncertainty and interrelationships play a central role in shaping the performance of the system: consequently, machine learning can help reducing the mass of quantitative tasks that should be performed and, at the same time, enhancing these activities with high computational power and data analysis. Data-driven decision-making is, in fact, the guideline for successful organizations in all industrial environments, and supply chains must follow this principle as well. The thesis will first provide the reader with a brief introduction to machine learning. After presenting the historical background and describing the state-of-the-art of machine learning techniques, this section will move on and focus on the application of machine learning models to decision-making and demand forecasting. Demand planning as a wider role is central in industrial organizations, because it brings all other functions together, receiving inputs from finance, marketing, and category functions, and releasing outputs to the downstream supply chain. The description of the versatility of machine learning in demand forecasting will be supported by the business case of Danone Nutricia S.p.A., thanks to the experience of the candidate in the organisation as a demand planning intern for the Dairy category. Three use cases were extracted from this experience, as they will be presented in the last section of this paper. Each of these use cases is associated with small projects that were developed by the candidate in collaboration with other functions within the organisation. The implementation of machine learning in demand forecasting can improve forecast accuracy, operational efficiency, and the quality of decision-making. Overall, this thesis shows how machine learning can be a valuable help for demand planning process, not by substituting human judgment, but as an enhancer and complementary methodological support.

Questo lavoro di tesi ha l’obiettivo di descrivere la versatilità e l’adattabilità del machine learning alle attività di previsione della domanda in contesti di complesse supply chain. Questi sono ambienti dove l’incertezza e l’interdipendenza giocano un ruolo centrale nel delineare la performance dell’intero sistema: di conseguenza, l’applicazione del machine learning può aiutare a ridurre la mole di attività quantitative che dovrebbero essere svolte da una funzione aziendale e, al tempo stesso, potenziare queste attività grazie all’elevato potere computazionale e alla capacità di elaborazione di dati. La presa di decisioni orientata dai dati è, infatti, la linea guida per organizzazioni di successo nei moderni contesti industriali, ed anche la supply chain deve seguire questo principio. Inizialmente, la tesi introdurrà il lettore ad una breve panoramica sulle tecniche di machine learning. Dopo aver presentato il contesto storico ed aver descritto lo status-quo delle tecniche di machine learning, questa sezione introduttiva proseguirà focalizzandoci sulla applicazione dei modelli di machine learning alla presa di decisioni e alla previsione di domanda. Il ruolo del demand planner è infatti centrale nelle organizzazioni industriali, perché collega numerose altre funzioni aziendali, ricevendo input dalle risorse finanziarie, di marketing, e commerciali, e rilasciando output alle risorse a valle della supply chain. La descrizione della versatilità del machine learning nella previsione della domanda sarà supportata dal caso di Danone Nutricia S.p.A., grazie all’esperienza del candidato nell’organizzazione come stagista demand planner per la categoria Dairy. Dalle numerose attività svolte durante i quattro mesi di stage sono stati estratti tre casi studio, a cui sono dedicate tre sezioni finali. Ciascuno di questi casi è stato infatti associato a piccoli progetti che sono stati sviluppati dal candidato in collaborazione con altre funzioni interne ed esterne all’organizzazione. L’implementazione del machine learning nella previsione della domanda può migliorare l’accuratezza della previsione, l’efficienza operazionale, e la qualità del processo di presa di decisioni. In generale, questa tesi mostra in che modo il machine learning può essere di grande aiuto al processo di previsione della domanda, non sostituendo il giudizio umano, bensì potenziando e completando il lavoro del demand planner.