Applicazione e Comparazione degli algoritmi di Machine Learning e Deep Learning su dataset inerenti a KPI di Balance Scorecard

In questa tesi ci si è concentrati nell’indagare se fosse possibile adoperare dati generalmente utilizzati per misurazioni di tipo economico-gestionali all’interno di algoritmi di Machine Learning. Tramite ciò risulta possibile ampliare la portata conoscitiva dei dati che vengono raccolti all’interno dell’azienda, con in più anche la possibilità di addestrare gli algoritmi con dati storici in modo tale da riuscire ad anticipare i risultati attesi, coadiuvando in questo modo la pianificazione strategica ed economica ad un livello finora inesplorato. Per far ciò si è scelto di adoperare uno dei principali strumenti di pianificazione strategica, ossia la Mappa Strategica e la relativa Balanced Scorecard messa a punto dagli economisti Kaplan e Norton. Da essa si è derivato quali potrebbero essere alcuni dei principali Key Performance Indicators (KPI) comuni al maggior numero di aziende, nelle varie prospettive. Con questa metodologia è stato selezionato un indicatore per ogni prospettiva, ossia: - Il ROI (Return On Investment) per la Prospettiva degli Azionisti - Il Churn Rate per la prospettiva della Customer Satisfaction - Il Quality Rating per la Prospettiva dei Processi - Il Performance Rating ed il Trust Rating per la prospettiva dello Sviluppo Organizzativo Una volta selezionati si è andato a ricercare dei dataset che potessero rappresentare realisticamente delle misurazioni dei suddetti indicatori. Successivamente si è proceduto ad analizzare le variabili presenti nei dataset sotto diversi punti di vista quali: la distribuzione, l’integrità, la consistenza e la correlazione. In particolare si è analizzato la tipologia di distribuzione statistica, l’eventuale presenza di valori mancanti (missing values), l’eventuale presenza di valori inconsistenti (outliers o errori di misurazione) ed i livelli di correlazione delle variabili fra esse e la variabile target. Successivamente si è proceduto ad addestrare dei modelli predittivi tramite i programmi R e Python, nello specifico Regressioni Lineari, Polinomiali, Logaritmiche Binomiali e Multinomiali, Alberi Decisionali, Random Forest e Reti Neurali, e a verificare l’effettiva esattezza delle predizioni riportate da questi modelli. Inoltre è stato oggetto di analisi anche la loro capacità di fornire informazioni circa la forza con cui alcune variabili influenzino o meno la variabile target o della presenza di soglie determinanti un cambio significativo del valore della variabile target. Infine si è riscontrato quali approcci hanno meglio performato rispetto ai punti di vista appena espressi.