Make or Buy: decisioni difficili in un mercato di estrema volatilità ed incertezza. Il caso Montenegro s.r.l.

La pandemia COVID-19 ha causato una crisi della supply chain globale, con ritardi e rallentamenti nella produzione, nella distribuzione di beni essenziali e componistica elettronica dovuti alla chiusura delle fabbriche. In un momento in cui le catene di approvvigionamento globali avevano appena iniziato a “riprendersi” dopo due anni di pandemia, un altro evento geopolitico mondiale dalle grandi conseguenze ha fatto la sua comparsa, la Guerra in Ucraina. L’invasione ha causato un ulteriore aumento dei prezzi delle materie prime in quanto l'Ucraina è un importante produttore di cereali e un fornitore di materie prime come il gas naturale. In questo contesto, nasce questo elaborato che si pone l’obiettivo di dare al Gruppo Montenegro tutti gli strumenti necessari per compiere una scelta di “make or buy” in risposta ad una previsione della domanda crescente. Per raggiungere questo scopo si sono analizzate parallelamente sia la scelta “buy” sia la scelta “make”. In conclusione, alla tesi è stata proposta una soluzione che prevede tre diversi scenari, che in base all’evoluzione del mercato e dei trend globali potrà essere strategicamente d’aiuto all’azienda sulle decisioni da implementare nei prossimi anni.

Sviluppo ed applicazione di un algoritmo per la pallettizzazione e la saturazione del mezzo di trasporto: il caso Gruppo Montenegro S.r.l. - Food Division

L’elaborato di tesi è frutto di un percorso di tirocinio svolto in Gruppo Montenegro S.r.l., il cui obiettivo risiede nello sviluppo di un algoritmo per la pallettizzazione e la saturazione del mezzo di trasporto per la Divisione Food. Nello specifico viene proposto un algoritmo euristico elaborato nel linguaggio di programmazione Python. La divisione Food è costituita da tre categorie: Cannamela, Cuore e Vitalia.Queste comprendono prodotti molto eterogenei. Attraverso il coinvolgimento delle funzioni aziendali di Packaging e Qualità, sono stati stabiliti i vincoli da rispettare per la pallettizzazione dei prodotti. L’algoritmo proposto viene descritto suddividendo il processo in tre macro-step. La prima parte affronta il problema del 3D Bin Packing Problem, utilizzando e modificando un programma già presente in letteratura per soddisfare le esigenze della categoria Cannamela. Quest’ultima a differenza delle altre categorie, viene allestita in groupage preallestito poiché gli ordini Cannamela possono contenere quantità non-multiple rispetto alle quantità contenute nell’imballo secondario. La seconda parte dell’algoritmo si occupa della creazione dei pallet per le categorie Cuore e Vitalia. Attraverso l’utilizzo dell’algoritmo di clustering K-means sono state create famiglie di codici che permettessero l’allestimento di pallet con prodotti considerati simili. Di conseguenza, l’algoritmo per la pallettizzazione delle due categorie viene sviluppato ex-novo basandosi sulla percentuale di occupazione del prodotto nel pallet. L’ultima parte dell’algoritmo studia la possibilità di sovrapporre i pallet precedentemente creati. Infine, viene effettuata un’analisi di un periodo strategico confrontando i risultatidell’algoritmo Python con quelli dell’algoritmo presente nel gestionale aziendale. I risultati vengono poi analizzati in relazione a due impatti importanti per l’azienda:economici e ambientali.