Advanced Approaches to KPI Management: Semantic Modeling and AI-Driven Forecasting

Key Performance Indicators (KPIs) play a critical role in monitoring and improving performance across domains such as business operations, manufacturing, healthcare, and finance. However, traditional approaches to KPI management often face significant challenges, including limited predictive accuracy, fragmented data sources, and poor interoperability. These limitations are particularly problematic in dynamic environments that demand real-time, data-informed decision-making. This thesis proposes an integrated framework for enhanced KPI management, combining semantic technologies with AI-driven forecasting methods. Part I of the research focuses on the development of ontology-based systems to extract, validate, and prioritize KPIs, improving data consistency and adaptability across organizational contexts. Part II introduces advanced forecasting models, leveraging Machine Learning (ML), Deep Learning (DL), and Transformer-based architectures to improve prediction accuracy and scalability. The proposed framework is implemented and evaluated using domain-specific datasets from retail, consumer business, and industrial manufacturing sectors, including the Rossmann sales dataset, Superstore dataset, and EPA greenhouse gas emissions data. These case studies demonstrate the framework’s ability to address forecasting, sustainability, and semantic modeling challenges in real-world applications. The results confirm the effectiveness of the framework in addressing key gaps in data representation, predictive modeling, and cross-domain adaptability. Overall, this research offers practical tools and theoretical contributions to build future-ready KPI systems that serve both organizational performance and broader societal goals.

Gli indicatori chiave di prestazione (KPI) svolgono un ruolo cruciale nel monitoraggio e nel miglioramento delle performance in settori come le operazioni aziendali, la produzione, la sanità e la finanza. Tuttavia, gli approcci tradizionali alla gestione dei KPI spesso affrontano sfide significative, tra cui una limitata accuratezza predittiva, fonti di dati frammentate e una scarsa interoperabilità. Queste limitazioni risultano particolarmente problematiche in ambienti dinamici che richiedono decisioni informate in tempo reale basate sui dati. Questa tesi propone un framework integrato per una gestione avanzata dei KPI, combinando tecnologie semantiche con metodi di previsione basati sull'intelligenza artificiale. La prima parte della ricerca si concentra sullo sviluppo di sistemi basati su ontologie per estrarre, convalidare e prioritizzare i KPI, migliorando la coerenza dei dati e l'adattabilità nei contesti organizzativi. La seconda parte introduce modelli avanzati di previsione, sfruttando il Machine Learning (ML), il Deep Learning (DL) e le architetture basate su Transformer per migliorare l'accuratezza predittiva e la scalabilità. Il framework proposto è implementato e valutato utilizzando dataset specifici del settore retail, del business consumer e della manifattura industriale, tra cui il dataset delle vendite di Rossmann, il dataset Superstore e i dati sulle emissioni di gas serra dell'EPA. Questi casi di studio dimostrano la capacità del framework di affrontare le sfide legate alla previsione, alla sostenibilità e alla modellazione semantica in applicazioni reali. I risultati confermano l'efficacia del framework nel risolvere le principali lacune nella rappresentazione dei dati, nella modellazione predittiva e nell'adattabilità tra diversi settori. Complessivamente, questa ricerca offre strumenti pratici e contributi teorici per costruire sistemi KPI pronti per il futuro, capaci di supportare sia le performance organizzative che obiettivi sociali più ampi.