Obiettivo:
AI per previsione vendite del pastificio Trafilata

La sfida del pastificio Trafilata: prevedere le vendite nel prossimo futuro

Il problema principale affrontato in questo progetto era lo sviluppo di un modello di previsione delle vendite affidabile per il pastificio Trafilata. Questo modello doveva essere in grado di analizzare i dati storici delle vendite degli ultimi tre anni e utilizzarli per prevedere le tendenza delle vendite future. Questo non è un compito semplice, poiché le vendite possono essere influenzate da una serie di fattori, molti dei quali possono cambiare nel tempo. Pertanto, il modello doveva essere flessibile e adattabile per tener conto di queste variazioni. Inoltre, il modello doveva essere implementato in modo tale da poter essere facilmente integrato nei processi operativi esistenti dell'azienda.

La nostra soluzione: l’intelligenza artificiale per la previsione delle vendite

La nostra soluzione è stata l'implementazione di un modello di intelligenza artificiale predittivo. Questo modello è stato addestrato utilizzando i dati storici delle vendite dell'azienda degli ultimi tre anni, permettendo di identificare tendenze e pattern nelle vendite. Il modello è stato poi ottimizzato attraverso un processo di addestramento e validazione, per garantire la sua affidabilità e precisione.

Il risultato è un servizio web, sotto forma di API, che l'azienda può integrare facilmente nei suoi processi operativi. Questo servizio permette all'azienda di ottenere previsioni accurate delle vendite future, basate sul modello di intelligenza artificiale predittivo.

Questo strumento non solo migliora la capacità dell'azienda di prevedere le proprie vendite, ma facilita anche la pianificazione e l'ottimizzazione delle operazioni di business. Infatti, grazie a queste previsioni, l'azienda può anticipare la domanda dei clienti, gestire più efficacemente le scorte e ottimizzare la produzione.

Schema delle attività svolte:

1. Raccolta dei Dati: Acquisire dati storici pertinenti al problema che si intende risolvere.
2. Esplorazione dei Dati:
   • Analizzare i dati per identificare tendenze, pattern e relazioni.
   • Gestire eventuali valori mancanti o outlier.
3. Preparazione dei Dati:
   • Trasformare e preparare i dati per l'input nel modello.
   • Codifica delle variabili categoriche, normalizzazione dei dati.
4. Divisione dei Dati: in set di addestramento e set di test per valutare le prestazioni del modello.
5. Scelta del modello.
6. Addestramento del Modello:
   • Utilizzato un set di addestramento per insegnare al modello le relazioni tra le variabili.
   • Ottimizzare i parametri del modello per migliorarne le prestazioni.
7. Validazione del Modello: Utilizzare il set di test per valutare le prestazioni del modello su dati non visti.
8. Creazione di un Prototipo: Sviluppare un prototipo funzionante del modello predittivo.
9. Pubblicazione del Modello: Creare un API per rendere accessibile il modello da servizi di terze parti.

Tecnologie usate

Per prevedere le vendite del pastificio Trafilata, è stato utilizzato l'IA, con Python come linguaggio di programmazione. Gli strumenti utilizzati includono Pandas per la manipolazione dei dati, Scikit-learn per i modelli di machine learning, Matplotlib per i grafici, Google Colab come ambiente e Prophet per l'analisi delle serie temporali.

Il processo di deployment del modello è stato articolato in una serie di passaggi chiave per assicurare un ambiente di esecuzione sicuro, affidabile e scalabile. Ecco una descrizione dettagliata dei passaggi seguiti:

1. Creazione dell'Immagine Docker: Inizialmente, abbiamo sviluppato un'immagine Docker che racchiude l'applicazione. Questo passaggio è fondamentale perché consente di incapsulare l'ambiente di esecuzione dell'applicazione insieme a tutte le sue dipendenze in un'unità singola e portatile. L'immagine Docker è stata progettata per essere leggera e ottimizzata, garantendo così tempi di avvio rapidi e una gestione efficiente delle risorse.
2. Caricamento sull'AWS Elastic Container Registry (ECR): Dopo aver creato l'immagine Docker, l'abbiamo caricata su AWS ECR, un servizio di registry Docker gestito che facilita lo storage, la gestione e il deployment di immagini Docker. AWS ECR offre robuste funzionalità di sicurezza, compresa l'integrazione con IAM per il controllo degli accessi, rendendo più sicura la gestione delle nostre immagini.
3. Deployment su Amazon Elastic Container Service (ECS): L'ultimo passaggio ha coinvolto l'utilizzo di Amazon ECS, un servizio di gestione container altamente scalabile che permette di eseguire e gestire applicazioni distribuite su architettura container. Abbiamo configurato ECS per orchestrare automaticamente il deployment dei container basati sulle immagini Docker precedentemente caricate su ECR. Questo include la definizione di task, servizi e l'utilizzo di cluster per controllare e scalare le istanze dell'applicazione in base alla domanda.

Grazie a questo approccio strutturato, abbiamo beneficiato di una maggiore efficienza operativa e di una migliore disponibilità dell'applicazione. La combinazione di Docker, AWS ECR e ECS ha facilitato la gestione del ciclo di vita del deployment, dalla costruzione dell'immagine al suo rilascio in produzione, assicurando allo stesso tempo la scalabilità orizzontale per carichi di lavoro variabili e la flessibilità per adattarsi rapidamente alle esigenze in evoluzione del nostro progetto.

Il prodotto che abbiamo realizzato

Abbiamo detto che il nostro prodotto, un'API web, si integra facilmente nei processi aziendali per fornire previsioni di vendita precise tramite un modello di intelligenza artificiale. L'API è intuitiva, personalizzabile e migliora la previsione delle vendite, l'ottimizzazione della produzione e la gestione delle scorte.

Ecco qui un esempio di grafico realizzato per fare una stima delle previsioni di vendita di una specifica tipologia di pasta su scala mensile.

I dati mostrano le vendite effettive con il punto nero, la media di vendita stimata con la linea blu, e il margine di errore con la sfumatura azzurra.

I numeri in alto invece descrivono la precisione della stima, nel dettaglio:

• Mean Absolute Error: MAE è la media del valore assoluto degli errori tra i valori predetti e i valori reali. È un modo per misurare quanto sono buone le previsioni di un modello. Ad esempio, un valore di MAE pari a 5 indica che in media i valori predetti si discostano dai valori reali di 5;
• Root Mean Squared Error: Il RMSE è simile al MAE, ma dà più peso agli errori più grandi. Si calcola trovando la media dei quadrati degli errori e poi estraendo la radice quadrata di questa media;
• Mean Absolute Percentage Error: Il MAPE è la media del valore assoluto della percentuale di errore. È come il MAE, però misurato in percentuale.

Nello specifico del grafico che si trova sopra, ci troviamo di fronte ad un MAE di 70. Questo indica che l'errore medio che è stato commesso nel corso del processo è di 70. In termini pratici, significa che ogni mese, se il valore che è stato predetto è 100, ci aspettiamo che il valore reale si trovi nell'intervallo tra 30 e 170. Questo intervallo si ottiene sottraendo e sommando il MAE al valore predetto (100-70 e 100+70).

Successivamente, abbiamo il RMSE. Funziona in maniera simile al MAE, tuttavia calcola la radice quadrata dell'errore quadratico medio, il che significa che i valori più piccoli hanno meno peso.

Infine, abbiamo il MAPE. In questo caso, il suo valore di 0.56 indica che in media l'errore commesso sulle previsioni è del 56%. Questo significa che se la previsione era di 100, il valore reale potrebbe variare in media del 56%, sia in eccesso che in difetto.

Scopri come possiamo aiutare anche il tuo business

L'artificial intelligence ha il potenziale per rivoluzionare ogni aspetto del business, compreso il miglioramento delle previsioni di vendita. Come dimostrato dal caso del pastificio Trafilata, un modello di intelligenza artificiale predittivo può fornire preziose intuizioni e aiutare a ottimizzare le operazioni di business.

Se sei interessato a vedere come la tua azienda può beneficiare dell'intelligenza artificiale, siamo qui per aiutare. Contattaci per discutere di un caso studio personalizzato. Inviaci un'email o utilizza il form qua sotto.