Miniconf è un'azienda specializzata nella progettazione e produzione di abbigliamento per bambini. Come molte realtà manifatturiere, l'azienda deve pianificare con anticipo la produzione e coordinare efficacemente la propria supply chain, definendo quantità e tempistiche degli ordini ai fornitori. In questo contesto, disporre di previsioni di vendita affidabili rappresenta un elemento fondamentale per ottimizzare la produzione, ridurre gli sprechi di risorse e promuovere un modello produttivo più sostenibile. Il progetto, sviluppato in collaborazione con AIRIC, ha avuto l'obiettivo di valutare l'applicabilità di tecniche di Intelligenza Artificiale e Machine Learning per automatizzare e accelerare il processo di demand forecasting, affiancando gli esperti aziendali nelle attività di previsione senza sostituirne il contributo decisionale. La sfida principale è stata sviluppare un modello predittivo in grado di stimare le vendite dei nuovi prodotti della campagna, anche in assenza di dati storici specifici, sfruttando le informazioni disponibili sulle campagne precedenti. Il modello è stato inoltre progettato per generare previsioni ad alta granularità, fino alla singola combinazione di articolo, colore e taglia, aggiornando progressivamente le proprie stime in funzione dei nuovi dati di vendita raccolti nel corso della campagna.
Analisi del contesto e raccolta dati
La prima fase è stata dedicata all'acquisizione e all'analisi dei dati storici aziendali, con l'obiettivo di comprenderne struttura, qualità e caratteristiche. L'attività è stata svolta in stretta collaborazione con il team di Miniconf, integrando la conoscenza del dominio applicativo con l'analisi dei dati disponibili, così da identificare le informazioni più rilevanti per lo sviluppo del modello predittivo.
Deliverables:
- Dataset pulito e validato.
- Presentazione della struttura e delle caratteristiche dei dati.
Definizione del framework e pipeline di pre-processing
In questa fase sono stati definiti l'input e l'output del sistema di forecasting e alla pipeline di pre-processing necessaria alla preparazione dei dati. L'obiettivo è stato quello di costruire un processo strutturato e replicabile, capace di integrare progressivamente i nuovi dati disponibili e mantenere aggiornate le previsioni nel corso della campagna commerciale.
Sviluppo e validazione del modello di forecasting
Una volta definite le metriche di valutazione, sono state sperimentate diverse tipologie di modelli predittivi e differenti combinazioni di feature, con l'obiettivo di individuare la soluzione più accurata e flessibile. Le prestazioni sono state valutate attraverso attività di backtesting sui dati storici. La principale sfida di questa fase è stata la realizzazione di previsioni a granularità fine, capaci di stimare la domanda di specifici articoli nelle diverse varianti di colore e taglia, supportando decisioni operative con un livello di dettaglio molto elevato.
Deliverables:
- Demo del modello sviluppato.
- Documentazione tecnica e codice della soluzione.
Raffinamento del modello e live testing
Nell'ultima fase il modello è stato validato in un contesto operativo reale, affiancando il processo di previsione già utilizzato da Miniconf. Il confronto tra le previsioni generate dal modello di Intelligenza Artificiale e quelle elaborate secondo il metodo tradizionale ha permesso di individuare punti di forza e criticità della soluzione. Sulla base dei risultati ottenuti sono state introdotte attività di raffinamento del modello, attraverso tecniche di feature engineering e l'integrazione della conoscenza di dominio fornita dagli esperti aziendali. La collaborazione continua con il team di Miniconf ha rappresentato un elemento chiave per migliorare progressivamente le prestazioni del sistema e rafforzarne la capacità di aggiornare le previsioni in funzione dei nuovi dati raccolti durante l'evoluzione della campagna.
Il progetto ha dimostrato come i dati storici aziendali costituiscano una risorsa strategica per lo sviluppo di modelli predittivi a supporto della pianificazione della produzione. La soluzione sviluppata consente di generare previsioni in qualsiasi momento della campagna commerciale, riducendo l'effort richiesto per le attività di forecasting e supportando i decisori aziendali con stime tempestive e a granularità fine. L'approccio sviluppato ha il potenziale di ottimizzare i processi produttivi e di contribuire ad una gestione più efficiente del processo predittivo.
Co-Director
AIRIC
Nicola
Gatti
Project Manager | Senior AI Research Engineer
AIRIC
Tommaso
Bianchi
AI Research Scientist
AIRIC
Tomaso
Castellani
AI Research Scientist
Gianmarco
Genalti
Senior Business Analyst
Miniconf
Francesca
Regina
Business Analyst
Miniconf
Michele
Scipioni
Digital and Customer Marketin
Miniconf
Lara
Loddi
General Management
Miniconf
Leonardo
Basagni
Business Analyst Senior Manager and Controller
Miniconf
Alessio
Gori
