Calcolo dell’errore di forecast e storage di dati con metodi e formati adeguati

L’azienda ORS di Roddi, presso cui ho svolto lo stage curriculare, aveva l’esigenza di monitorare l’efficienza dei modelli predittivi utilizzati per la gestione dell’assortimento di magazzini aziendali. Ha, quindi, implementato una versione base di uno script che calcolasse l’errore tra le previsioni di vendita e le vendite reali. Questo script è stato lanciato una sola volta ed è stato necessario scaricare i diversi file di input in locale, perché avrebbe impiegato troppo tempo per essere inserito all’interno dei processi di ricalcolo quotidiano (e rischiava, quindi, di interferire/ritardare i processi di produzione). In questa tesi sperimentale espongo qual è stato il mio compito e come l’ho affrontato. In particolare, mi sono occupato di: • Trovare ulteriori metriche di errore adeguate per l’analisi di forecast in ambito retail e calcolarle su diversi livelli di aggregazione • Individuare un metodo per ridurre le tempistiche di collezione dei dati e calcolo dell’errore • Salvare dati per il calcolo in un formato adatto alla successiva lettura ed elaborazione • Creare uno script che aggiorni il file con gli input periodicamente con le nuove previsioni e vendite, con l’obiettivo di rendere il calcolo dell’errore un processo rapido e sistematico Per fare tutto ciò ho sviluppato una serie di routine che potessero essere utilizzate indipendentemente le une dalle altre e che potessero gestire i dati necessari per l’error computation, senza rallentare le altre operazioni aziendali.