Corso AI Demand Forecasting e Inventory Optimization

Lezione 1 • Che Cos'è la Previsione della Domanda

Definisce la previsione della domanda e il suo ruolo nelle decisioni della supply chain. Stabilisce il vocabolario utilizzato nell'intero corso.

Lezione 2 • Pre-elaborazione dei Dati di Domanda

Tratta la pulizia, la trasformazione e la strutturazione dei dati grezzi di domanda. Garantisce che gli studenti possano produrre dataset pronti per il modello.

Lezione 3 • Analisi Esplorativa dei Dati per la Domanda

Applica tecniche di analisi esplorativa per scoprire modelli di domanda prima della modellazione. Prepara gli studenti a rilevare anomalie e stagionalità in fase iniziale.

Lezione 1 • ARIMA e ARIMA Stagionale

Insegna l'identificazione, la stima e la diagnostica del modello ARIMA. Si estende a SARIMA per modelli di domanda stagionale.

Lezione 2 • Medie Mobili e Livellamento

Introduce le medie mobili semplici e ponderate come strumenti di previsione di base. Sviluppa l'intuizione per i compromessi tra ritardo e livellamento.

Lezione 3 • Modelli di Livellamento Esponenziale

Tratta il livellamento esponenziale semplice, doppio e triplo per dati con trend e stagionalità. Collega i parametri di livellamento alla reattività della previsione.

Lezione 4 • Metriche di Accuratezza della Previsione

Definisce le metriche di errore chiave e spiega quando ciascuna è appropriata. Consente un confronto oggettivo dei modelli tra i vari metodi.

Lezione 1 • Inquadrare la Previsione come ML

Riformula la previsione di serie storiche come problema di apprendimento supervisionato. Collega i metodi classici ai flussi di lavoro ML.

Lezione 2 • Regressione e Modelli Lineari

Applica la regressione regolarizzata alla previsione della domanda con molte feature. Fornisce alternative interpretabili a modelli complessi.

Lezione 3 • Valutazione e Selezione del Modello

Insegna protocolli di cross-validation e selezione dei modelli consapevoli delle serie storiche. Garantisce una generalizzazione robusta ai periodi di domanda futuri.

Lezione 4 • Modelli di Previsione Basati su Alberi

Tratta i modelli di gradient boosting e random forest per la previsione della domanda. Evidenzia la loro forza con dataset tabulari e multi-feature.

Lezione 1 • Addestramento e Ottimizzazione di Modelli Deep

Tratta flussi di lavoro pratici di addestramento, inclusi la schedulazione del tasso di apprendimento e l'arresto anticipato. Riduce i tentativi ed errori nello sviluppo di modelli deep.

Lezione 2 • Previsione Basata su Transformer

Introduce i meccanismi di attenzione e i modelli Transformer per previsioni a lungo orizzonte. Tratta varianti efficienti adatte alle serie storiche di domanda.

Lezione 3 • Fondamenti di Reti Neurali

Rivede le reti feedforward e la backpropagation come prerequisiti per i modelli sequenziali. Fonda i concetti di deep learning nel contesto della previsione.

Lezione 4 • Modelli Convoluzionali per Serie Storiche

Applica CNN 1D per estrarre pattern temporali locali nei dati di domanda. Offre un'alternativa più veloce alle architetture ricorrenti.

Lezione 1 • Fondamenti di Previsione Probabilistica

Distingue le previsioni puntuali da quelle probabilistiche e il loro valore di business. Introduce i concetti di previsione quantilica e a intervalli.

Lezione 2 • Regressione Quantilica e Metodi Conformi

Applica la regressione quantilica e la previsione conforme per generare intervalli calibrati. Consente decisioni di inventario consapevoli del rischio.

Lezione 3 • Approcci di Previsione Bayesiana

Utilizza serie storiche strutturali bayesiane e programmazione probabilistica per la domanda. Fornisce una quantificazione dell'incertezza basata su principi.

Lezione 4 • Strutture di Domanda Gerarchiche

Modella la domanda attraverso gerarchie di SKU, categoria e regionali. Garantisce che le previsioni siano coerenti tra i livelli di aggregazione.

Lezione 1 • Modelli di Lotto Economico di Acquisto

Deriva l'EOQ e le sue estensioni per sconti quantità e backorder. Fornisce soluzioni in forma chiusa per il dimensionamento degli ordini.

Lezione 2 • Fondamenti di Scorte Multi-Livello

Estende i modelli a singola locazione a reti di fornitura multi-livello. Introduce il posizionamento delle scorte tra i vari livelli distributivi.

Lezione 3 • Scorte di Sicurezza e Punti di Riordino

Calcola le scorte di sicurezza utilizzando la variabilità della domanda e l'incertezza del lead time. Collega direttamente l'errore di previsione al dimensionamento del buffer di inventario.

Lezione 4 • Revisione Continua vs. Periodica

Confronta i sistemi di revisione inventariale continua e periodica e le loro implicazioni di costo. Guida la scelta della politica in base ai vincoli operativi.

Lezione 1 • Segmentazione dell'Inventario con ML

Raggruppa gli SKU per modello di domanda e applica politiche differenziate per segmento. Riduce la complessità migliorando al contempo la performance complessiva dell'inventario.

Lezione 2 • Collegare le Previsioni alle Decisioni di Inventario

Traduce le previsioni probabilistiche in parametri dinamici di scorta di sicurezza e punto di riordino. Chiude il ciclo tra previsione e politica di inventario.

Lezione 3 • Modello dell'Edicolante e Modelli Stocastici

Applica il modello dell'edicolante a problemi di inventario a periodo singolo e deperibili. Si estende alla programmazione dinamica stocastica per decisioni multi-periodo.

Lezione 4 • Apprendimento per Rinforzo per il Rifornimento

Inquadra il rifornimento dell'inventario come un processo decisionale di Markov risolto con RL. Abilita politiche che apprendono da ambienti simulati di supply chain.

Lezione 1 • Governance della Previsione e Audit del Bias

Stabilisce processi per verificare il bias sistematico delle previsioni e garantire la responsabilità. Allinea gli output dell'IA agli standard di business ed etici.

Lezione 2 • Misurare l'Impatto di Business

Quantifica i risparmi di inventario, i guadagni nel livello di servizio e il ROI derivanti dalla previsione con IA. Collega le metriche tecniche ai risultati di business a livello executive.

Lezione 3 • Deployment e Serving del Modello

Impacchetta e serve i modelli di previsione tramite API e job batch. Tratta la containerizzazione e i pattern di inferenza scalabile.

Lezione 4 • Monitoraggio e Rilevamento del Drift

Tiene traccia dell'accuratezza delle previsioni e del data drift in ambienti di produzione. Attiva il riaddestramento quando la performance del modello degrada.