Forecast & Optimization

In un’ottica di trasformazione data driven, è sempre più necessario per un’azienda analizzare uno storico di dati per prendere importanti decisioni sulle strategie future e sulle prossime mosse per attuarle.

In qualsiasi ambito di applicazione avere quindi in produzione algoritmi di predizione e ottimizzazione dei problemi posti da queste sfide diventa strategico per un’azienda: in questo modo è possibile concretizzare il capitale potenziale dei propri dati e controllare l’impatto e l’andamento delle proprie scelte. Questi algoritmi infatti possono aiutare a migliorare l’efficienza dei processi produttivi e organizzativi. In particolare, l’ottimizzazione dei processi di produzione è diventato un obiettivo sempre più arduo da raggiungere per le aziende di qualsiasi settore.

Gli algoritmi genetici, inseriti in un’adeguata architettura di calcolo ed esposizione dei risultati aiutano a raggiungere obiettivi di predizione e ottimizzazione complessi e a gestire una notevole di quantità di scenari possibili, incrementando le proprie prestazioni mano a mano che entrano in contatto con i dati da apprendere.

Gli algoritmi genetici sono una classe di algoritmi di ricerca e ottimizzazione ispirati alla teoria dell’evoluzione di Darwin. Gli algoritmi genetici utilizzano un set di dati per trovare una popolazione di soluzioni candidate e applicano operatori genetici come la selezione, la mutazione e l’incrocio per generare nuove soluzioni candidate. Queste nuove soluzioni candidate vengono valutate in base alla loro idoneità per il problema in questione. Il processo di generazione delle soluzioni viene ripetuto fino a quando non viene raggiunto un risultato soddisfacente.

Gli algoritmi genetici sono una classe di algoritmi di ricerca euristici utilizzati per risolvere problemi di ottimizzazione. I motivi principali per utilizzare un algoritmo genetico sono:

• la funzione obiettivo non è regolare (quindi non è possibile applicare metodi derivati)
• un gran numero di parametri può essere un problema per i metodi basati su derivate quando non si ha la definizione del gradiente
• la funzione oggettiva è rumorosa o stocastica
• ci sono più punti di ottimo locali

Pensare di adottare questa categoria di algoritmi porta a diversi vantaggi:

• tecnica di ricerca veloce: vengono prodotti risultati vicini all’ottimo in tempi ragionevoli
• sono adatti alla parallelizzazione dell’elaborazione
• sono semplici da sviluppare

L’architettura della soluzione pensata da Quantyca, grazie alla duttilità degli algoritmi genetici, può essere applicata in diversi ambiti dove entrano in gioco problemi di ottimizzazione e di miglioramento dell’as-is ed è particolarmente indicata in ambito retail, dove devono essere prese in considerazioni un numero molto elevato di variabili e di feature.

Il sistema complessivo progettato si articola attraverso l’orchestrazione di sei passi:

• un processo di feature engineering che trasformi i dati e li organizzi in una struttura ottimale sulla quale addestrare il modello previsionale
• un processo di addestramento e controllo del modello previsionale della variabile target
• un processo di previsione delle variabili esogene basato su stagionalità e trend
• un configuratore degli scenari operativi all’interno dei quali ricercare la configurazione ottimale delle variabili decisionali
• un secondo configuratore che permetta di definire i set di variabili decisionali tra cui ricercare le combinazioni ottime
• un ottimizzatore, basato su algoritmi combinatori genetici, che partendo dalle informazioni degli scenari operativi, identifichi iterativamente le combinazioni migliori delle variabili decisionali