• AI
• Forecasting
• Time series
• Transformer
• Univariate

Lo scopo del seguente progetto di tesi è quello di riassumere il mio tirocinio curricolare presso Apex srl. L'obiettivo di questo stage è stato estrarre dati da un sistema SAP ERP, comprendere questi dati e identificare quelli che hanno un trend temporale con una certa periodicità ed estrarre una o più serie temporali di interesse. Successivamente, applicare ed implementare un modello basato su Trasformer per effettuare previsioni di serie temporali su questi dati.
Dopo aver estratto i dati utilizzando Qlik, uno strumento di analisi aziendale, è stata identificata una serie temporale univariata relativa al fatturato dell'azienda oggetto di studio.
La serie è stata analizzata a fondo ed è stato implementato un modello basato su Transformer per prevedere i dati futuri che potranno essere impiegati per valutare i profitti previsti per i mesi successivi, oppure per adattare la strategia di mercato ed implementare campagne di marketing in modo più efficace. Una volta completati gli esperimenti, è emerso che il modello è in grado di approssimare abbastanza bene l'evoluzione della finestra temporale, ma fatica a modellare con precisione le piccole variazioni.

Si è prestata molta attenzione a garantire l'anonimato dei dati del cliente, proteggendo così la sua privacy.

The aim of the following thesis project is to summurize my internship at Apex srl. The goal of this placement was to extract data from a SAP ERP system, understand these data and identify those that have a temporal trend with a certain periodicity and extract one or more time series datasets of interest. After that apply a transformer-based model to do time series forecasting on the collected data. After extracting the data using Qlik, a business analysis tool, a univariate time series related to the sales of the company was identified. The series was analysed thoroughly, and a Transformer-based model was implemented to forecast the future data which can be used to assess expected profits for the following months, or to adapt the market strategy and implement marketing campaigns more effectively. Once the experiments were completed, it became apparent that the model is capable of approximating the evolution of the time window quite well, but struggles with modelling small variations. Great care was taken to ensure the anonymity of client data, thus protecting its privacy.