Lezione 1Considerazioni per l'implementazione: cadenza di riaddestramento, pipeline dati, monitoraggio drift e backtesting previsioniPianificare l'implementazione di sistemi di previsione dei ricavi, inclusa la cadenza di riaddestramento, pipeline dati automatizzate, monitoraggio per drift dati e concettuale, e backtesting continuo per garantire prestazioni stabili in condizioni di mercato mutevoli.
Progettazione di pipeline dati robusteProgrammazione riaddestramento e aggiornamentiMonitoraggio drift dati e concettualeBacktesting continuo e benchmarkingStrategie di allerta e rollbackLezione 2Comunicazione previsioni agli stakeholder: visualizzazione previsioni puntuali e intervalli, analisi scenari, trasparenza assunzioniComunicare efficacemente le previsioni dei ricavi agli stakeholder utilizzando visualizzazioni chiare di previsioni puntuali e intervalli, analisi scenari e documentazione trasparente di assunzioni, limitazioni e considerazioni sul rischio del modello.
Visualizzazione previsioni puntuali e intervalliProgettazione analisi scenari e what-ifSpiegazione driver e feature chiaveDocumentazione assunzioni e limitiAdattamento messaggi agli stakeholderLezione 3Modelli machine learning serie temporali: random forests/gradient boosting con feature lagged, XGBoost/LightGBM, modelli sequenza (LSTM/GRU)Addestrare modelli machine learning per previsioni ricavi serie temporali, inclusi ensemble ad albero con feature lagged e modelli sequenza come LSTM e GRU, gestendo nonstazionarietà, stagionalità ed eterogeneità a livello prodotto.
Random forests con feature laggedGradient boosting, XGBoost, LightGBMModelli previsionali globali vs localiModelli sequenza con LSTM e GRUGestione nonstazionarietà e scalingLezione 4Formulazione obiettivi previsionali e orizzonti valutazione (es. prossimi 3, 6, 12 mesi)Definire obiettivi previsionali per prodotti bancari principali selezionando target predizione, orizzonti e granularità, e allinearli con decisioni aziendali come budgeting, pricing, pianificazione liquidità e reporting regolatorio o rischio.
Scelta target ricavi e unitàSelezione orizzonti previsionali e frequenzaAllineamento previsioni con decisioni aziendaliGranularità per prodotto, segmento, regioneGestione nuovi prodotti e storie breviLezione 5Identificazione e sourcing dati serie temporali (serie finanziarie pubbliche, volumi pagamenti, tecniche generazione sintetica)Imparare a identificare, valutare e reperire dati serie temporali per previsioni ricavi bancari, inclusi metriche prodotto interne, serie finanziarie pubbliche e dati sintetici che aumentano in sicurezza registri storici scarsi o rumorosi.
Catalogazione serie ricavi prodotto interneUtilizzo fonti dati macro e mercato pubblicheRaccolta dati volumi pagamenti e transazioniValutazione qualità dati, gap e revisioniGenerazione dati sintetici per scenari stressLezione 6Addestramento e tuning iperparametri: grid/random search, ottimizzazione bayesiana, scoring time-awareOttimizzare prestazioni modello utilizzando strategie strutturate di tuning iperparametri, inclusi grid e random search, ottimizzazione bayesiana e scoring time-aware che rispetta ordinamento temporale e focalizza su orizzonti business-critical.
Definizione spazi ricerca e prioriTrade-off grid e random searchWorkflow ottimizzazione bayesianaValidazione e scoring time-awareEarly stopping e limiti risorseLezione 7Ensemble modelli e riconciliazione: media semplice modelli, ensemble pesati, stacking per serie temporaliCombinare più modelli previsionali per ricavi bancari usando medie semplici, ensemble pesati e stacking, e applicare riconciliazione gerarchica per garantire previsioni coerenti tra prodotti, filiali e livelli organizzativi.
Media semplice e pesata modelliStacking e meta-learner per serieDiversità e correlazione tra modelliRiconciliazione gerarchica e raggruppataValutazione stabilità ensemble nel tempoLezione 8Metodi baseline serie temporali: ARIMA, ETS, modelli naive e seasonal naïve, decomposizione (trend/stagionalità)Esplorare modelli baseline serie temporali per ricavi bancari, inclusi naive, seasonal naive, ARIMA, ETS e decomposizione, per stabilire performance di riferimento e interpretare trend e stagionalità prima di usare modelli ML complessi.
Benchmark naive e seasonal naiveDecomposizione classica trend e stagionalitàModellazione ARIMA per serie ricavi bancariSmoothing esponenziale e varianti ETSConfronto baseline tra prodottiLezione 9Ingegneria feature per ricavi: lag, rolling means/std, differenziazione, effetti calendario, indicatori festività, effetti coorte, flag marketing/campagneProgettare feature predittive per ricavi bancari, inclusi lag, statistiche rolling, differenziazione, effetti calendario e festività, indicatori coorte e lifecycle, e flag marketing o campagne che catturano spostamenti domanda e rotture strutturali.
Feature lag e lead per ricaviRolling means, volatilità e ratioEffetti calendario, festività, paydayFeature basate su coorte e lifecycleFlag impatto marketing e campagneLezione 10Suddivisione dati e cross-validation per serie temporali: split train/validation/test, CV expanding window, CV blockedProgettare split dati time-aware e schemi cross-validation per previsioni ricavi, inclusi approcci rolling e blocked, per evitare leakage, simulare uso produzione e ottenere stime affidabili performance modello nel tempo.
Holdout split train, validation, testValidazione rolling e expanding windowCross-validation blocked per stagionalitàPrevenzione leakage temporale in featureBacktesting su multiple origini previsionaliLezione 11Metriche valutazione e analisi errori: MAE, RMSE, MAPE, symmetric MAPE, intervalli previsione e coperturaValutare previsioni ricavi usando metriche come MAE, RMSE, MAPE, symmetric MAPE e copertura intervalli, ed eseguire analisi errori dettagliata per segmento, orizzonte e regime per scoprire bias e debolezze modello.
Metriche errore dipendenti da scalaMetriche errore percentuali e relativeIntervalli previsione e coperturaDiagnostica per orizzonte e segmentoAnalisi errore regime ed eventiLezione 12Regressori macro ed esterni: utilizzo CPI, disoccupazione, tassi interesse, mobilità, Google Trends; selezione feature e allineamento lagIncorporare regressori macroeconomici ed esterni in modelli ricavi, come CPI, disoccupazione, tassi interesse, mobilità e trend ricerca, e imparare tecniche per allineamento lag, scaling e selezione feature per evitare overfitting.
Selezione indicatori macro rilevantiAllineamento lag tra macro e ricaviTrasformazione e scaling dati esterniSelezione feature e regolarizzazioneOverlay stress e scenari con macro
