Armonizzazione dei dati per l’addestramento di reti neurali ricorrenti: applicazione per la gestione delle promozioni nel settore retail

All'interno dei dati processati da un'azienda è solito trovare errori dovuti a varie motivazioni, ad esempio cattive misurazioni. Questo può comportare interpretazioni errate e di conseguenza scelte future che non portano il profitto sperato. Il processo di correzione di tali errori in letteratura viene chiamato Data Harmonization, e permette alle aziende di poter ripulire i dati sfruttando regole euristiche proprie del business di competenza. Lavorare con set di dati coerenti alle dinamiche del mercato e allo stesso tempo solidi, è fondamentale per i modelli di tipo predittivo di cui sempre più aziende fanno utilizzo. In questa tesi, dopo una panoramica della Data Harmonization e degli approcci recenti utilizzati, verrà presentato il modello di programmazione lineare mista intera implementato al fine di ripulire un set di promozioni proveniente dal settore retail. L'obiettivo è quello di migliorare il set di training e di validazione su cui la rete neurale aziendale agirà, modificando il meno possibile i dati originali e in casi particolari andandoli ad eliminare. I risultati presentati riguarderanno l'accuratezza dello strumento predittivo allenato con un set storico ripulito dal modello. Questi evidenziano come il lavoro compiuto da quest'ultimo abbia di fatto migliorato le prestazioni della rete neurale, permettendo di prevedere in maniera più accurata i valori delle vendite promozionali.