Understanding and predicting customer choices through advanced machine learning forecasting: the Ducati Motorcycles case study

La previsione della domanda in sistemi altamente personalizzabili rappresenta un tema centrale nell’ambito dell’intelligenza artificiale applicata ai processi decisionali. La combinazione di scelte eterogenee dei clienti, dati storici limitati e dinamiche di mercato variabili rende complessa la pianificazione della produzione e la gestione della supply chain. Questa tesi propone un framework di forecasting basato su machine learning per la previsione mensile delle vendite degli optional in un caso di studio reale presso Ducati Motor Holding. Il problema viene formulato come una classificazione binaria a livello di ordine, seguita da un’aggregazione temporale per ricavare le quantità mensili previste. Data la limitata profondità storica del dataset viene adottata una strategia di ampliamento con dati sintetici generati tramite un modello Gaussian Copula, al fine di estendere l’orizzonte di addestramento e abilitare previsioni su un orizzonte di dodici mesi. Il pipeline viene ulteriormente arricchito mediante feature engineering basato su regole associative, che cattura le co‑occorrenze tra optional e introduce segnali comportamentali latenti nella rappresentazione predittiva. I risultati sperimentali mostrano che Random Forest offre il miglior compromesso tra accuratezza, robustezza e scalabilità computazionale. Il modello mantiene prestazioni stabili sull’intero orizzonte annuale, con valori di R² superiori a 0.96, confermando la fattibilità del forecasting a lungo termine anche in presenza di dati storici limitati. Le regole associative contribuiscono a una comprensione più strutturata del comportamento di configurazione dei clienti, pur con un impatto moderato sulle metriche aggregate. Il lavoro rappresenta un primo passo verso un sistema di previsione della domanda per componenti optional in ambienti manifatturieri altamente configurabili, fornendo una base metodologica solida per sviluppi futuri in scenari simili.