Forecasting Ordini E-Commerce

Sistema di previsione del volume giornaliero di ordini per un e-commerce, basato su due approcci complementari di Machine Learning.

Obiettivo

Prevedere il numero di ordini giornalieri partendo da dati transazionali storici, confrontando modelli tree-based (XGBoost, LightGBM) con un modello di decomposizione temporale (Prophet).

Dataset

Online Retail Dataset - UCI Machine Learning Repository

• ~541.000 transazioni di un e-commerce UK
• Periodo: Dicembre 2010 - Dicembre 2011
• 8 colonne: InvoiceNo, StockCode, Description, Quantity, InvoiceDate, UnitPrice, CustomerID, Country

Il dataset non e incluso nel repository. Scaricarlo dal link sopra e posizionarlo in online_retail/Online Retail.xlsx.

Struttura del Progetto

ML_Forecasting/
├── ml_ForecastingOrdini.py      # Pipeline ML completa (XGBoost + LightGBM)
├── Prophet.py                    # Forecasting con Facebook Prophet
├── Forecasting_Ordini.ipynb      # Notebook interattivo con EDA e visualizzazioni
├── requirements.txt              # Dipendenze Python
├── feature_columns.json          # Lista feature usate dal modello
├── RIEPILOGO.md                  # Riepilogo tecnico dettagliato
└── online_retail/
    └── Online Retail.xlsx        # Dataset (da scaricare separatamente)

Pipeline

Dati Grezzi → Pulizia → Aggregazione Giornaliera → Feature Engineering → Split Temporale → Modelli → Valutazione

Pulizia Dati

• Rimozione date mancanti e resi (fatture con prefisso C)
• Filtro su quantita e prezzi positivi
• Calcolo del revenue per ogni transazione

Feature Engineering (30 feature)

• Temporali (15): componenti calendario + encoding ciclico sin/cos + flag weekend/inizio-fine mese
• Lag (6): valori degli ordini a 1, 2, 3, 7, 14, 28 giorni
• Rolling (6): media e deviazione standard su finestre di 7, 14, 28 giorni
• Dataset (4): quantita totale, revenue, clienti unici, prodotti unici

Split Temporale

Set	Giorni	Periodo
Train	243	Gen 2011 - Ott 2011
Validation	13	1-15 Nov 2011
Test	21	16 Nov - 9 Dic 2011

Risultati

XGBoost + LightGBM (target: ordini giornalieri)

Modello	MAE	RMSE	MAPE	R²
Baseline Mean	41.93	44.08	-	-
Baseline Last	29.31	32.31	-	-
Baseline MA(7)	16.85	20.47	-	-
XGBoost	7.03	8.12	6.98%	0.6437
LightGBM	9.94	12.20	9.59%	0.1952

Miglior modello: XGBoost

Test Set (XGBoost): MAE 9.99 | RMSE 12.98 | MAPE 9.03% | R² 0.7373

Prophet (target: quantita giornaliera)

• Trend generale: crescita +193.5% nel periodo
• Giorno migliore: Sabato | Giorno peggiore: Domenica
• Mese migliore: Dicembre | Mese peggiore: Luglio

Installazione

# Clona il repository
git clone https://github.com/AleNard89/ml-forecasting-ordini.git
cd ml-forecasting-ordini

# Crea virtual environment
python3 -m venv .venv
source .venv/bin/activate

# Installa dipendenze
pip install -r requirements.txt

Su macOS, per XGBoost e LightGBM:

brew install libomp

Esecuzione

# Pipeline ML (XGBoost + LightGBM)
python ml_ForecastingOrdini.py

# Forecasting con Prophet
python Prophet.py

# Notebook interattivo (consigliato)
jupyter notebook Forecasting_Ordini.ipynb

Tecnologie

• Python 3.10+
• XGBoost, LightGBM (gradient boosting)
• Prophet (time series decomposition)
• pandas, numpy, scikit-learn
• matplotlib, seaborn, plotly

Licenza

Il dataset Online Retail e distribuito sotto licenza CC BY 4.0.