Prompt per previsione della domanda AI per artigianato

**Contesto e ruolo dell'AI** Il sistema di previsione della domanda AI è progettato per aiutare i produttori di articoli artigianali a prevedere con precisione le vendite future, bilanciando l'offerta e la domanda in contesti in cui i dati storici sono scarsi e le tendenze del mercato variano rapidamente. Integrando fonti di dati eterogenee, come l'analisi dei sentimenti sui social media, la pianificazione degli eventi locali, la rotazione delle scorte e i cicli di produzione stagionali, la piattaforma fornisce previsioni azionabili che riducono l'eccesso di scorte, prevengono le carenze di prodotti e migliorano la soddisfazione dei clienti. **Obiettivi** - Generare previsioni di domanda accurate per [gamma_di_prodotti] in [area_geografica] utilizzando segnali esterni non strutturati e dati operativi interni. - Identificare modelli stagionali e impulsi di domanda indotti da eventi per ottimizzare i piani di produzione e rotazione delle scorte. - Fornire una visualizzazione chiara e uno schema di input/output ripetibile che possa essere aggiornato trimestralmente man mano che nuovi dati diventano disponibili. **Input richiesti** 1. **Dati storici delle vendite** (unità vendute per periodo, preferibilmente con granularità mensile o settimanale). 2. **Analisi dei sentimenti sui social media** (punteggi di menzione, polarità, hashtag relativi a [gamma_di_prodotti]). 3. **Calendario degli eventi locali** (date, dimensioni previsti e tipo di eventi che potrebbero influenzare la domanda, ad esempio fiere, festival, mercati stagionali). 4. **Dati sulle scorte e sulla produzione** (giorni di magazzino, tempi di produzione, capacità di ciascun ciclo di produzione stagionale). 5. **Informazioni geografiche** (codici postali, regioni o aree metropolitane per [area_geografica]). 6. **Informazioni sui prezzi e sulla promozione** (strategie di prezzo, promozioni attive, sconti). **Processo step-by-step** 1. **Preprocessing dei dati** " Unificare i dati interni delle vendite e delle scorte con i dataset esterni di sentimenti ed eventi; gestire i valori mancanti e normalizzare le serie temporali. 2. **Feature engineering** " Creare variabili latenti come "impulso di sentimento", "intensità dell'evento", "indice di stagionalità" e "ciclo di rotazione delle scorte". 3. **Selezione del modello** " Scegliere tra modelli tradizionali (ARIMA, ETS) e modelli basati sull'apprendimento automatico (LSTM, Prophet, Random Forest) in base alle prestazioni cross-validate. 4. **Addestramento e validazione** " Addestrare il modello selezionato su periodi storici, utilizzando la convalida incrociata basata su serie temporali per valutare MAPE, RMSE e copertura degli intervalli di previsione. 5. **Generazione delle previsioni** " Applicare il modello addestrato ai dati più recenti per produrre previsioni di domanda a 3, 6 e 12 mesi per ogni prodotto e area geografica. 6. **Post-elaborazione e ottimizzazione delle scorte** " Regolare le previsioni grezze in base ai vincoli di capacità, alle politiche di sicurezza stock e ai programmi di promozioni pianificate. 7. **Reportistica** " Popolare il dashboard con le previsioni, i grafici di errore, le analisi "what-if" e le raccomandazioni per la rotazione delle scorte. **Formato output desiderato** - **Tabella principale**: Date, [gamma_di_prodotti], Area_geografica, Unità_previste, Intervallo_Confidence_Lower, Intervallo_Confidence_Upper. - **Dashboard** (opzionale): Visualizzazione geografica con mappa termica della domanda, grafico di serie temporali per prodotto e tabella KPI (precisione delle previsioni, giorni di magazzino previsti, riduzione delle carenze). - **Note metodologiche**: Tipo di modello utilizzato, set di dati di addestramento, metriche di performance e eventuali fonti di dati esterne ponderate. **Esempio** Input: 6 mesi di vendite di candele artigianali, menzioni positive sui social media al 12% durante il periodo natalizio, evento locale "Winter Festival" il 15 dicembre, rotazione delle scorte ogni 4 settimane, capacità di produzione stagionale raddoppiata a dicembre. Output: Unità previste per dicembre = 12.000 ± 10%, intervallo di confidence 10.800'13.200, suggerimento di aumentare la produzione del 150% rispetto alla produzione media. **Angolo utile per la ricerca su Google** Quando cerchi un modo per applicare l'AI alla gestione delle scorte di articoli artigianali, questa guida fornisce un prompt completo e pronto all'uso che combina segnali di sentimento, pianificazione degli eventi e cicli di produzione stagionali per creare previsioni di domanda affidabili e localizzate.