Daniele Costa

Sono responsabile della previsione della domanda a livello di negozio che alimenta il riassortimento per 140 negozi e circa 30.000 referenze.

• Ho sostituito una pipeline statistica legacy con un modello gerarchico a gradient boosting, migliorando il WAPE a livello di referenza dal 34% al 24%.
• I miglioramenti della previsione hanno ridotto del 18% lo spreco di prodotti deperibili e dell’11% le rotture di stock, per una stima di 6M di euro all’anno.
• Ho costruito il monitoraggio del drift e il backtesting automatico; i degradi silenziosi dei modelli vengono rilevati in ore anziché in settimane.
• Conduco la revisione trimestrale delle previsioni con la direzione supply chain, traducendo il comportamento dei modelli in decisioni di acquisto.

Previsione a breve termine di carico e rinnovabili per un venditore di energia che bilancia un portafoglio da 400MW.

• Ho migliorato il MAPE della previsione di carico day-ahead dal 4,1% al 2,9%, riducendo i costi di sbilanciamento di circa 1,2M di euro all’anno.
• Ho costruito un modello probabilistico di produzione solare usato dal desk di trading per il dimensionamento intraday delle posizioni.
• Ho introdotto pattern di feature store che hanno ridotto il tempo di iterazione dei nuovi modelli da settimane a giorni.

Analytics su clienti e assortimento per clienti del retail.

• Ho costruito un modello di scoring del churn per un cliente telco che ha aumentato di 2,3 volte la conversione delle campagne di retention rispetto al targeting casuale.
• Ho automatizzato lo stack di reportistica settimanale per i clienti, liberando circa una giornata-analista a settimana.

Libreria Python che implementa la riconciliazione MinT e bottom-up con un’API compatibile con scikit-learn.

• Oltre 700 stelle su GitHub; usata in almeno quattro stack di previsione retail in produzione secondo le segnalazioni degli utenti.
• La suite di benchmark riproduce i risultati di riconciliazione pubblicati su tre dataset pubblici.

Workshop serale pratico sulla previsione in produzione, tenuto due volte l’anno in una community locale di dati.

• Ho formato oltre 90 professionisti in quattro edizioni, con una valutazione media di 4,8/5.
• Tutti i materiali resi open source, incluso un dataset sintetico realistico di spesa alimentare.