Le piccole imprese si trovano spesso a fare i conti con risorse limitate, sia in termini di budget sia di personale specializzato. Tuttavia, la crescente accessibilità del cloud e dell’Intelligenza Artificiale (IA) offre opportunità straordinarie per innovare e migliorare i processi aziendali. In questo case study, vedremo come si possano implementare due modelli di Machine Learning e BI per PMI, con un fatturato di circa 5 milioni di euro, in modo semplice e conveniente, sfruttando l’ecosistema Azure.
L’obiettivo è stato quello di implementare una soluzione a basso costo, senza utilizzare servizi per machine learning che hanno costi proibitivi di ingresso e/o di mantenimento. La scelta quindi è stata quella di sfruttare un’architettura Serverless Faas (Function as a Service).
I modelli: previsioni di vendita e cross selling
- Previsione dell’andamento delle vendite (modello predittivo)
Per la previsione delle vendite giornaliere è stato adottato un modello ARIMA (AutoRegressive Integrated Moving Average). In particolare, abbiamo utilizzato la procedura “auto ARIMA” per identificare automaticamente i parametri (p, d, q) più appropriati, basandoci sull’AIC (Akaike Information Criterion).
Una volta individuata la configurazione ottimale, il modello è stato addestrato sui dati storici e valutato su un set di test per verificare la bontà delle previsioni, analizzando metriche come RMSE (Root Mean Squared Error) e R quadro.
Le previsioni di questo modello alimentano una dashboard sviluppata su Power BI. - Cross selling (analisi di prodotti venduti congiuntamente) Per individuare i prodotti maggiormente acquistati insieme e proporre raccomandazioni di cross selling, abbiamo applicato l’algoritmo FPGrowth (Frequent Pattern Growth). Questo algoritmo costruisce una struttura dati compatta chiamata FP-tree, dalla quale estrae i pattern (insiemi di prodotti) che compaiono con una certa frequenza.
Rispetto ad altri metodi come Apriori, FPGrowth risulta più efficiente nella gestione di dataset di grandi dimensioni ed è particolarmente adatto a scenari di Market Basket Analysis, in cui è fondamentale individuare combinazioni di articoli acquistati insieme con sufficiente regolarità, così da migliorare l’esperienza del cliente e incrementare lo scontrino medio.
L’output di questo modello può essere utilizzato da un’App di ecommerce per migliorare l’esperienza dell’utente, ottenendo consigli su prodotti da acquistare insieme a quelli presenti nel carrello.
Panoramica dei provider cloud e la nostra scelta su Azure
Nel panorama attuale, sono numerosi i provider cloud in grado di offrire soluzioni per il deploy di modelli di Machine Learning a costi contenuti. Azure di Microsoft, AWS di Amazon e altri propongono offerte e piani con caratteristiche e prezzi comparabili.
In questa sede, abbiamo deciso di concentrarci su Azure per la nostra architettura, ma è importante sottolineare come la scelta del provider possa essere facilmente adattata in base alle esigenze specifiche del progetto.
Di seguito, illustriamo la soluzione implementata su Azure, soffermandoci sui servizi utilizzati e sulle motivazioni che hanno reso sostenibile la nostra architettura.
L’ecosistema Azure utilizzato
Per il hosting e l’operatività quotidiana di questi modelli, abbiamo scelto servizi serverless e a basso costo. Ecco la nostra architettura di riferimento:
- Azure SQL Server Database
- Utilizzato per memorizzare i dati (prodotti, clienti, transazioni) e fornire la base per gli algoritmi di Machine Learning.
- Il modello dati occupa circa 400 MB (più di 300 mila transazioni registrate).
- Il nostro utilizzo giornaliero corrisponde a circa 1000 vCore seconds, ben al di sotto della soglia mensile gratuita di 100.000 vCore seconds.
- Containerized Azure Function (Per approfondire)
- Una funzione scritta in Python (triggerata giornalmente) che esegue i modelli di previsione e di cross selling.
- Il piano serverless di Azure Functions è gratuito fino a 1.000.000 di esecuzioni e 400.000 GB/s di esecuzione al mese: nel nostro scenario, siamo lontanissimi dal raggiungere queste soglie.
- Azure Container Registry (ACR)
- Qui abbiamo caricato le immagini Docker contenenti i nostri modelli di Machine Learning, pronte a essere richiamate da Azure Functions.
- È l’unico costo fisso che abbiamo realmente sostenuto, poiché il database e la function sono rimasti entro le quote gratuite.
- Power BI
- Per la reportistica e la visualizzazione dei risultati, abbiamo utilizzato la versione gratuita di Power BI. Questo ci ha permesso di connetterci alle tabelle specifiche su Azure SQL Server contenenti gli output dei modelli di Machine Learning, senza costi aggiuntivi. In questo modo, è stato possibile creare dashboard interattive che mostrano in tempo reale i principali KPI e gli insight di vendita e cross selling.
- Subito sotto è riportata la pagina principale della dashboard creata, che offre una panoramica completa e di facile consultazione dei KPI principali per il modello dati insieme all’output generato dal modello predittivo.
Stima dei costi operativi: praticamente gratis (o quasi)
In un’ipotesi di utilizzo medio, il costo operativo stimato era di circa 17,91 € al mese. Tuttavia, grazie alle offerte gratuite di Azure per lo scenario serverless, il costo effettivo si è ridotto in modo sostanziale:
- Azure SQL Database:
- Con la promozione attiva, i primi 100.000 vCore seconds al mese e 32 GB di storage sono gratuiti.
- Consumando 1000 vCore seconds al giorno (circa 30.000 al mese) e stando sotto i 32 GB, rientriamo appieno nella soglia gratuita.
- Risultato: 0 € anziché 13,11 € previsti.
- Azure Function:
- Le funzioni serverless sono gratis fino a 1 milione di chiamate al mese e 400.000 GB/s di utilizzo.
- Nel nostro caso, una singola esecuzione giornaliera è quasi irrilevante in termini di consumo.
- Risultato: 0 €.
- Azure Container Registry:
- Richiede un costo mensile di circa 4,80 € – 5 € (dipende dal piano e dalle regioni).
- Risultato: 5 € al mese.
In definitiva, su base mensile abbiamo pagato praticamente solo per il Container Registry, ossia circa 5 €.
Un ritorno sull’investimento (ROI) sorprendente
Grazie al modello di cross selling, abbiamo stimato un minimo incremento di vendite dello 0,1% su un fatturato di circa 5 milioni di euro, pari a 5.000 € aggiuntivi. Stimando un costo di:
- 3600 € per l’implementazione iniziale (giornate di lavoro necessarie a configurare l’infrastruttura e i modelli).
- 215 € di consumo annuo (non prendendo in considerazione eventuali scontistiche e piani gratuiti).
I costi di investimento iniziali vengono interamente riassorbiti entro il primo anno. Il ROI già dopo il primo anno risulta estremamente alto: circa 24%. Questo perché i costi di set-up e di gestione sono veramente ridotti all’osso, a fronte di un beneficio economico potenzialmente rilevante.
Come è possibile un costo così basso?
- Architettura serverless: un’architettura FaaS basata su strumenti come Azure Functions, scala automaticamente con le richieste, e se l’utilizzo rimane entro le soglie gratuite, i costi sono virtualmente azzerati.
- Promozioni Azure: Microsoft offre pacchetti molto generosi di utilizzo gratuito per stimolare la migrazione al cloud e l’innovazione.
- Approccio standard e replicabile: L’adozione di modelli ML “preconfezionati” riduce enormemente i costi di sviluppo e manutenzione.
- Efficienza operativa: Noi di Data4all sfruttiamo automatismi e procedure già collaudate (inclusa l’IA stessa) per ridurre i tempi di delivery e semplificare la manutenzione.
Conclusioni: il futuro è ora
Questo case study dimostra che anche una piccola impresa, con investimenti minimi, può implementare modelli di Machine Learning in grado di generare un impatto economico significativo. Le barriere d’ingresso all’IA si stanno abbassando sempre di più, grazie alle piattaforme cloud e alle offerte serverless che abbattono i costi fissi.
Noi di Data4all siamo specializzati nel guidare le aziende verso soluzioni di Business Intelligence e Intelligenza Artificiale altamente scalabili ed economiche. Con il nostro approccio standardizzato, riusciamo a offrire prezzi competitivi e a garantire un ritorno sull’investimento nettamente superiore alla media del mercato.
È il momento di restare al passo con i tempi! Contattaci per una prima consulenza gratuita: scopriremo insieme come implementare rapidamente i tuoi modelli di Machine Learning e come sfruttare al meglio le offerte cloud per massimizzare il ROI.
Inoltre, se sei interessato a consultare il codice che abbiamo utilizzato per sviluppare questa soluzione, saremo felici di fornirti l’accesso e condividere i punti salienti del progetto.