📊 statistics

On the retraining frequency of global models in retail demand forecasting

Questo articolo dimostra che un riaddestramento meno frequente dei modelli di previsione globali attraverso varie architetture di machine learning e deep learning mantiene l'accuratezza predittiva riducendo significativamente i costi computazionali e il consumo energetico, offrendo un approccio più sostenibile ed efficiente per la previsione della domanda su larga scala nel settore retail.

Autori originali: Marco Zanotti

Pubblicato 2026-01-15

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Marco Zanotti

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di gestire un enorme supermercato con migliaia di prodotti. Ogni giorno, devi indovinare quante mele, spazzolini da denti o confezioni di cereali compreranno le persone, per non rimanere senza scorte o sprecare denaro in merce invenduta. Per farlo, utilizzi un "Modello Globale": un cervello informatico super intelligente che impara dalla cronologia delle vendite di tutti i tuoi prodotti contemporaneamente, invece di cercare di imparare una regola separata per ogni singolo articolo.

Per molto tempo, il consiglio standard è stato: "Mantieni questo cervello informatico costantemente aggiornato." Ogni volta che avviene una nuova vendita, dovresti riaddestrare il modello immediatamente per mantenerlo sul pezzo. Il saggio di Marco Zanotti mette in discussione questa abitudine. Chiede: Abbiamo davvero bisogno di riaddestrare questo modello ogni singolo giorno, o possiamo lasciarlo riposare un po'?

Ecco la suddivisione delle sue scoperte utilizzando analogie semplici:

1. "Addestramento Costante" vs. "Controllo Periodico"

Pensa al modello di previsione come a uno studente che studia per un esame importante.

Il Vecchio Modo (Riaddestramento Continuo): Lo studente studia un po' ogni singola ora, ogni giorno. Rilegge continuamente il libro di testo non appena viene stampata una nuova pagina. Questo lo tiene molto aggiornato, ma è estenuante, costoso (in termini di tempo ed energia) e potrebbe portarlo al burnout.
Il Nuovo Modo (Riaddestramento Periodico): Lo studente studia intensamente per una settimana, poi fa una pausa. Torna al libro di testo solo una volta al mese per aggiornare i suoi appunti con gli ultimi capitoli.

La Scoperta del Saggio: Lo studio ha scoperto che lo studente che studia una volta al mese ottiene prestazioni uguali o talvolta migliori all'esame rispetto a quello che studia ogni ora. Il "Modello Globale" è abbastanza intelligente da imparare i modelli generali del negozio (come "la gente compra più gelato in estate") senza dover essere riistruito ogni singolo giorno.

2. Il Costo dell'Efficienza "Green"

Riaddestrare questi modelli non è gratis. Richiede una potenza di calcolo massiccia, che consuma elettricità e crea emissioni di carbonio (come guidare un'auto).

L'Analogia: Immagina che il computer sia una gigantesca macchina di fabbrica. Far funzionare la macchina 24 ore su 24, 7 giorni su 7 per riaddestrare il modello ogni giorno costa una fortuna in elettricità.
Il Risultato: Passando dagli "aggiornamenti giornalieri" agli "aggiornamenti mensili", lo studio ha scoperto che le aziende potrebbero tagliare i costi di calcolo del 75%. Se smettessero del tutto di riaddestrare il modello e lo usassero una sola volta, potrebbero risparmiare il 90% dei costi.
Il Problema: Per il tipo più comune di previsione (indovinare il numero esatto di articoli venduti), l'accuratezza non è diminuita affatto. Il modello è rimasto affilato anche mentre "riposava".

3. Machine Learning vs. Deep Learning

Il saggio ha testato due tipi di "cervelli":

Modelli di Machine Learning: Questi sono come lavoratori efficienti e pratici. Sono bravi a seguire regole e schemi. Lo studio ha scoperto che questi lavoratori beneficiano di più dal fare delle pause. Man mano che i dati diventano più grandi, questi modelli risparmiano più denaro ed energia quando vengono riaddestrati meno spesso.
Modelli di Deep Learning: Questi sono come artisti geniali che possono vedere schemi complessi e nascosti. Sono potenti, ma richiedono molta energia per funzionare. Sebbene risparmino comunque denaro quando vengono riaddestrati meno spesso, non risparmiano quanto i lavoratori pratici e sembrano raggiungere un "tetto" oltre il quale fare pause più lunghe non aiuta a risparmiare molto di più.

4. La "Rete di Sicurezza" (Previsione Probabilistica)

A volte, non vuoi solo sapere quante mele verranno vendute; vuoi conoscere l'intervallo di possibilità (ad esempio, "venderemo tra 100 e 150 mele, ma forse fino a 200"). Questa è chiamata previsione probabilistica.

La Scoperta: Se hai bisogno di queste previsioni di "rete di sicurezza", il modello deve essere aggiornato un po' più spesso. Tuttavia, anche in questo caso, aggiornarlo una volta ogni due settimane è solitamente sufficiente. Non hai bisogno di farlo quotidianamente.

Il Punto Fondamentale

Il saggio sostiene che la vecchia regola di "mantenere sempre il modello fresco" è obsoleta e sprecona.

Per le Previsioni Puntuali (Numeri esatti): Puoi riaddestrare il tuo modello una volta al mese (o anche meno) e ottenere la stessa accuratezza degli aggiornamenti giornalieri, risparmiando una quantità enorme di denaro ed energia.
Per le Scorte di Sicurezza (Intervalli): Potresti aver bisogno di aggiornarlo ogni due settimane, ma comunque molto meno rispetto al giornaliero.

In breve: Il tuo modello di previsione globale è come un atleta ben addestrato. Non ha bisogno di correre uno sprint ogni singola ora per mantenersi in forma. Può correre una maratona, riposare per alcune settimane e vincere comunque la gara. Lasciandolo riposare, le aziende possono risparmiare denaro e aiutare l'ambiente senza perdere il proprio vantaggio nella previsione della domanda.

Sintesi Tecnica: Sulla frequenza di riaddestramento dei modelli globali nella previsione della domanda al dettaglio

Definizione del problema

Nel campo della previsione della domanda al dettaglio, le organizzazioni affrontano un compromesso critico tra accuratezza delle previsioni, efficienza computazionale e sostenibilità. Sebbene i Modelli di Previsione Globali (GM) — che adattano un singolo modello su un intero dataset di serie temporali (apprendimento incrociato) — abbiano guadagnato importanza per la loro capacità di sfruttare dinamiche condivise e ridurre il carico computazionale rispetto ai Modelli Locali (LM), lo standard industriale spesso prevede il riaddestramento continuo del modello. Questa pratica presuppone che aggiornamenti frequenti siano necessari per adattarsi ai cambiamenti dei pattern. Tuttavia, il riaddestramento continuo comporta costi computazionali, consumo di energia ed emissioni di carbonio sostanziali, particolarmente in applicazioni su larga scala che coinvolgono milioni di SKU. Il documento investiga se questo riaddestramento frequente sia realmente necessario per mantenere le prestazioni predittive dei modelli globali o se strategie meno frequenti possano offrire un'alternativa più sostenibile e conveniente senza sacrificare l'accuratezza.

Metodologia

Lo studio impiega un rigoroso disegno sperimentale per valutare l'impatto della frequenza di riaddestramento sui modelli di previsione globale.

Dataset: L'analisi utilizza due completi dataset di previsione retail:
- M5 Competition: Dati sulle vendite unitarie giornaliere per 30.490 combinazioni SKU-negozio di Walmart (2011–2016).
- VN1 Forecasting Challenge: Dati sulle vendite settimanali per 15.053 prodotti da 328 magazzini attraverso 46 rivenditori (2020–2024).
- Gli esperimenti si concentrano sul livello più disaggregato (SKU × Negozio) per massimizzare i potenziali benefici di un ridotto riaddestramento.
Modelli: Sono stati valutati dieci distinti metodi di previsione globale, comprendenti:
- Machine Learning (5 modelli): Regressione Lineare (Pooled), Random Forest (RF), Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LGBM) e Categorical Boosting (CatBoost).
- Deep Learning (5 modelli): Multi-Layer Perceptron (MLP), Long Short-Term Memory (LSTM), Temporal Convolutional Networks (TCN), Neural Basis Expansion Analysis for Time Series (NBEATS), NBEATS con variabili esogene (NBEATSx) e Neural Hierarchical Interpolation for Time Series (NHITS).
Scenari di riaddestramento: Lo studio definisce una finestra di riaddestramento $r$ (il numero di nuove osservazioni prima del riaddestramento). Gli scenari variano da:
- Riaddestramento Continuo ( $r=1$ o $r=7$ per dati giornalieri): Il benchmark per la massima accuratezza e il costo.
- Riaddestramento Periodico: Intervalli intermedi (es. settimanali, mensili).
- Nessun Riaddestramento ( $r=T$ ): Il modello viene adattato una sola volta sul set di addestramento iniziale e utilizzato per l'intero orizzonte di test.
Framework di Valutazione:
- Validazione: Valutazione con origine rotante (rolling origin) utilizzando un approccio a finestra espandente per simulare le condizioni reali di business.
- Metriche:
  - Point Forecasting (Previsione Puntuale): Root Mean Squared Scaled Error (RMSSE).
  - Probabilistic Forecasting (Previsione Probabilistica): Scaled Multi-Quantile Loss (SMQL) su 14 quantili.
  - Efficienza: Tempo di calcolo (CT) in secondi, direttamente correlato ai costi monetari tramite modelli di pricing del cloud.
- Analisi Statistica: Sono stati utilizzati i test di Friedman-Nemenyi per verificare la significatività statistica tra gli scenari.

Risultati Chiave

1. Accuratezza della Previsione vs Frequenza di Riaddestramento

Previsione Puntuale: Lo studio rileva che un riaddestramento meno frequente non danneggia, e in alcuni casi migliora leggermente, l'accuratezza della previsione puntuale. Per entrambi i dataset M5 e VN1, i profili RMSSE sono rimasti stabili attraverso le frequenze di riaddestramento. Anche nello scenario di "nessun riaddestramento", il degrado delle prestazioni è stato trascurabile (meno del 5%).
Previsione Probabilistica: I risultati sono stati leggermente più sfumati. Per il dataset M5, l'accuratezza (misurata tramite SMQL) ha mostrato un lieve declino al diminuire della frequenza di riaddestramento, sebbene la differenza sia rimasta entro il 5-6%. Per il dataset VN1, è stata osservata una relazione quasi convessa, in cui gli scenari di basso riaddestramento hanno inizialmente migliorato le prestazioni prima di deteriorarsi a intervalli più elevati.
Differenze tra Modelli: I modelli di machine learning hanno generalmente mantenuto o migliorato l'accuratezza con un riaddestramento meno frequente all'aumentare della frequenza dei dati, mentre i modelli di deep learning hanno mostrato maggiore stabilità ma meno guadagni marginali in questo specifico contesto.

2. Costo Computazionale ed Efficienza

Riduzione Esponenziale: Il tempo di calcolo (CT) diminuisce esponenzialmente all'aumentare dell'intervallo di riaddestramento $r$ $r$ .
- Passare dal riaddestramento continuo a quello mensile ha ridotto il CT di circa il 75%.
- Lo scenario di "nessun riaddestramento" ha ridotto il CT fino al 90% rispetto al baseline.
Implicazioni di Costo: Utilizzando uno scenario ipotetico di un grande rivenditore (200.000 SKU, 5.000 negozi), lo studio stima che il riaddestramento continuo costi circa $750.000 annui per dati giornalieri. Passare a una strategia di "nessun riaddestramento" potrebbe abbassare questa cifra a circa $250.000, rappresentando un risparmio di oltre il 60%. Per i dati settimanali, i risparmi hanno raggiunto il 90%.
Selezione del Modello: I modelli di machine learning accoppiati con strategie di riaddestramento meno frequenti si sono dimostrati una scelta leggermente migliore per la riduzione dei costi all'aumentare della frequenza dei dati, superando i modelli di deep learning in termini di guadagni di efficienza dei costi.

3. Intervalli di Riaddestramento Ottimali

L'analisi ha identificato intervalli di riaddestramento "ottimali" basati sull'accuratezza:

Previsione Puntuale: Gli intervalli ottimali sono stati individuati tra le 3 e le 4 settimane (circa 21 osservazioni) per M5 e tra le 8 e le 10 settimane per VN1.
Previsione Probabilistica: Gli intervalli ottimali erano più brevi (circa 2 settimane per M5, 4 settimane per VN1), suggerendo che la stima dell'incertezza possa richiedere aggiornamenti leggermente più frequenti rispetto alle stime puntuali.

Contributi Chiave

Studio Empirico Comprensivo: Questo è il primo studio ad analizzare sistematicamente la relazione tra la frequenza di riaddestramento e l'accuratezza della previsione attraverso 10 diversi modelli globali (ML e DL) utilizzando dataset retail reali, coprendo sia la previsione puntuale che quella probabilistica.
Quantificazione dei Compromessi: Il documento quantifica il compromesso tra accuratezza e sostenibilità, dimostrando che si possono ottenere riduzioni significative dei costi computazionali (fino al 90%) con un impatto trascurabile sulle prestazioni predittive.
Linee Guida Pratiche: Lo studio fornisce raccomandazioni azionabili per i professionisti, suggerendo che il riaddestramento periodico (es. mensile) offre un equilibrio superiore tra accuratezza e costo rispetto al paradigma convenzionale del riaddestramento continuo.

Significato e Rivendicazioni

Il documento mette in discussione la convenzione secondo cui un riaddestramento frequente o continuo sia essenziale per mantenere l'elevata prestazione predittiva dei modelli di previsione globale. Gli autori sostengono che i modelli globali, apprendendo dinamiche condivise attraverso molteplici serie temporali, siano abbastanza robusti da rimanere efficaci senza aggiornamenti costanti, specialmente in contesti con pattern di domanda relativamente stabili.

La significatività di queste scoperte risiede nel loro duplice impatto:

Economico: Le organizzazioni possono ottenere risparmi finanziari sostanziali ottimizzando le programmazioni di riaddestramento senza compromettere la qualità delle previsioni.
Ambientale: Riducendo la frequenza del training dei modelli, le organizzazioni possono ridurre significativamente il consumo di energia e le emissioni di carbonio, allineandosi ai principi della "Green AI".

Lo studio conclude che passare da un paradigma di riaddestramento continuo a un approccio periodico permette alle aziende di ottimizzare le proprie pipeline di previsione, ottenendo risparmi di costo rilevanti garantendo al contempo un'elevata prestazione predittiva. Gli autori osservano che, sebbene le loro scoperte siano robuste per la domanda retail stabile, la ricerca futura dovrebbe esplorare strategie di riaddestramento adattive innescate dal rilevamento del concept drift e estendere queste analisi ad altri domini e architetture di modelli.