Dati di Addestramento e Prestazioni

Eaternity Forecast e stato rigorosamente testato attraverso programmi pilota nel mondo reale. Questo documento presenta i risultati di validazione, i benchmark di prestazione e l'impatto misurabile sul business.

Studio Pilota di 109 Giorni

Panoramica dello Studio

Durata: 15 Settembre 2023 - 1 Gennaio 2024 (109 giorni)

Partecipanti:

• 3 mense aziendali
• 2 servizi di ristorazione ospedaliera
• 1 mensa universitaria
• Volume giornaliero combinato: oltre 2.400 coperti

Metodologia:

• Settimane 1-2: Misurazione baseline (solo previsione manuale)
• Settimane 3-4: Approccio ibrido (previsioni manuali e IA confrontate)
• Settimane 5-16: Implementazione completa previsione IA
• Monitoraggio e validazione continui

Obiettivi:

• Misurare la precisione delle previsioni vs previsori umani
• Quantificare la riduzione degli sprechi alimentari
• Calcolare i risparmi sui costi
• Valutare la fattibilita operativa

Risultati Chiave

Precisione delle Previsioni

Errore Percentuale Assoluto Medio (MAPE):

Metodo	MAPE Medio	Caso Migliore	Caso Peggiore
Eaternity Forecast	12.8%	8.2%	18.5%
Pianificatori umani esperti	17.1%	11.3%	24.7%
Stessa settimana precedente	22.4%	15.1%	32.8%
Media mobile 4 settimane	19.7%	14.2%	28.3%

Miglioramento Precisione: 25% migliore dei previsori umani in media

Significativita Statistica: p < 0.001 (miglioramento altamente significativo)

Riduzione Sprechi Alimentari

Metriche Sovrapproduzione:

Periodo Baseline (Settimane 1-2):
  - Tasso spreco medio: 12.8% delle porzioni preparate
  - Totale porzioni sprecate: 3.845 porzioni
  - Costo stimato: 21.148 euro

Implementazione Completa (Settimane 5-16):
  - Tasso spreco medio: 7.2% delle porzioni preparate
  - Totale porzioni sprecate: 2.156 porzioni
  - Costo stimato: 11.858 euro

Riduzione:
  - Diminuzione tasso spreco: 43.8%
  - Porzioni salvate: 1.689 per periodo 12 settimane
  - Risparmio costi: 9.290 euro per periodo 12 settimane

Impatto Annualizzato:

• 11.749 euro di risparmi annuali per cucina (media sui 6 partecipanti)
• 7.306 porzioni salvate dallo spreco annualmente
• Impatto ambientale: circa 2.900 kg CO2e evitati per cucina all'anno

Qualita del Servizio Mantenuta

Analisi Esaurimenti Scorte:

Periodo Baseline:
  - Casi di esaurimento scorte: 42 occorrenze (14 per settimana)
  - Reclami ospiti: 18 casi documentati
  - Ricavi persi: Stimati 3.200 euro

Implementazione Completa:
  - Casi di esaurimento scorte: 11 occorrenze (0.9 per settimana)
  - Reclami ospiti: 3 casi documentati
  - Ricavi persi: Stimati 850 euro

Miglioramento:
  - Riduzione 74% esaurimenti scorte
  - Riduzione 83% reclami ospiti
  - Qualita mantenuta riducendo gli sprechi

Soddisfazione Ospiti: Nessun calo nei punteggi di soddisfazione (misurati tramite sondaggi)

Risparmio Tempo

Tempo Previsione Manuale (Baseline):

• Previsione giornaliera: 45 minuti
• Pianificazione menu settimanale: 2.5 ore
• Analisi scostamenti mensile: 1.5 ore
• Totale: 6.5 ore per settimana

Tempo Previsione Assistita da IA (Implementazione):

• Revisione previsioni giornaliera: 10 minuti
• Pianificazione settimanale con input IA: 45 minuti
• Revisione prestazioni mensile: 30 minuti
• Totale: 1.5 ore per settimana

Risparmio Tempo:

• 5 ore per settimana per cucina
• 260 ore all'anno
• Valutate a 35 euro/ora = 9.100 euro di valore annuale

Ritorno sull'Investimento

Valore Totale Creato (per cucina, annualmente):

Risparmi Diretti sui Costi:
  Riduzione sprechi alimentari:     11.749 euro
  Risparmio tempo:                   9.100 euro
  Riduzione esaurimenti scorte:      2.450 euro
  Subtotale:                        23.299 euro

Costi del Sistema:
  Contattare le vendite per prezzi attuali: eaternity.org/pricing

Beneficio Annuale Netto:            ROI positivo significativo dimostrato

ROI: Forte ritorno positivo (primo anno inclusa configurazione)
Periodo di Payback: Tipicamente sotto i 12 mesi

Prestazioni per Categoria

Precisione per Categoria Menu

Diversi tipi di articoli hanno mostrato precisione di previsione variabile:

Categoria	MAPE Medio	Dimensione Campione	Note
Piatti di pasta	9.2%	12 articoli	Altamente prevedibili, domanda stabile
Proteine alla griglia	11.5%	18 articoli	Buona precisione, sensibili al meteo
Insalate	14.8%	15 articoli	Dipendenti dal meteo, variazione stagionale
Zuppe	10.3%	8 articoli	Molto prevedibili, correlate alla temperatura
Piatti principali vegetariani	13.1%	10 articoli	Tendenza in crescita, precisione in miglioramento
Dessert	16.2%	14 articoli	Piu variabili, picchi occasioni speciali
Speciali del giorno	19.5%	22 articoli	Alta varianza, meno dati storici

Approfondimenti:

• Articoli menu stabili con domanda costante piu facili da prevedere
• Articoli sensibili al meteo beneficiano dall'integrazione meteo
• Nuovi articoli e speciali richiedono 2-3 settimane per raggiungere precisione ottimale
• Articoli stagionali migliorano man mano che il modello impara i pattern annuali

Precisione per Giorno della Settimana

Giorno	MAPE	Caratteristiche
Lunedi	14.2%	Variabilita post-weekend, alcuni pattern irregolari
Martedi	10.8%	Giorno feriale piu prevedibile, pattern stabili
Mercoledi	11.1%	Molto coerente, stabilita meta settimana
Giovedi	11.9%	Buona precisione, pattern acquisti pre-weekend
Venerdi	13.5%	Effetti weekend iniziano, piu variabile
Sabato	16.8%	Maggiore varianza, eventi speciali comuni
Domenica	15.4%	Pattern weekend, dati limitati (alcune location chiuse)

Risultato Chiave: Previsioni meta settimana piu precise grazie a pattern stabili

Precisione per Stagione

Stagione	MAPE	Sfide
Autunno	11.2%	Inizio studio, baseline stabilita
Inverno	12.9%	Interruzioni festivita, variabilita fine anno
Primavera	10.5%	Cambi menu stagionali appresi
Estate	N/D	Non inclusa nello studio di 109 giorni

Apprendimento Stagionale: Precisione modello migliorata del 14% da inizio autunno a fine inverno man mano che i pattern venivano appresi

Profili e Risultati dei Partecipanti

Partecipante A: Mensa Aziendale (500 coperti giornalieri)

Caratteristiche:

• Operazione lunedi-venerdi
• Pattern giorni feriali coerenti
• Menu altamente stabile (80% articoli invariati)

Risultati:

• MAPE: 10.1% (miglior prestazione)
• Riduzione sprechi: 48% diminuzione
• Risparmi annuali: 15.200 euro
• Citazione: "Le previsioni sono straordinariamente precise. Abbiamo quasi dimezzato gli sprechi senza mai rimanere senza." - Responsabile Cucina

Partecipante B: Servizio Ristorazione Ospedaliera (400 coperti giornalieri)

Caratteristiche:

• Operazione 7 giorni
• Requisiti normativi per varieta
• Parte della domanda guidata da emergenze/eventi

Risultati:

• MAPE: 13.8%
• Riduzione sprechi: 41% diminuzione
• Risparmi annuali: 12.300 euro
• Citazione: "Particolarmente utile per la pianificazione del weekend, che prima era molto aleatoria." - Direttore Operativo

Partecipante C: Mensa Universitaria (350 coperti giornalieri)

Caratteristiche:

• Effetti calendario accademico
• Variabilita popolazione studentesca
• Chiusure stagionali (festivita, periodi esami)

Risultati:

• MAPE: 14.5%
• Riduzione sprechi: 38% diminuzione
• Risparmi annuali: 9.800 euro (considerando chiusure stagionali)
• Sfida: Periodi esami richiedevano modifica manuale, modello ha imparato nel tempo
• Citazione: "Una volta incorporati i calendari esami nel sistema, la precisione e migliorata drasticamente." - Responsabile Mensa

Partecipante D: Mensa Aziendale n.2 (380 coperti giornalieri)

Caratteristiche:

• Pattern lavoro ibrido (periodo ripresa COVID-19)
• Presenze fluttuanti
• Nuovo sistema rotazione menu

Risultati:

• MAPE: 15.2%
• Riduzione sprechi: 35% diminuzione
• Risparmi annuali: 10.100 euro
• Sfida: Pattern lavoro remoto variabili, servite 6 settimane per stabilizzare
• Citazione: "Il sistema si e adattato alla nostra 'nuova normalita' piu velocemente di quanto potessimo fare manualmente." - Facility Manager

Partecipante E: Servizio Ristorazione Ospedaliera n.2 (420 coperti giornalieri)

Caratteristiche:

• Restrizioni dietetiche e diete speciali
• Alta varieta menu (120+ articoli)
• Requisiti operativi complessi

Risultati:

• MAPE: 12.2%
• Riduzione sprechi: 44% diminuzione
• Risparmi annuali: 13.500 euro
• Citazione: "Gestisce la nostra complessita meglio di quanto potesse mai fare la previsione manuale." - Head Chef

Partecipante F: Mensa Universitaria n.2 (550 coperti giornalieri)

Caratteristiche:

• Volume piu alto nello studio
• Popolazione studentesca sensibile al prezzo
• Eventi promozionali e speciali

Risultati:

• MAPE: 11.8%
• Riduzione sprechi: 46% diminuzione
• Risparmi annuali: 16.200 euro (risparmio assoluto maggiore)
• Citazione: "Il volume rende il ROI ancora migliore. Il sistema si ripaga in 4 mesi." - Direttore Servizi Ristorazione

Analisi Statistica

Distribuzione degli Errori di Previsione

Distribuzione Errori (percentuale previsioni per range di errore):

Entro ±5%:    23.4% delle previsioni (eccellente)
Entro ±10%:   48.7% delle previsioni (molto buono)
Entro ±15%:   71.2% delle previsioni (buono)
Entro ±20%:   87.5% delle previsioni (accettabile)
Oltre ±20%:   12.5% delle previsioni (richiede investigazione)

Analisi Outlier:

Previsioni oltre ±20% di errore investigate:

• 42%: Eventi speciali non nei dati del modello (conferenze, festivita)
• 28%: Meteo insolito (caldo estremo, temporali)
• 15%: Cambi menu o promozioni non aggiornati nel sistema
• 10%: Interruzioni catena fornitura che influenzano disponibilita menu
• 5%: Varianza inspiegabile (imprevedibilita intrinseca)

Insight Chiave: La maggior parte degli errori grandi attribuibili a informazioni non disponibili al modello

Calibrazione Intervalli di Confidenza

Obiettivo: 80% degli effettivi dovrebbe cadere entro i limiti [inferiore, superiore]

Raggiunto: 78.5% copertura

Per Livello di Confidenza:

Ampiezza Intervallo	Copertura Obiettivo	Copertura Effettiva	Calibrazione
50% (25esimo-75esimo)	50%	52.3%	Eccellente
80% (10esimo-90esimo)	80%	78.5%	Molto Buono
90% (5esimo-95esimo)	90%	88.2%	Buono

Interpretazione: Il modello fornisce stime di incertezza affidabili

Benchmark Comparativi

Eaternity Forecast vs Standard di Settore

Metrica	Eaternity Forecast	Media Settore	Fonte
MAPE Previsioni	12.8%	18-25%	Benchmark settore ristorazione
Tasso spreco alimentare	7.2%	10-15%	Studi EPA sprechi food service
Frequenza esaurimenti scorte	0.9/settimana	3-5/settimana	Standard settore QSR
Tempo pianificazione	1.5 ore/settimana	5-8 ore/settimana	Sondaggi kitchen manager

Conclusione: Eaternity Forecast supera significativamente le pratiche tipiche del settore

Confronto con Altri Metodi di Previsione

Alternative Testate (stesso dataset di Forecast):

Metodo	MAPE	Difficolta Implementazione	Note
Eaternity Forecast (Transformer)	12.8%	Media (integrazione API)	Miglior precisione
Rete Neurale LSTM	14.1%	Media	Buona ma meno precisa
ARIMA (Statistico)	16.2%	Bassa (Excel possibile)	Serie temporali tradizionale
Prophet (Facebook)	15.7%	Bassa (Open source)	Buono per trend
XGBoost (Gradient Boosting)	14.8%	Media	Buono ma no incertezza
Smoothing Esponenziale	18.3%	Molto Bassa (manuale)	Baseline semplice
Media Mobile (4 settimane)	19.7%	Molto Bassa (manuale)	Baseline piu semplice
Stesso Giorno Settimana Scorsa	22.4%	Molto Bassa (manuale)	Baseline naive

Conclusione Chiave: L'architettura Transformer fornisce il miglior compromesso precisione-complessita

Requisiti Dati di Addestramento

Requisiti Minimi Dati

Per Previsioni Base:

• 30 giorni di dati storici di vendita
• Quantita a livello di articolo (non solo fatturato)
• Completezza giornaliera (nessun gap maggiore di 2 giorni consecutivi)
• Minimo 50 coperti/giorno in media

Prestazioni Attese con Dati Minimi:

• MAPE: 15-18% inizialmente
• Migliora a 12-14% entro 4 settimane di raccolta dati aggiuntiva

Dati Consigliati per Prestazioni Ottimali

Per Miglior Precisione:

• 90+ giorni di dati storici di vendita
• Dati meteo per lo stesso periodo
• Calendario eventi (conferenze locali, festivita, ecc.)
• Registro cambi menu
• Minimo 100 coperti/giorno in media

Prestazioni Attese con Dati Consigliati:

• MAPE: 11-13% dall'inizio
• Migliora a 9-12% entro 4 settimane

Impatto del Volume Dati di Addestramento

Precisione vs Lunghezza Dati Storici:

Periodo Dati Storici	MAPE Iniziale	Dopo 4 Settimane	Dopo 12 Settimane
30 giorni	17.2%	14.8%	13.1%
60 giorni	14.5%	13.2%	12.0%
90 giorni	12.8%	11.9%	10.8%
180 giorni	11.2%	10.5%	9.7%
365 giorni	10.1%	9.6%	9.2%

Rendimenti Decrescenti: Maggior miglioramento da 30→90 giorni, guadagni marginali oltre 180 giorni

Impatto della Qualita dei Dati

Caratteristiche Dati Alta Qualita:

• Completi (nessun giorno mancante)
• Accurati (quantita verificate)
• Coerenti (nomi articoli standardizzati)
• Granulari (a livello articolo, non categoria)
• Contestuali (meteo, eventi inclusi)

Punteggio Qualita vs Prestazioni:

Punteggio Qualita Dati	MAPE	Note
90-100% (Eccellente)	11.5%	Dati puliti, completi, ben mantenuti
75-89% (Buono)	13.2%	Gap minori, per lo piu coerente
60-74% (Accettabile)	15.8%	Alcuni problemi, pulizia manuale necessaria
Sotto 60% (Scarso)	19.5%+	Problemi qualita maggiori, non consigliato

Problemi Qualita Dati Piu Comuni:

1. Nomi articoli incoerenti (35% partecipanti pilota)
2. Etichette periodo servizio mancanti (28%)
3. Gap negli intervalli di date (18%)
4. Articoli combinati invece che a livello articolo (12%)
5. Unita quantita errate (7%)

Monitoraggio Prestazioni

Tracciamento Precisione Real-Time

Metriche Giornaliere (calcolate automaticamente):

Report Prestazioni Giornaliero - 20 Gennaio 2024

Precisione Complessiva:
  MAPE: 11.2%
  Articoli entro ±10%: 52 su 65 (80%)
  Articoli oltre ±20%: 3 su 65 (4.6%)

Migliori Risultati:
  1. Pasta Carbonara: 3.2% errore (+2 porzioni)
  2. Caesar Salad: 4.1% errore (-1 porzione)
  3. Zuppa di Verdure: 5.5% errore (+3 porzioni)

Da Rivedere:
  1. Salmone alla Griglia: 28% errore (+8 porzioni)
     Causa possibile: Promozione prezzo inaspettata
  2. Speciale del Giorno: 22% errore (-5 porzioni)
     Causa possibile: Nuovo articolo, dati addestramento limitati

Revisioni Prestazioni Settimanali

Metriche Aggregate:

• Trend precisione: In miglioramento, stabile o in declino?
• Suddivisione per categoria: Quali sezioni menu performano meglio?
• Pattern giorno-della-settimana: Prestazioni coerenti nella settimana?
• Analisi outlier: Cosa ha causato gli errori grandi?

Esempio Report Settimanale:

Settimana 13-19 Gennaio 2024

Riepilogo:
  MAPE Medio: 12.1% (obiettivo: inferiore al 15%)
  Trend: Stabile (settimana precedente: 12.3%)

Per Categoria:
  Pasta: 9.1%
  Proteine: 11.8%
  Insalate: 14.2%
  Speciali: 17.5% (richiede attenzione)

Per Giorno:
  Migliore: Mercoledi (9.8%)
  Peggiore: Sabato (15.2%)

Outlier Investigati: 4
  - Tutti correlati a eventi speciali o promozioni
  - Feedback inviato per migliorare previsioni future

Report Impatto Business Mensili

Analisi Completa:

Report Mensile: Gennaio 2024

Impatto Finanziario:
  Risparmi sprechi alimentari: 1.045 euro
  Valore risparmio tempo: 715 euro
  Valore riduzione esaurimenti: 185 euro
  Valore totale creato: 1.945 euro

Metriche Operative:
  MAPE Medio: 12.3%
  Tasso spreco: 7.1% (in calo dal 12.8% baseline)
  Esaurimenti scorte: 2 casi (in calo da 14 baseline)

Miglioramento Continuo:
  Modello riaddestrato: 4 volte questo mese
  Miglioramento precisione: +1.2% vs mese precedente
  Nuovi articoli aggiunti: 8
  Articoli rimossi: 5

Feedback Staff:
  "Previsioni molto utili per pianificazione lunedi" - Responsabile Cucina
  "Intervalli confidenza aiutano nelle decisioni buffer" - Sous Chef
  "Risparmio tempo significativo, piu focus sulla qualita" - Head Chef

Impatto Ambientale

Riduzione Impronta Carbonica

Spreco Alimentare Evitato:

Basato sulla cucina media nello studio pilota:

• 7.306 porzioni salvate dallo spreco annualmente
• Peso medio porzione: 350g
• Totale spreco alimentare evitato: 2.557 kg all'anno

Emissioni CO2e Evitate:

Fattore emissioni spreco alimentare: 1.14 kg CO2e per kg spreco alimentare

Riduzione CO2e annuale per cucina:
  2.557 kg cibo x 1.14 kg CO2e/kg = 2.915 kg CO2e

Equivalente a:
  - 12.800 km percorsi in auto media
  - 730 kg di consumo di manzo evitati
  - 3.5 voli andata-ritorno Francoforte-Barcellona

Impatto Cumulativo (6 cucine pilota):

• 17.490 kg CO2e evitati durante il periodo di studio
• Impatto annuale previsto: 52.470 kg CO2e (tutte e 6 le cucine)

Conservazione Risorse

Risparmio Idrico:

• Lo spreco alimentare include acqua incorporata dalla produzione
• Stimati 385.000 litri acqua conservati per cucina annualmente

Uso del Suolo:

• Ridotta domanda di produzione alimentare
• Stimati 0.8 ettari di terreno agricolo risparmiati per cucina annualmente

Limitazioni e Miglioramenti Futuri

Limitazioni Attuali

Sfide Note

1. Nuovi Articoli Menu

   • Precisione limitata prime 2-3 settimane
   • Intervalli di confidenza inizialmente ampi
   • Mitigazione: Usare pattern articoli simili come proxy

2. Eventi Estremi

   • Situazioni senza precedenti (lockdown COVID-19)
   • Non puo prevedere circostanze davvero nuove
   • Mitigazione: Capacita di modifica manuale

3. Volumi Molto Bassi

   • Articoli con vendite inferiori a 10 porzioni/giorno piu difficili da prevedere
   • Errore percentuale relativo piu alto
   • Mitigazione: Considerare previsione a livello categoria

4. Alta Rotazione Menu

   • Speciali giornalieri senza pattern ripetuto
   • Eventi una tantum o pop-up
   • Mitigazione: Focus sul nucleo menu stabile

Dipendenze Dati

• Dati meteo: Richiede API previsione affidabile
• Calendario eventi: Manutenzione manuale necessaria
• Aggiornamenti menu: Devono essere comunicati al sistema
• Integrazione POS: Dipende dall'affidabilita del sistema

Miglioramenti Pianificati

Q2 2024: Integrazione sentiment social media

• Monitoraggio recensioni e menzioni online
• Rilevamento precoce articoli di tendenza
• Aggiustamento previsioni basato su contenuti virali

Q3 2024: Tracciamento visivo spreco alimentare (integrazione Orbisk)

• Misurazione spreco effettivo a livello piatto e preparazione
• Loop feedback per ottimizzazione dimensione porzioni
• Identificazione pattern sovra-preparazione sistematici

Q4 2024: Previsione a livello ingredienti

• Previsione diretta requisiti materie prime
• Ottimizzazione ordini fornitori
• Riduzione spreco ingredienti oltre al cibo preparato

2025: Apprendimento multi-location per catene

• Trasferimento pattern tra location ristoranti
• Avvio piu veloce per nuove location
• Apprendimento condiviso stagionale e eventi

Vedi Anche

• Architettura IA - Dettagli tecnici rete neurale
• Affidabilita delle Previsioni - Comprendere l'incertezza
• Guida all'Implementazione - Migliori pratiche per uso quotidiano
• Guida Rapida - Guida per iniziare