Passa al contenuto principale

Guida Rapida alla Configurazione

Avviate Eaternity Forecast nella vostra cucina in quattro semplici passaggi. Questa guida copre il processo di configurazione dal primo contatto alla ricezione delle prime previsioni.

Panoramica​

Tempistiche​

FaseDurataAttivita Principali
Configurazione1-2 settimaneIntegrazione, importazione dati, configurazione
Addestramento1-2 settimaneLa rete neurale impara i vostri pattern
Test1 settimanaValidazione previsioni, raccolta feedback
ProduzioneContinuoPrevisioni giornaliere per la pianificazione

Tempo totale per le prime previsioni: 2-4 settimane a seconda del metodo di integrazione

Prerequisiti​

Prima di iniziare, assicuratevi di avere:

  • Identificato il vostro sistema POS/ERP e il metodo di accesso ai dati
  • Designato una persona di contatto nel team
  • Confermato la disponibilita di almeno 30 giorni di dati storici di vendita
  • Contattato Eaternity per iniziare l'onboarding

Passo 1: Integrazione del Sistema​

Scegliete il metodo di integrazione in base alla vostra configurazione tecnica.

Opzione A: Integrazione Necta (Piu Veloce)​

Ideale per: Clienti Necta esistenti

Processo di Configurazione:

  1. Contattate il Vostro Account Manager Necta

    Oggetto Email: "Attivazione Integrazione Eaternity Forecast"
    Includere: Nome azienda e ID account Necta

  2. Configurazione Eaternity

    • Il nostro team riceve notifica da Necta
    • Configuriamo la connessione (nessuna azione richiesta da parte vostra)
    • I dati storici vengono importati automaticamente dal database Necta

  3. Verifica

    • Riceverete email di conferma quando la connessione e attiva
    • Accedete a Necta per verificare che il modulo Forecast sia visibile
    • Lo stato dell'importazione dei dati storici e visibile nel pannello di controllo

Tempistiche: 3-5 giorni lavorativi

Opzione B: Integrazione API Diretta​

Ideale per: Sistemi POS/ERP personalizzati con risorse tecniche

Processo di Configurazione:

  1. Consultate la Documentazione API

  2. Implementate gli Endpoint Dati

    Create endpoint per:

    Esportazione Dati Vendite (Obbligatorio):

    POST /api/forecast/sales
    {
      "date": "2024-01-15",
      "items": [
        {
          "name": "Pasta Carbonara",
          "quantity": 45,
          "service_period": "lunch",
          "category": "Main Course"
        }
      ]
    }

    Importazione Dati Storici (Configurazione iniziale):

    POST /api/forecast/sales/bulk
    {
      "start_date": "2023-10-01",
      "end_date": "2024-01-15",
      "items": [...]
    }

  3. Configurazione Autenticazione

    Coordinatevi con il team Eaternity:

    • Ricevete le credenziali API
    • Configurate l'autenticazione OAuth 2.0 o con chiave API
    • Testate la connessione con l'ambiente sandbox

  4. Test

    Validate l'integrazione:

    # Test autenticazione
    curl -X POST https://api.eaternity.org/v1/forecast/auth \
      -H "Content-Type: application/json" \
      -d '{"api_key": "your_api_key"}'

    # Test invio dati vendite
    curl -X POST https://api.eaternity.org/v1/forecast/sales \
      -H "Authorization: Bearer your_token" \
      -H "Content-Type: application/json" \
      -d '{"date": "2024-01-15", "items": [...]}'

  5. Importazione Dati Storici

    Importate in blocco i vostri dati storici:

    • Esportate i dati di vendita dal vostro POS/ERP (CSV, JSON o Excel)
    • Trasformate nel formato richiesto usando gli script forniti
    • Inviate tramite endpoint di importazione massiva
    • Monitorate lo stato dell'importazione nel pannello di controllo

Tempistiche: 2-4 settimane a seconda della complessita

Opzione C: Caricamento Manuale​

Ideale per: Fase di configurazione iniziale o operazioni piu piccole

Processo di Configurazione:

  1. Scaricate il Modello Dati

    Richiedete il modello al supporto Eaternity:

    • Foglio di calcolo Excel con i campi richiesti
    • Dati di esempio come riferimento
    • Formule di validazione per controllare la qualita dei dati

  2. Esportate i Dati di Vendita dal POS

    Estraete i dati storici:

    • Minimo 30 giorni (90+ giorni consigliati)
    • Quantita a livello di articolo, non solo fatturato
    • Timestamp per ogni transazione

  3. Formattate i Dati

    Colonne richieste:

    date | item_name | quantity_sold | service_period | price | category

    Esempio:

    2024-01-15,Pasta Carbonara,45,lunch,14.50,Main Course
    2024-01-15,Caesar Salad,32,lunch,9.00,Starter
    2024-01-15,Grilled Salmon,28,lunch,18.50,Main Course

  4. Caricate sul Portale

    • Accedete al portale di caricamento sicuro (link fornito dal coordinatore)
    • Caricate il file CSV/Excel formattato
    • Verificate l'anteprima dei dati prima di confermare
    • Riceverete email di conferma al completamento dell'elaborazione

  5. Configurate i Caricamenti Ricorrenti

    Per previsioni continue:

    • Programmazione settimanale del caricamento (lunedi consigliato)
    • Esportate i dati di vendita della settimana precedente
    • Caricate via portale o SFTP
    • 15-30 minuti a settimana

Tempistiche: 1 settimana per la configurazione iniziale

Passo 2: Importazione Dati Storici​

Preparazione dei Dati​

Verificate la Qualita dei Dati:

Eseguite questi controlli prima dell'importazione:

Controllo Completezza:

  • Nessuna data mancante nell'intervallo
  • Tutti gli articoli del menu tracciati in modo coerente
  • Periodi di servizio chiaramente etichettati

Controllo Accuratezza:

  • Le quantita corrispondono alle porzioni effettivamente servite
  • I timestamp sono corretti (attenzione ai problemi di fuso orario)
  • Nessuna voce duplicata per lo stesso articolo/data

Controllo Coerenza:

  • Stessi nomi articolo in tutte le date
  • Nomi di categoria standardizzati
  • Etichette periodo di servizio coerenti

Esempio di Controllo Qualita:

import pandas as pd

# Caricate i vostri dati
df = pd.read_csv('sales_data.csv')

# Controllo date mancanti
date_range = pd.date_range(start=df['date'].min(), end=df['date'].max())
missing_dates = date_range.difference(pd.to_datetime(df['date']))
print(f"Date mancanti: {missing_dates}")

# Controllo nomi articolo incoerenti
item_variations = df.groupby('item_name')['item_name'].count()
print(f"Totale articoli unici: {len(item_variations)}")

# Controllo voci duplicate
duplicates = df[df.duplicated(['date', 'item_name', 'service_period'])]
print(f"Voci duplicate: {len(duplicates)}")

Processo di Importazione​

  1. Inviate i Dati Storici

    Tramite il metodo scelto:

    • Necta: Importazione automatica dai dati esistenti
    • API: Endpoint importazione massiva
    • Manuale: Portale di caricamento

  2. Validazione Dati

    Il team Eaternity verifica:

    • Conformita del formato dati
    • Metriche di qualita
    • Valutazione completezza
    • Eventuali anomalie o problemi

  3. Ricevete il Report di Validazione

    Entro 2 giorni lavorativi:

    • Punteggio qualita dati
    • Problemi trovati e raccomandazioni
    • Approvazione a procedere o richieste di correzioni

  4. Correzioni (se necessarie)

    Risolvete eventuali problemi:

    • Riformattate i dati secondo il feedback
    • Compilate le informazioni mancanti
    • Risolvete le incoerenze
    • Reinviate per la validazione

Volume Dati Previsto​

Minimo per Addestramento Base:

  • 30 giorni di dati storici
  • Tutti gli articoli del menu tracciati
  • Almeno 50 coperti/giorno in media

Consigliato per Addestramento Ottimale:

  • 90+ giorni di dati storici
  • Variazione stagionale rappresentata
  • Eventi speciali e festivita inclusi

Ideale per Massima Precisione:

  • 180+ giorni (6 mesi)
  • Ciclo stagionale completo
  • Dati meteo disponibili
  • Calendario eventi incluso

Passo 3: Addestramento del Modello​

Processo di Addestramento​

Una volta importati i dati storici, l'addestramento della rete neurale inizia automaticamente.

Fase 1: Riconoscimento Pattern Iniziale (Giorni 1-3)

Il modello impara:

  • Pattern giornalieri base
  • Tendenze di popolarita degli articoli
  • Differenze tra periodi di servizio
  • Variazioni per giorno della settimana

Fase 2: Apprendimento Funzionalita Avanzate (Giorni 4-7)

Il modello identifica:

  • Cicli settimanali e mensili
  • Tendenze stagionali (se dati sufficienti)
  • Correlazioni meteo
  • Pattern impatto eventi

Fase 3: Ottimizzazione (Giorni 8-14)

Il modello affina:

  • Precisione delle previsioni
  • Calibrazione intervalli di confidenza
  • Gestione valori anomali
  • Adattamento ai cambi menu

Monitoraggio Addestramento​

Pannello di Controllo Progresso:

Accedete allo stato dell'addestramento via:

  • Aggiornamenti email (riepilogo giornaliero)
  • Interfaccia pannello di controllo (tempo reale)
  • Notifiche Slack (opzionale)

Metriche Chiave Visualizzate:

  • Percentuale progresso addestramento
  • Precisione attuale sul set di validazione
  • Data completamento prevista
  • Eventuali problemi o avvisi

Esempio Report Addestramento:

Progresso Addestramento: 65% completato
MAPE Attuale: 18.2% (obiettivo: inferiore al 15%)
Articoli addestrati: 42/65
Completamento previsto: 2024-01-25
Stato: In linea

Cosa Succede Durante l'Addestramento​

Non dovete fare nulla, ma ecco cosa sta succedendo:

  1. Preprocessing Dati

    • Normalizzazione delle quantita
    • Estrazione funzionalita (giorno settimana, stagionalita, tendenze)
    • Integrazione dati meteo
    • Allineamento calendario eventi

  2. Configurazione Architettura Modello

    • Configurazione livelli Transformer
    • Inizializzazione meccanismi di attenzione
    • Stabilimento codifica temporale
    • Preparazione elaborazione multi-livello

  3. Iterazioni di Addestramento

    • Il modello impara dai pattern storici
    • Validazione su dati di test
    • Ottimizzazione iperparametri
    • Regolarizzazione per prevenire overfitting

  4. Validazione Precisione

    • Confronto con baseline previsore umano
    • Calibrazione intervalli di confidenza
    • Analisi errori e identificazione pattern
    • Selezione modello finale

Passo 4: Iniziate a Prevedere​

Prime Previsioni​

Tempistiche: 2-4 settimane dall'inizio configurazione

Notifica:

  • Avviso email quando le prime previsioni sono pronte
  • Il pannello di controllo mostra stato "Attivo"
  • Previsioni disponibili via API o interfaccia

Set Previsioni Iniziale:

  • Prossimi 7 giorni previsti
  • Tutti gli articoli menu attivi inclusi
  • Intervalli di confidenza per ogni previsione
  • Metriche precisione storica visualizzate

Accesso alle Previsioni​

Via Interfaccia Necta (clienti Necta):

  1. Accedete al modulo pianificazione Necta
  2. Navigate alla sezione "Previsione Domanda"
  3. Visualizzate le previsioni giornaliere per articolo
  4. Esportate nei fogli di lavoro per la pianificazione

Via API (Integrazioni personalizzate):

# Ottenete previsioni per data specifica
curl -X GET "https://api.eaternity.org/v1/forecast/predictions?date=2024-01-20" \
  -H "Authorization: Bearer your_token"

# Risposta
{
  "date": "2024-01-20",
  "day_of_week": "Saturday",
  "predictions": [
    {
      "item_name": "Pasta Carbonara",
      "predicted_quantity": 52,
      "confidence_interval": {
        "lower": 45,
        "upper": 59
      },
      "accuracy_last_30_days": 92.3
    }
  ]
}

Via Pannello di Controllo (Accesso manuale):

  1. Accedete al pannello di controllo Forecast
  2. Selezionate l'intervallo di date
  3. Visualizzate la tabella previsioni
  4. Scaricate l'esportazione CSV

Comprendere le Prime Previsioni​

Componenti della Previsione:

Ogni previsione include:

  1. Quantita Prevista: Numero piu probabile di porzioni
  2. Intervallo di Confidenza: Range di domanda attesa (limite inferiore e superiore)
  3. Metrica di Precisione: Quanto sono state affidabili le previsioni recenti
  4. Fattori: Driver principali (meteo, giorno settimana, eventi)

Esempio di Previsione:

Articolo: Pasta Carbonara
Data: Sabato 20 Gennaio 2024
Quantita Prevista: 52 porzioni

Intervallo di Confidenza: 45-59 porzioni
  - Limite inferiore (10esimo percentile): 45
  - Limite superiore (90esimo percentile): 59
  - Livello di confidenza: 80%

Precisione Storica: 92.3% (ultimi 30 giorni)

Fattori Chiave:
  - Weekend (Sabato): +20% vs media giorni feriali
  - Temperatura: 8C (domanda invernale normale)
  - Nessun evento speciale rilevato

Approfondisci gli intervalli di confidenza

Integrazione nel Flusso di Lavoro Giornaliero​

Processo Consigliato:

  1. Revisione Mattutina (5-10 minuti)

    • Controllate le vendite effettive di oggi vs la previsione di ieri
    • Revisionate la previsione per domani
    • Annotate eventuali scostamenti sorprendenti

  2. Pianificazione (15-20 minuti)

    • Usate le previsioni per gli ordini ingredienti
    • Regolate le quantita di preparazione in base alle previsioni
    • Considerate gli intervalli di confidenza per la pianificazione del buffer

  3. Feedback (opzionale, 2-3 minuti)

    • Annotate eventuali fattori non considerati (eventi imprevisti, cambi meteo)
    • Segnalate errori di previsione maggiori del 30% per migliorare il modello
    • Inviate feedback via pannello di controllo o email

Consultate la Guida all'Implementazione per il flusso di lavoro dettagliato

Fase di Validazione e Test​

Settimana 1: Modalita Osservazione​

Obiettivo: Capire come le previsioni si confrontano con il vostro metodo attuale

Attivita:

  • Revisionate le previsioni giornaliere ma non cambiate ancora il processo attuale
  • Confrontate le previsioni di Forecast con le vostre previsioni esistenti
  • Annotate eventuali pattern o sorprese
  • Tracciate la precisione delle previsioni

Metriche da Tracciare:

| Articolo        | Effettivo | Vostra Prev | Prev IA | Errore Vostro | Errore IA |
|-----------------|-----------|-------------|---------|---------------|-----------|
| Pasta Carb.     | 48        | 55          | 52      | +14.6%        | +8.3%     |
| Caesar Salad    | 30        | 28          | 31      | -6.7%         | +3.3%     |

Settimana 2: Approccio Ibrido​

Obiettivo: Iniziare a incorporare le previsioni nella pianificazione

Attivita:

  • Usate le previsioni per il 25-50% degli articoli menu
  • Mantenete la previsione manuale per gli articoli piu importanti inizialmente
  • Confrontate i risultati tra previsioni manuali e IA
  • Costruite fiducia nella precisione delle previsioni

Formazione Team:

  • Revisionate gli intervalli di confidenza con il personale di cucina
  • Discutete come gestire limiti superiori/inferiori
  • Praticate l'aggiustamento per fattori noti non presenti nei dati

Settimane 3-4: Implementazione Completa​

Obiettivo: Usare le previsioni per tutti gli articoli menu

Attivita:

  • Affidatevi alle previsioni per la pianificazione giornaliera
  • Usate gli intervalli di confidenza per le decisioni sui buffer
  • Tracciate la riduzione effettiva degli sprechi
  • Calcolate i risparmi sui costi

Indicatori di Successo:

  • Riduzione della sovrapproduzione
  • Qualita del servizio mantenuta (nessun esaurimento scorte)
  • Tempo risparmiato rispetto alle previsioni manuali
  • Fiducia del team nell'uso del sistema

Risoluzione Problemi di Configurazione​

ProblemaSoluzione Rapida
Importazione dati fallisceControllate codifica UTF-8, date YYYY-MM-DD, nessuna riga vuota
Autenticazione API fallisceVerificate che la chiave API non abbia spazi extra, usate HTTPS
Previsioni sembrano impreciseAssicuratevi di avere 30+ giorni di dati, attendete 2 settimane di addestramento
Integrazione Necta non appareSvuotate la cache, verificate l'attivazione del modulo con Necta

Per soluzioni dettagliate, consultate Risoluzione Problemi Integrazione.

Ottenere Assistenza​

Email: forecast@eaternity.org

Tipo ProblemaTempo di Risposta
Critico (sistema non funzionante)4 ore
Problemi integrazione24 ore
Domande su dati/funzionalita48 ore - 1 settimana

Checklist: Configurazione Completata​

Integrazione

  • Connessione POS/ERP stabilita
  • Autenticazione configurata e testata
  • Flusso dati verificato

Dati Storici

  • Minimo 30 giorni importati
  • Validazione dati superata
  • Punteggio qualita maggiore dell'80%

Addestramento

  • Addestramento rete neurale completato (100%)
  • Precisione validazione raggiunge obiettivi
  • Tutti gli articoli menu addestrati

Previsioni

  • Prime previsioni ricevute
  • Team puo accedere via interfaccia o API
  • Intervalli di confidenza compresi

Preparazione Team

  • Persona di contatto formata
  • Personale cucina informato sull'uso delle previsioni
  • Integrazione flusso lavoro pianificata
  • Processo feedback stabilito

Prossimi Passi​

Una volta completata la configurazione:

  1. Iniziate l'Uso Quotidiano

    • Incorporate le previsioni nel flusso di pianificazione
    • Tracciate precisione e riduzione sprechi alimentari
    • Segnalate eventuali problemi o risultati inattesi

  2. Fornite Feedback

    • Programmate la prima chiamata di controllo mensile
    • Condividete le prime osservazioni e domande
    • Suggerite miglioramenti o richieste di funzionalita

  3. Ottimizzate l'Uso

  4. Monitorate le Prestazioni

    • Tracciate i risparmi sui costi dalla riduzione degli sprechi
    • Misurate il tempo risparmiato rispetto alle previsioni manuali
    • Documentate le storie di successo per casi studio

Vedi Anche​