Graph Neural Network e tecniche di explainability applicate al commercio del caffè = Graph Neural Networks and Explainability Techniques Applied to Coffee Trade

Questo studio si propone di predire i volumi di vendita del caffè per un'azienda attraverso l'utilizzo di Graph Neural Networks (GNN), esplorando al contempo le potenzialità offerte dalle tecniche di explainability per un'analisi approfondita del dominio di riferimento. L'obiettivo principale è la predizione accurata dei volumi, mentre l'obiettivo secondario è quello di comprendere le ragioni sottostanti alle decisioni del modello, al fine di ottenere una maggiore comprensione delle dinamiche aziendali e delle interazioni tra i punti vendita. Sono stati testati diversi approcci di machine learning tradizionali, tra cui Random Forest, XGBoost e modelli MLP con layer convoluzionale. I risultati mostrano che la GNN ha superato ampiamente le altre tecniche, ottenendo un Mean Absolute Error (MAE) di 43.87 e un R^2 di 0.73, dimostrando una notevole superiorità in termini di accuratezza predittiva. L'aspetto innovativo di questo lavoro risiede nell'applicazione delle tecniche di explainability, che hanno consentito di andare oltre la semplice predizione dei volumi, permettendo di analizzare in dettaglio le relazioni e le strutture presenti nel contesto di vendita. L'analisi ha rivelato l'esistenza di nodi strategici nella rete di punti vendita, come hub che fungono da riferimenti regionali e nodi che, pur mostrando comportamenti atipici, offrono opportunità di ottimizzazione e miglioramento. Queste scoperte offrono spunti concreti per migliorare le strategie di business e marketing, confermando la rilevanza dell'approccio adottato per un'analisi più profonda e strategica del dominio.