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.