ETD

• analisi della domanda
• Business-to-Consumer
• customer analytics
• Data Science
• demand forecasting
• pattern mining
• recommender systems
• segmentazione dei clienti
• sistemi di raccomandazione

Many companies operating in e-commerce use pricing and promotions as strategic levers to increase demand, improve product visibility, and maintain market competitiveness. However, these decisions do not only affect sales; they also have direct impacts on margins, costs, and overall profitability. For this reason, it is not sufficient to predict how many units will be sold—quantitative tools are also needed to assess the economic viability of different pricing choices.
From this perspective, the work carried out did not focus solely on demand forecasting but extended the analysis to a full pricing optimization process. Starting from the estimated relationship between price and quantity sold using machine learning models—specifically Random Forest and XGBoost Regressor, it was possible to simulate various pricing scenarios and identify those most aligned with specific profit objectives.
The analysis was further enriched with economic and managerial tools such as contribution margin, break-even point, demand elasticity, and cost–volume–profit analysis. These tools make it possible to evaluate whether a given promotional strategy is economically sustainable. In this way, it became possible to understand not only which prices drive higher sales, but also which ones allow costs to be covered and profitability to be generated.
Subsequently, a customer segmentation system was developed using hierarchical clustering and K-means techniques, complemented by a Market Basket Analysis to identify patterns of joint purchasing. Finally, recommendation systems based on Collaborative Filtering were implemented and evaluated using a leave-one-out methodology, with the aim of generating personalized suggestions and improving the user experience.
Overall, this work proposes an integrated approach that combines demand forecasting, economic analysis, behavioral segmentation, and recommendation systems, with the goal of transforming transactional data into operational tools that support pricing decisions and the strategic management of an e-commerce platform.

Molte aziende che operano nell’e-commerce utilizzano il prezzo e le promozioni come leve strategiche per aumentare la domanda, migliorare la visibilità dei prodotti e mantenere la competitività sul mercato. Tuttavia, queste decisioni non incidono solo sulle vendite, ma hanno effetti diretti anche sui margini, sui costi e sulla redditività complessiva. Per questo motivo, non è sufficiente prevedere quante unità verranno vendute, ma è necessario affiancare alle previsioni strumenti quantitativi in grado di valutare anche la convenienza economica delle diverse scelte di prezzo.
In questa prospettiva, il lavoro svolto non si è limitato al solo demand forecasting, ma ha esteso l’analisi a un vero e proprio processo di ottimizzazione delle decisioni di pricing. A partire dalla relazione stimata tra prezzo e quantità venduta mediante modelli di machine learning, in particolare Random Forest e XGBoost Regressor, è stato possibile simulare diversi scenari di prezzo e individuare quelli più coerenti con specifici obiettivi di profitto.
L’analisi è stata inoltre integrata con strumenti economico-manageriali, come il margine di contribuzione, il break-even point, elasticità della domanda e la cost–volume–profit analysis, che consentono di valutare se una determinata strategia promozionale sia sostenibile dal punto di vista economico. In questo modo, è stato possibile capire non solo quali prezzi favoriscano l’aumento delle vendite, ma anche quali permettano di coprire i costi e generare redditività.
Successivamente, è stato sviluppato un sistema di segmentazione della clientela utilizzando tecniche di clustering gerarchico e K-means, affiancato da un’analisi del carrello (Market Basket Analysis) per individuare pattern di acquisto congiunto. Infine, sono stati implementati sistemi di raccomandazione basati su Collaborative Filtering, valutati mediante una metodologia leave-one-out, con l’obiettivo di generare suggerimenti personalizzati e migliorare l’esperienza dell’utente.
Nel complesso, questo lavoro propone un approccio integrato che combina previsione della domanda, analisi economica, segmentazione comportamentale e sistemi di raccomandazione, con l’obiettivo di trasformare i dati transazionali in strumenti operativi a supporto delle decisioni di pricing e della gestione strategica di una piattaforma e-commerce.