ETD

• Anomaly Detection
• apprendimento automatico
• Budget Planning
• Cloud Cost Forecasting
• Cloud Cost Management
• FinOps
• governance multi-cloud
• Machine Learning
• ottimizzazione dei costi
• Predictive Analytics
• previsione dei costi cloud
• rilevamento delle anomalie
• Time-Series Forecasting

Cloud cost management has become a strategic priority for organizations operating in multi-cloud environments. The presence of large-scale and diverse billing data reduces the effectiveness of reactive governance and makes manual cost analysis challenging.
This thesis develops a data-driven forecasting and anomaly-detection framework for the European Central Bank's internal cloud costing platform. The study examines 2.27 million billing entries spanning Amazon Web Services, Microsoft Azure, Oracle Cloud Infrastructure, and six additional providers between January 2023 and June 2025.
The framework operates across multiple levels of granularity, from individual account-service pairs to global monthly summaries. It combines traditional time-series, regression, and machine-learning approaches to support cloud financial management from a practical FinOps perspective.
The best results are achieved by a three-state mixture architecture that separately models positive costs, discounts, and neutral adjustments, and combines them with gradient-boosted decision-tree regressors. The model achieves a coefficient of determination of 0.953 and a weighted absolute percentage error of 3.6% at aggregated levels. The framework also implements top-down reconciliation to maintain consistency between detailed forecasts and global budget levels.
In addition, the framework includes an anomaly detection pipeline that identified 3,581 unusual spending patterns from over 385,000 cases, providing actionable insights for cost optimization.
The results show that structural cost decomposition, anti-leakage feature engineering, and hierarchical reconciliation improve forecasting accuracy and support more proactive cloud cost planning and governance in large-scale multi-cloud environments.

La gestione dei costi cloud è diventata una priorità strategica per le organizzazioni che operano in ambienti multi-cloud. La presenza di dati di fatturazione su larga scala e di natura eterogenea riduce l'efficacia della governance reattiva e rende l'analisi manuale dei costi sempre più difficile.
Questa tesi sviluppa un framework basato sui dati per la previsione e il rilevamento delle anomalie, applicato alla piattaforma interna di gestione dei costi cloud della Banca Centrale Europea. Lo studio analizza 2,27 milioni di voci di fatturazione provenienti da Amazon Web Services, Microsoft Azure, Oracle Cloud Infrastructure e sei provider aggiuntivi, nel periodo compreso tra gennaio 2023 e giugno 2025.
Il framework opera su più livelli di granularità, dalle singole combinazioni account-servizio ai totali mensili globali, combinando approcci classici di serie temporali, regressione e apprendimento automatico. Il modello migliore si basa su un modello a tre stati, che separa i costi positivi, gli sconti e gli aggiustamenti neutri, e li combina con regressori a gradient boosting. Il modello raggiunge un coefficiente di determinazione pari a 0,953 e un errore percentuale assoluto ponderato del 3,6% a livello aggregato. Il framework implementa inoltre una riconciliazione top-down per garantire la coerenza tra le previsioni granulari e i vincoli di budget globali.
Una pipeline di rilevamento delle anomalie ha identificato 3.581 schemi di spesa insoliti su oltre 385.000 casi. I risultati dimostrano che la decomposizione strutturale dei costi, l'ingegneria delle feature anti-leakage e la riconciliazione gerarchica migliorano l'accuratezza delle previsioni e supportano una governance cloud più proattiva.