GPBoost per dati con distribuzione Tweedie: analisi delle vendite nel commercio alimentare all'ingrosso

Sales forecasting in the food retail sector presents significant methodological challenges, operating on data characterized by strong skewness, a high frequency of zeros, and hierarchical structures. To overcome the limitations of traditional statistical models, the integration of the Tweedie distribution within the GPBoost framework is explored and implemented. The validity of the approach is confirmed by a Monte Carlo simulation study and a subsequent empirical application on real-world company data. The results demonstrate that GPBoost offers superior predictive performance compared to the traditional LightGBM when new groups and/or few observations are present, proving particularly suitable for forecasting sales of new products without historical data.

La previsione delle vendite nel settore della distribuzione alimentare presenta notevoli complessità metodologiche, operando su dati caratterizzati da forte asimmetria, elevata frequenza di zeri e strutture gerarchiche. Per superare i limiti dei modelli statistici classici, viene esplorata e implementata l'integrazione della distribuzione Tweedie all'interno della struttura di GPBoost. La validità dell'approccio è confermata da uno studio di simulazione Monte Carlo e da una successiva applicazione empirica su dati aziendali reali. I risultati dimostrano che GPBoost offre prestazioni predittive superiori rispetto al classico LightGBM in presenza di nuovi gruppi e/o di poche osservazioni, rivelandosi particolarmente adeguato nella previsione delle vendite di nuovi prodotti senza storico.