Customer behavior and sales data forecasting with Markov Chain models

The ongoing digitization process requires companies to adapt their business to leverage emerging technologies. In particular, for firms involved in producing goods or providing services, among the most important activities there are sales forecasting and customer management. These are the main themes of the work presented in this thesis, carried out in collaboration with Amplifon S.p.A., a world leader in the hearing aid industry. The objectives of the work are to forecast monthly sales of devices in two different countries where Amplifon S.p.A. operates and to simulate various aspects of the company’s business, such as customer behavior or the percentage of devices delivered to customers, in order to derive KPIs measuring the effectiveness of the funnel process of the company. The general context is that of time series forecasting. This is a well-known problem, often approached with black-box solutions, such as neural networks, with scarce explainability of the results and poor coherency when multiple models interact together. The work presented in this thesis has as its starting point a preexisting white-box model based on multiple Markov chains, which can predict the number of sold hearing devices for Amplifon S.p.A. through daily simulations for up to three months. What has been done is to convert the models to be able to run monthly simulations over longer periods, drastically reducing training and simulation time. This required both implementing a totally new data preparation process and adapting individual models to the new specifications, including diversifying them by customer type. In addition, new models were introduced to simulate aspects of the company’s business not considered previously. Lastly, the KPIs were added to the variables to be predicted. The results obtained from the developed model, named Forecast Tool, were then compared with those produced by other models.

Il processo di digitalizzazione in atto richiede alle aziende di adeguare il loro business per poter sfruttare le nuove tecnologie. In particolare, per le compagnie che si occupano di produrre beni o fornire servizi, tra le attività più importanti vi sono la previsione delle vendite e la gestione dei clienti. Questi sono i temi principali del lavoro presentato in questa tesi, svolto in collaborazione con Amplifon S.p.A., azienda leader mondiale nel settore degli apparecchi acustici. Gli obiettivi del lavoro svolto sono prevedere le vendite mensili di dispositivi in due diversi paesi in cui opera Amplifon S.p.A. e simulare diversi aspetti del business dell’azienda, come il comportamento dei clienti o la percentuale di apparecchi consegnati agli stessi, per ricavare alcuni KPI che misurino l’efficacia del processo produttivo aziendale. Il contesto generale è quello della previsione di serie temporali. Si tratta di un problema ben noto, spesso affrontato con metodi black-box, come le reti neurali, che comportano l’ottenimento di risultati difficili da interpretare e una scarsa coerenza quando più modelli ineragiscono tra loro. Il lavoro presentato in questa tesi ha come punto di partenza un modello preesistente di tipo white-box basato su più catene di Markov, in grado di prevedere le vendite di dispositivi acustici per Amplifon S.p.A. tramite simulazioni giornaliere fino a tre mesi. Ciò che è stato fatto è convertire i modelli per poter effettuare simulazioni mensili e su intervalli temporali più lunghi, riducendo drasticamente i tempi di addestramento e simulazione. Questo ha richiesto sia di implementare un processo di preparazione dei dati totalmente nuovo sia di adeguare i singoli modelli alle nuove specifiche, diversificandoli anche per tipologia di cliente. Inoltre, sono stati introdotti nuovi modelli per simulare degli aspetti del business dell’azienda non considerati in precedenza. Infine, sono stati aggiunti i KPI alle variabili di interesse da prevedere. I risultati ottenuti dal modello sviluppato, denominato Forecast Tool, sono stati poi confrontati con quelli prodotti da altri modelli.