{"id":1677,"date":"2026-11-13T12:55:53","date_gmt":"2026-11-13T12:55:53","guid":{"rendered":"https:\/\/blackaha.com\/pricing-dictionary\/machine-learning\/"},"modified":"2026-11-15T15:31:23","modified_gmt":"2026-11-15T15:31:23","slug":"machine-learning","status":"publish","type":"page","link":"https:\/\/blackaha.com\/it\/pricing-dictionary\/machine-learning\/","title":{"rendered":"Machine learning"},"content":{"rendered":"<figure class=\"bl-illustration alignwide bl-dict-hero wp-block-blackaha-lens-illustration\"><svg class=\"bl-svg bl-svg--illustration\" focusable=\"false\" role=\"img\" aria-label=\"Punti dati sparsi con una curva blu interpolata che li attraversa e una freccia di retroazione che torna ai dati.\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" viewbox=\"0 0 480 320\">\n  <rect class=\"f-surface-alt\" width=\"480\" height=\"320\" rx=\"16\"\/>\n  <g class=\"s-line\" stroke-width=\"2\">\n    <line x1=\"64\" y1=\"252\" x2=\"360\" y2=\"252\"\/>\n    <line x1=\"64\" y1=\"252\" x2=\"64\" y2=\"56\"\/>\n  <\/g>\n  <g class=\"f-ink-soft\">\n    <circle cx=\"92\" cy=\"226\" r=\"6\"\/>\n    <circle cx=\"116\" cy=\"204\" r=\"6\"\/>\n    <circle cx=\"140\" cy=\"214\" r=\"6\"\/>\n    <circle cx=\"164\" cy=\"176\" r=\"6\"\/>\n    <circle cx=\"190\" cy=\"168\" r=\"6\"\/>\n    <circle cx=\"214\" cy=\"140\" r=\"6\"\/>\n    <circle cx=\"240\" cy=\"134\" r=\"6\"\/>\n    <circle cx=\"266\" cy=\"110\" r=\"6\"\/>\n    <circle cx=\"292\" cy=\"104\" r=\"6\"\/>\n    <circle cx=\"318\" cy=\"90\" r=\"6\"\/>\n    <circle cx=\"340\" cy=\"84\" r=\"6\"\/>\n  <\/g>\n  <path class=\"s-brand\" d=\"M84 232 C 150 196, 230 140, 348 80\" fill=\"none\" stroke-width=\"5\" stroke-linecap=\"round\"\/>\n  <rect class=\"f-brand-soft s-brand\" x=\"388\" y=\"112\" width=\"60\" height=\"60\" rx=\"12\" stroke-width=\"3\"\/>\n  <g class=\"f-brand\">\n    <circle cx=\"406\" cy=\"130\" r=\"5\"\/>\n    <circle cx=\"430\" cy=\"130\" r=\"5\"\/>\n    <circle cx=\"406\" cy=\"154\" r=\"5\"\/>\n    <circle cx=\"430\" cy=\"154\" r=\"5\"\/>\n  <\/g>\n  <path class=\"s-ink-soft\" d=\"M418 176 V276 H212 V264\" fill=\"none\" stroke-width=\"3\" stroke-linecap=\"round\" stroke-linejoin=\"round\"\/>\n  <path class=\"s-ink-soft\" d=\"M204 272 L212 262 L220 272\" fill=\"none\" stroke-width=\"3\" stroke-linecap=\"round\" stroke-linejoin=\"round\"\/>\n  <path class=\"s-ink-soft\" d=\"M352 96 L384 128\" stroke-width=\"3\" stroke-linecap=\"round\"\/>\n<\/svg><\/figure>\n\n\n<p class=\"wp-block-paragraph\">Il machine learning \u00e8 una branca dell\u2019intelligenza artificiale in cui il software impara schemi dai dati per fare previsioni o prendere decisioni, invece di seguire regole scritte a mano. Nell\u2019e-commerce e nei prezzi si usa per prevedere la domanda, stimare come gli acquirenti rispondono al prezzo e riconoscere quando due inserzioni sono lo stesso prodotto.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Imparare dagli esempi invece che dalle regole<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Una regola di prezzo tradizionale potrebbe dire: se un concorrente scende sotto di noi, allineati, ma non andare mai sotto il costo pi\u00f9 il 15 percento. Ogni condizione \u00e8 scritta da una persona. A un modello di machine learning invece vengono forniti molti esempi passati, come prezzi, date, livelli di scorte e le vendite che ne sono seguite, e il modello regola i propri parametri interni finch\u00e9 le sue previsioni non si adattano bene a quegli esempi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il risultato \u00e8 un modello in grado di fare una previsione per una situazione nuova che non ha mai visto esattamente prima. La sua qualit\u00e0 dipende da quanto la nuova situazione somiglia ai dati da cui ha imparato.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">All\u2019addestramento di solito segue un test su dati che il modello non ha visto. Un approccio comune \u00e8 tenere da parte i mesi pi\u00f9 recenti, addestrare su tutto ci\u00f2 che li precede e verificare quanto bene il modello prevede il periodo escluso. Se l\u2019accuratezza crolla sui dati non visti, il modello ha imparato il passato troppo da vicino e non sapr\u00e0 generalizzare.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Tipi di apprendimento<\/h2>\n\n\n\n<ul class=\"wp-block-list\"><li>L\u2019apprendimento supervisionato impara da esempi etichettati, come prezzi passati abbinati alle unit\u00e0 vendute, e prevede l\u2019etichetta per i nuovi casi.<\/li><li>L\u2019apprendimento non supervisionato trova una struttura in dati non etichettati, ad esempio raggruppando clienti o prodotti con comportamenti simili.<\/li><li>L\u2019apprendimento per rinforzo prova azioni, osserva la ricompensa e privilegia gradualmente le azioni che rendono, un approccio studiato per le decisioni di prezzo sequenziali.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">La maggior parte degli usi pratici nel retail \u00e8 supervisionata. Le famiglie di modelli vanno dalla semplice regressione lineare agli ensemble di alberi decisionali e alle reti neurali. Un modello pi\u00f9 semplice che il team capisce \u00e8 spesso pi\u00f9 utile di uno complesso che nessuno sa spiegare.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Usi comuni nei prezzi e nell\u2019e-commerce<\/h2>\n\n\n\n<ul class=\"wp-block-list\"><li>Previsione della domanda, per pianificare scorte e promozioni<\/li><li>Stima dell\u2019elasticit\u00e0 al prezzo per i prodotti con abbastanza storico di vendita<\/li><li>Abbinamento dei prodotti, per decidere se due inserzioni con titoli diversi sono lo stesso articolo<\/li><li>Raccomandazioni e ordinamento dei risultati di ricerca nelle pagine del negozio<\/li><li>Controllo antifrode al checkout<\/li><li>Pianificazione dei ribassi per la merce stagionale<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">L\u2019abbinamento dei prodotti mostra come la tecnica si integra con i dati sui concorrenti. Titoli, marchi, codici modello, immagini e attributi vengono confrontati, e un modello calcola quanto \u00e8 probabile che due inserzioni siano lo stesso prodotto. Un abbinamento sbagliato porta a un confronto di prezzo sbagliato, quindi gli abbinamenti con bassa affidabilit\u00e0 vengono di solito verificati da una persona.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La previsione \u00e8 spesso il punto di partenza pi\u00f9 semplice. Un modello che prevede le unit\u00e0 del mese successivo per ogni prodotto non cambia da solo alcun prezzo, ma aiuta i buyer a ordinare la merce, pianificare le promozioni e individuare i prodotti le cui vendite si stanno allontanando dalle attese. Poich\u00e9 la previsione pu\u00f2 essere confrontata con la realt\u00e0 ogni settimana, la fiducia si costruisce passo dopo passo.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Un esempio: prevedere la risposta al prezzo<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Immagina, ad esempio, un negozio di articoli per animali con due anni di dati giornalieri su un sacco di crocchette per cani: il proprio prezzo, il prezzo pi\u00f9 basso tra i concorrenti monitorati, giorno della settimana, stagione e unit\u00e0 vendute. Un modello addestrato su questi dati potrebbe stimare che a 52 dollari, con i concorrenti a 50, il negozio vende circa 30 sacchi al giorno, e a 49 dollari circa 38 sacchi. Combinate con il costo unitario, queste stime permettono al team di confrontare il profitto atteso a ogni prezzo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Le stime valgono solo all\u2019interno dell\u2019intervallo che il modello ha visto. Se il negozio non ha mai fatto pagare pi\u00f9 di 55 dollari, una previsione a 65 dollari \u00e8 un\u2019ipotesi travestita da numero. La buona pratica \u00e8 testare con cautela i nuovi livelli di prezzo e reinserire i risultati nei dati.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Prima vengono i dati<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Un modello vale quanto i suoi dati in ingresso. Giorni mancanti, prezzi registrati nella valuta sbagliata, esaurimenti di scorte che sembrano domanda bassa e promozioni non segnalate insegnano tutti al modello la lezione sbagliata. Pulire ed etichettare i dati di solito richiede pi\u00f9 lavoro che addestrare il modello stesso.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">I prezzi dei concorrenti sono un dato in ingresso comune, e richiedono la stessa cura. Uno storico lungo e coerente dei prezzi e della disponibilit\u00e0 dei concorrenti, come quello offerto dallo <a href=\"\/it\/features\/price-history\/\">storico prezzi<\/a>, offre a qualsiasi analisi, che sia un foglio di calcolo o un modello, una base pi\u00f9 affidabile.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Rischi e limiti<\/h2>\n\n\n\n<ul class=\"wp-block-list\"><li>Overfitting, quando un modello memorizza il rumore passato e prevede male sui nuovi dati<\/li><li>Circoli di retroazione, quando pi\u00f9 sistemi automatici reagiscono l\u2019uno all\u2019altro e i prezzi derivano<\/li><li>Decisioni opache che il personale non sa spiegare a clienti o autorit\u00e0<\/li><li>Bias, se i dati o le variabili portano a risultati ingiusti per gruppi di clienti<\/li><li>Concept drift, quando il comportamento del mercato cambia e un vecchio modello continua ad agire su schemi superati<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Le norme su decisioni automatizzate, dati personali e prezzi variano da Paese a Paese. Usare dati personali per fissare prezzi individuali pu\u00f2 sollevare questioni legali ed etiche, e prima di farlo conviene chiedere il parere di un esperto legale.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Usare il machine learning in modo responsabile<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Lascia alle persone il controllo dei limiti. Prezzi minimi, prezzi massimi e variazioni giornaliere massime dovrebbero essere fissati dall\u2019azienda e applicati indipendentemente da ci\u00f2 che suggerisce qualsiasi modello. Inizia con previsioni che supportano una decisione anzich\u00e9 con modelli che cambiano direttamente i prezzi, monitora l\u2019accuratezza rispetto a ci\u00f2 che accade davvero, e riaddestra o dismetti i modelli quando il loro errore cresce.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c8 utile anche confrontare ogni modello con un riferimento semplice, come le vendite della stessa settimana dell\u2019anno precedente o una media mobile. Se un modello sofisticato non riesce a battere chiaramente quel riferimento, la complessit\u00e0 in pi\u00f9 non si ripaga. Documenta cosa fa ogni modello, quali dati usa e chi ne \u00e8 responsabile, cos\u00ec le decisioni restano tracciabili quando il personale cambia.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Punti chiave<\/h2>\n\n\n\n<ul class=\"wp-block-list\"><li>Il machine learning impara schemi dai dati invece di seguire regole scritte a mano.<\/li><li>Nell\u2019e-commerce supporta la previsione della domanda, le stime di risposta al prezzo e l\u2019abbinamento dei prodotti.<\/li><li>Le previsioni sono affidabili solo all\u2019interno delle situazioni che il modello ha gi\u00e0 visto.<\/li><li>Dati puliti e coerenti, compresi i prezzi dei concorrenti, contano pi\u00f9 della complessit\u00e0 del modello.<\/li><li>Prezzi minimi e massimi fissati dall\u2019azienda e la revisione umana dovrebbero delimitare ogni decisione automatizzata.<\/li><\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Domande frequenti<\/h2>\n\n\n\n<details class=\"wp-block-details is-style-faq is-layout-flow wp-block-details-is-layout-flow\"><summary>Il machine learning \u00e8 la stessa cosa dell\u2019intelligenza artificiale?<\/summary>\n<p class=\"wp-block-paragraph\">Il machine learning \u00e8 una parte dell\u2019intelligenza artificiale. L\u2019IA \u00e8 l\u2019ampio campo che si occupa di far svolgere al software compiti che sembrano intelligenti, mentre il machine learning \u00e8 l\u2019approccio che apprende queste capacit\u00e0 dai dati.<\/p>\n<\/details>\n\n\n\n<details class=\"wp-block-details is-style-faq is-layout-flow wp-block-details-is-layout-flow\"><summary>Serve il machine learning per fissare bene i prezzi?<\/summary>\n<p class=\"wp-block-paragraph\">No. Regole chiare basate su costi, obiettivi di margine e prezzi dei concorrenti funzionano bene per molti negozi. Il machine learning aiuta soprattutto quando ci sono molti prodotti, molto storico e schemi troppo complessi per regole semplici.<\/p>\n<\/details>\n\n\n\n<details class=\"wp-block-details is-style-faq is-layout-flow wp-block-details-is-layout-flow\"><summary>Di quanti dati ha bisogno un modello di prezzo?<\/summary>\n<p class=\"wp-block-paragraph\">Non c\u2019\u00e8 un numero fisso. Il modello ha bisogno di abbastanza storico con variazioni di prezzo reali per vedere come risponde la domanda. I prodotti il cui prezzo non \u00e8 mai cambiato non danno al modello nulla da imparare sulla risposta al prezzo.<\/p>\n<\/details>\n\n\n\n<h2 class=\"wp-block-heading\">Termini correlati<\/h2>\n\n\n\n<ul class=\"wp-block-list\"><li><a href=\"\/it\/pricing-dictionary\/monadic-testing\/\">Test monadico<\/a><\/li><li><a href=\"\/it\/pricing-dictionary\/ab-testing\/\">Test A\/B<\/a><\/li><li><a href=\"\/it\/pricing-dictionary\/price-testing-methods\/\">Metodi di test dei prezzi<\/a><\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">In BlackAha, <a href=\"\/it\/features\/smart-price\/\">Smart Price<\/a> ti aiuta a ottenere un prezzo di vendita consigliato per ogni prodotto, in base ai prezzi dei concorrenti e del mercato.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><a href=\"\/it\/pricing-dictionary\/\">Torna al Dizionario dei prezzi<\/a><\/p>","protected":false},"excerpt":{"rendered":"<p>Machine learning is a branch of artificial intelligence in which software learns patterns from data to make predictions or decisions, not hand-written rules. In e-commerce and pricing it is used to forecast demand, estimate how buyers respond to price and recognise when two listings are the same product. Learning from examples instead of rules A [&hellip;]<\/p>\n","protected":false},"author":0,"featured_media":0,"parent":1276,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-1677","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/blackaha.com\/it\/wp-json\/wp\/v2\/pages\/1677","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blackaha.com\/it\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/blackaha.com\/it\/wp-json\/wp\/v2\/types\/page"}],"replies":[{"embeddable":true,"href":"https:\/\/blackaha.com\/it\/wp-json\/wp\/v2\/comments?post=1677"}],"version-history":[{"count":1,"href":"https:\/\/blackaha.com\/it\/wp-json\/wp\/v2\/pages\/1677\/revisions"}],"predecessor-version":[{"id":1792,"href":"https:\/\/blackaha.com\/it\/wp-json\/wp\/v2\/pages\/1677\/revisions\/1792"}],"up":[{"embeddable":true,"href":"https:\/\/blackaha.com\/it\/wp-json\/wp\/v2\/pages\/1276"}],"wp:attachment":[{"href":"https:\/\/blackaha.com\/it\/wp-json\/wp\/v2\/media?parent=1677"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}