17 - AI, Analytics e Machine Learning: Decisioni Guidate dai Dati

AI, Analytics e Machine Learning: Decisioni Guidate dai Dati

Organizzare eventi genera una quantità enorme di dati: partecipazioni, spese, feedback, preferenze. In Play The Event questi dati non restano in un database. Vengono elaborati da un microservizio di analytics basato su Python e FastAPI che utilizza modelli di Machine Learning per trasformare i dati grezzi in previsioni, segmentazioni e raccomandazioni utili.

Architettura: Spring Boot come Proxy verso FastAPI

Il microservizio di analytics e scritto in Python con FastAPI, separato dal backend principale Spring Boot. La comunicazione avviene tramite un pattern proxy: il frontend chiama le API Spring Boot, che inoltrano le richieste al servizio FastAPI.

Angular Frontend
      │
      ▼
Spring Boot (API Gateway)
      │
      ├──► Endpoints diretti (CRUD, auth, etc.)
      │
      └──► Proxy Analytics (/api/analytics/**)
              │
              ▼
        FastAPI (Python)
              │
              ├── ML Models (scikit-learn, pandas)
              ├── Data Processing (numpy)
              └── Model Training Pipeline

I 6 Modelli di Machine Learning

Il cuore del microservizio sono i modelli ML, ciascuno specializzato su un aspetto diverso della gestione eventi.

1. Churn Predictor

Prevede quali partecipanti hanno probabilità di abbandonare un evento o di non partecipare a eventi futuri. Analizza pattern come la frequenza di partecipazione passata, il tempo di risposta agli inviti, e il livello di interazione con la piattaforma. L'organizzatore riceve alert sui partecipanti a rischio e può intervenire proattivamente.

2. Demand Forecaster

Prevede la domanda per un tipo di evento in base a dati storici, stagionalita e trend. Utile per decidere la dimensione della venue, la quantità di catering, e il budget necessario. Il modello utilizza serie temporali e fattori contestuali (giorno della settimana, periodo dell'anno, localita).

3. Guest Segmentation

Raggruppa i partecipanti in cluster omogenei basandosi su comportamento, preferenze e storico di partecipazione. I segmenti tipici includono: "partecipanti assidui", "partecipanti occasionali", "nuovi invitati", "VIP". Questo permette comunicazioni mirate e personalizzate.

# FastAPI - Endpoint Clustering Analytics
@router.get("/analytics/clustering/{event_id}")
async def get_clustering_analytics(event_id: int):
    """
    Segmenta i partecipanti dell'evento in cluster.
    Utilizza K-Means con selezione automatica di k (Elbow Method).
    """
    guests = await fetch_guest_data(event_id)
    features = extract_features(guests)

    # Feature: frequenza partecipazione, tempo risposta,
    #          spesa media, interazioni
    clustering_result = run_kmeans(features)

    return {
        "event_id": event_id,
        "num_clusters": clustering_result.k,
        "clusters": [
            {
                "id": i,
                "label": generate_label(cluster),
                "size": len(cluster.members),
                "characteristics": cluster.top_features,
                "members": cluster.member_ids
            }
            for i, cluster in enumerate(clustering_result.clusters)
        ]
    }

4. Event Recommender

Suggerisce eventi agli utenti in base ai loro interessi e alla cronologia di partecipazione. Se un utente ha partecipato a 5 concerti jazz e 3 degustazioni di vino, il sistema suggerira eventi simili nella sua zona. Utilizza collaborative filtering combinato con content-based filtering.

5. Participation Forecaster

Prevede quante persone parteciperanno effettivamente a un evento, distinguendo tra invitati, confermati e presenze reali. Il modello tiene conto del tasso storico di no-show, delle condizioni meteo previste, e di eventi concorrenti nella stessa data e zona.

6. Anomaly Detector

Identifica anomalie nei dati: spese insolitamente alte, pattern di partecipazione irregolari, picchi inattesi nelle iscrizioni. Queste anomalie possono indicare errori di inserimento dati, frodi potenziali, o semplicemente situazioni eccezionali che richiedono attenzione.

Dashboard Analytics

Il frontend offre una dashboard completa che visualizza i risultati dei modelli ML e le statistiche aggregate.

Event Statistics

Panoramica dell'evento: numero partecipanti confermati vs effettivi, tasso di risposta agli inviti, timeline delle conferme, confronto con eventi precedenti dello stesso tipo.

Participation Analytics

Analisi dettagliata della partecipazione: distribuzione demografica, provenienza geografica, tasso di ritorno (quanti partecipanti sono tornati da eventi precedenti), e trend di crescita nel tempo.

Expense Analytics

Analisi finanziaria: distribuzione spese per categoria, confronto budget previsto vs effettivo, costo per partecipante, trend di spesa su più eventi, e previsioni di costo per eventi futuri.

Visualizzazione con Chart.js

Tutti i dati analytics sono visualizzati tramite Chart.js con grafici interattivi. L'integrazione e realizzata tramite componenti Angular dedicati che wrappano Chart.js con un'API dichiarativa.

DASHBOARD ANALYTICS - GRAFICI

1. PARTICIPATION
   ├── Line Chart: trend partecipazioni nel tempo
   ├── Bar Chart: confronto tra eventi
   └── Doughnut Chart: distribuzione per stato (confermato/rifiutato/attesa)

2. EXPENSES
   ├── Pie Chart: distribuzione per categoria
   ├── Stacked Bar: budget vs spesa effettiva
   └── Line Chart: trend spese su eventi consecutivi

3. CLUSTERING
   ├── Scatter Plot: visualizzazione cluster 2D
   └── Radar Chart: profilo medio di ogni cluster

4. PREDICTIONS
   ├── Line Chart: previsione vs reale
   ├── Confidence Bands: intervalli di confidenza
   └── Burndown Chart: avanzamento task e sprint

Burndown Charts e Velocity Tracking

Per gli organizzatori che utilizzano il modulo agile di Play The Event, la dashboard include grafici specifici per il project management: burndown chart per tracciare il completamento dei task nello sprint, velocity chart per monitorare la produttività del team nel tempo, e cumulative flow diagram per visualizzare il flusso di lavoro.

Scraping e Suggerimenti Esterni

Il microservizio analytics si occupa anche dell'aggregazione di dati da fonti esterne per arricchire l'esperienza utente.

I risultati vengono aggregati, deduplicati e cachati per 24 ore. L'utente riceve suggerimenti personalizzati in base alla destinazione dell'evento e alle preferenze del gruppo.

Real-Time Analytics Updates

Le dashboard non sono statiche. Quando un nuovo partecipante conferma la presenza o viene inserita una nuova spesa, i grafici si aggiornano in tempo reale tramite WebSocket. L'organizzatore vede i dati cambiare live senza dover ricaricare la pagina.

Il codice sorgente e disponibile su GitHub. Per esplorare le analytics in azione, visita www.playtheevent.com.