Classificazione personalizzata dei giocattoli con intelligenza artificiale: un approccio supervisionato usando analisi testuale

In un contesto di crescente digitalizzazione e competitività nel settore dei giocattoli, la classificazione accurata e tempestiva dei prodotti rappresenta un vantaggio strategico per le aziende. Questa tesi propone un sistema automatizzato per la classificazione dei giocattoli basato su tecniche di Text Mining e Machine Learning supervisionato, con l’obiettivo di sostituire l’attuale processo manuale, altamente dispendioso in termini di tempo e risorse. A partire da un dataset fornito dall’azienda Clementoni, contenente oltre 42.000 descrizioni testuali di prodotti, sono stati sviluppati e perfezionati progressivamente tre modelli di classificazione: il Modello Base, il Modello 2025 e infine il Modello 2025 Esteso. Quest’ultimo rappresenta l’evoluzione più avanzata del sistema. Tutti i modelli adottano un’architettura gerarchica basata su Support Vector Machine (SVM), in grado di classificare i prodotti per macroarea, categoria e, nel caso specifico della macroarea Puzzle, anche per sottocategoria. I risultati sperimentali evidenziano un costante miglioramento delle performance: il Modello Base ha raggiunto un’accuratezza superiore al 92% nella classificazione delle macroaree, mentre il Modello 2025 Esteso ha ottenuto una precisione del 98%, con prestazioni elevate anche nei livelli più profondi della gerarchia nella classificazione di nuovi dati reali. Il processo di classificazione, oggi quasi completamente automatizzato, ha ridotto il tempo operativo da circa 1200 a 724 ore annue, permettendo un notevole risparmio e un’accelerazione del time-to-market.