🎨 Mangoats: El Projecte

💡 La Nostra Inspiració: Més enllà del Model

La nostra inspiració va néixer d'un repte real de la Datathon Mango - UPC: com predir la demanda en una indústria tan volàtil com la moda?

El punt clau era aquest:

"La mètrica penalitza més les vendes perdudes que l'excés d'estoc."

Vam entendre que no necessitàvem un model que encertés la mitjana; necessitàvem una eina que evités el trencament d'estoc. La solució no podia ser un .csv, sinó una eina que un comprador pogués utilitzar.

🛠️ Com el vam construir: El Cervell i la Cara

🧠 El Cervell (El Pipeline de ML)

Models: Vam fer un ensemble (combinació) de LightGBM i CatBoost per la seva robustesa.
La Clau: Regressió Quantílica: Va ser el nostre gran avenç. Vam entrenar els models per predir el percentil 77 ($q = 0.77$). Això, per disseny, accepta sobreestimar per minimitzar les vendes perdudes, alineant la tècnica amb el negoci.
Enginyeria de Característiques:
- Estacionalitat (Fourier): Vam convertir les dates en cicles (month_sin, month_cos) per entendre que "desembre" i "gener" són propers (hivern).
- Tendències Visuals (Embeddings): Vam agrupar els embeddings d'imatge per temporada (KMeans) per crear "arquetips visuals" de cada estació.
- Interaccions Lògiques: Vam crear features com sleeve_length_type_X_season (tipus de màniga X estació) per ensenyar al model el "sentit comú" (ex: màniga llarga es ven més a l'hivern).

📱 La Cara (L'App Mòbil)

Entrada Fàcil: L'usuari (comprador) fa una foto de la peça.
Predicció Visual: Mostra un gràfic de Predicció a 12 Mesos que visualitza el pic estacional (el nostre model "AI Estacional").
Explicabilitat (XAI): La secció "Factors de la Predicció" mostra per què el model ha decidit aquella xifra, generant confiança.

🧗 Reptes que vam superar

Alinear el Model amb el Negoci: Abandonar el $MSE$ i adoptar la Regressió Quantílica per reflectir la penalització asimètrica.
El "Black Box" de l'IA: Fer el model explicable a través de la interfície de l'app ("Factors de la Predicció") per guanyar la confiança de l'usuari.
Donar sentit als Embeddings: Traduir vectors de 512 dimensions en un concepte de negoci tangible ("semblança amb la tendència de la temporada") mitjançant el clustering.

🎓 Què hem après

La Funció de Pèrdua ho és tot: La selecció correcta (Quantile Loss) alinea directament un model d'IA amb un objectiu de negoci.
El Producte Final és una Decisió: El valor real es crea quan el model s'integra en un flux de treball i ajuda un humà a prendre una decisió amb més confiança.
El "Sentit Comú" es pot programar: Modelar relacions òbvies del món real (com màniga_X_estació) dona resultats més potents que només ajustar hiperparàmetres.