Intelligenza Data-Driven nel Quick-Commerce

Abstract

Questa tesi presenta un workflow pratico di business intelligence applicato al contesto del quick-commerce e della spesa online. Il lavoro è stato sviluppato durante il mio tirocinio di sei mesi presso Snapp Market, dove le principali attività hanno incluso data cleaning, analisi del comportamento di acquisto dei clienti, reporting delle vendite, preparazione di dashboard e supporto ad analisi ad hoc.

A causa di vincoli di riservatezza, la tesi non utilizza dati interni reali, dashboard o logiche proprietarie di Snapp Market. Il workflow analitico è stato invece ricostruito utilizzando un dataset sicuro di transazioni grocery. L’obiettivo non è riprodurre i sistemi interni dell’azienda, ma dimostrare un processo data-driven utile per il reporting aziendale in un ambiente quick-commerce.

La metodologia segue un processo analitico semplice e riproducibile. I file CSV vengono prima importati e analizzati tramite Python. Successivamente vengono eseguiti controlli di qualità dei dati, inclusi controlli di valori mancanti, duplicati e verifiche di collegamento tra le tabelle principali. È stato inoltre creato un periodo di analisi normalizzato di sei mesi, dal 1 dicembre 2025 al 31 maggio 2026, in linea con il periodo di tirocinio.

Dopo la fase di preparazione, i dati delle transazioni vengono arricchiti con informazioni di prodotto e aggregati in tabelle a livello di basket e cliente. L’analisi si concentra quindi su KPI, trend mensili di vendite e ordini, valore medio del basket, attività dei clienti, segmentazione RFM, performance dei dipartimenti, categorie di prodotto e una panoramica limitata di coupon e campagne promozionali. Il workflow tecnico utilizza Python per preparazione e analisi dei dati, SQL per la validazione delle query e Power BI per la reportistica tramite dashboard.

This thesis presents a practical business intelligence workflow for a quick-commerce and online grocery context. The work was developed during my six-month internship at Snapp Market, where my main activities included data cleaning, customer purchasing analysis, sales reporting, dashboard preparation, and support for ad-hoc analytical requests.

Due to confidentiality constraints, the thesis does not use real Snapp Market internal data, dashboards, or proprietary business logic. Instead, the analytical workflow is reconstructed using a confidentiality-safe grocery transaction dataset. The objective is not to reproduce the company’s internal systems, but to demonstrate the type of data-driven workflow that can support business reporting in a quick-commerce environment.

The methodology follows a simple and reproducible analytical process. First, the raw CSV files are imported and inspected using Python. Data validation is then performed through missing-value checks, duplicate checks, and linkage checks across the main tables. A normalized six-month analysis period is created from 1 December 2025 to 31 May 2026 to align with the internship period.

After the preparation step, the transaction data are enriched with product information and aggregated into basket-level and customer-level tables. The analysis then focuses on key performance indicators, monthly sales and order trends, basket value, customer activity, RFM-based customer segmentation, department performance, product category performance, and a limited coupon and campaign overview. The technical workflow uses Python for data preparation and analysis, SQL for query validation, and Power BI for dashboard reporting.

The contribution of the thesis is not a new algorithm or an advanced artificial intelligence model. Instead, it is a realistic and reproducible reconstruction of a junior business intelligence workflow connected to an internship experience in quick-commerce.