Ottimizzando la pianificazione dei dispiegamenti FTTH attraverso modelli predittivi di Machine Learning.

La fibra ottica fino a casa (FTTH) è una tecnologia fondamentale per la trasformazione digitale e lo sviluppo economico delle nostre società. La sua elevata velocità, capacità e affidabilità consentono di migliorare l’esperienza dell’utente e abilitano una vasta gamma di servizi digitali, contribuendo alla riduzione della divisione digitale e al miglioramento della coesione sociale. Tuttavia, l’alto investimento nella realizzazione di questa infrastruttura rappresenta una sfida significativa per gli operatori di telecomunicazioni, pertanto una corretta pianificazione dell’attività risulta essere cruciale.

In questo contesto, berocam è stato assunto da un operatore di un paese europeo con obiettivi di dispiegamento della fibra molto ambiziosi su tutto il territorio nazionale, comprese sia le zone urbane, dove l’operatore aveva più esperienza, sia le zone rurali con bassa densità di popolazione.

L’obiettivo del progetto era appunto fornire a questo operatore strumenti per condurre un processo di pianificazione e budgeting dei costi per i dispiegamenti di FTTH in modo molto più rapido, preciso e dettagliato di quanto fosse possibile fino a quel momento.

Per raggiungere l’obiettivo, abbiamo proposto un approccio analitico basato sull’apprendimento automatico (Machine Learning), che valorizzasse sia le informazioni storiche interne del cliente relative ai dispiegamenti passati, sia fonti esterne e dati relativi ai comuni e alle zone di implementazione, in particolare fattori sociodemografici, geografici, topologici e urbanistici. Con tutto questo, la sfida consisteva nell’attivare questo grande volume di dati attraverso la costruzione di un modello predittivo in grado di inferire il costo dei dispiegamenti futuri.

Uno dei principali obiettivi del progetto è stato il calcolo della distanza in metri di un percorso che potesse essere assimilato al percorso reale dei cavi in fibra durante il dispiegamento in un comune. In altre parole, un percorso che riuscisse a collegare ciascuno degli edifici alla centrale di comunicazione più vicina rispettando i dettagli urbanistici di ciascun comune. Abbiamo affrontato questo calcolo come un problema di grafi, e per ottenere il risultato abbiamo applicato algoritmi di MST (Minimum Spanning Tree), che consentono di trovare l’albero di connessione minimo che collega i vertici di un grafo.

Nel nostro caso, l’inizio del grafo sarebbe la centrale delle telecomunicazioni e i vertici sarebbero gli edifici da collegare. Una volta elaborate tutte le informazioni geolocalizzate dalla centrale e dagli edifici, e dopo aver integrato nell’algoritmo fonti esterne con dettagli sulla configurazione urbanistica e topologica di ciascun progetto, siamo riusciti a effettuare il calcolo dettagliato di quella distanza progetto per progetto.

Abbiamo integrato questo risultato con decine di variabili aggiuntive, sia esterne che interne, e abbiamo avviato un processo iterativo in cui abbiamo testato approcci sia lineari che non lineari, applicando in tutte le fasi dell’analisi esercizi di convalida incrociata che garantivano la rappresentatività, la robustezza e la precisione del modello

Come culminazione del processo, siamo riusciti a generare un modello di regressione lineare multivariato con livelli molto alti di correlazione >, e i risultati delle previsioni di metri di fibra e dei costi associati al dispiegamento si sono rivelati molto precisi quando confrontati con casi reali.

Applicando questa tool predittiva basata su Machine Learning, il nostro cliente è ora in grado di predire in modo automatizzato, con un margine di errore inferiore al +/-5%, i costi di tutti i tipi di dispiegamenti di FTTH, indipendentemente dalla tipologia e dalla regione. Ciò rappresenta un miglioramento significativo rispetto alle deviazioni registrate nei processi di budgeting e pianificazione precedenti.