Vai al contenuto

Pilastro

Forecasting e serie storiche

Capire che cosa è probabile, e quanto fidarsene.

Prevedere il valore futuro di una grandezza

Prevedere la domanda, le vendite, i consumi o l'abbandono dei clienti non significa indovinare il futuro, ma capire che cosa è probabile e quali segnali indicano un cambio di direzione. È l'ambito in cui Prometeo ha l'esperienza più consolidata, e quello in cui la differenza tra una previsione e una promessa conta di più.

Il Forecasting e l’analisi delle serie storiche permettono di studiare l’evoluzione dei fenomeni nel tempo e formulare previsioni accompagnate da una valutazione dell’incertezza. Prometeo applica modelli matematici alla domanda commerciale, ai processi industriali, ai consumi e alla manutenzione, costruendo scenari verificabili. L’obiettivo è aiutare le organizzazioni a comprendere le possibili evoluzioni dei sistemi e a preparare decisioni coerenti con le informazioni disponibili.

Comprendere il tempo per interpretare il futuro

Gran parte delle decisioni che vengono assunte all’interno di un’organizzazione riguarda eventi che devono ancora verificarsi. Un’impresa manifatturiera deve stabilire quali materiali acquistare prima di conoscere con certezza la domanda, un gestore di infrastrutture deve programmare interventi in funzione dell’evoluzione delle condizioni operative, mentre un’organizzazione commerciale deve pianificare risorse e attività sulla base di comportamenti che possono modificarsi nel corso delle settimane o dei mesi successivi.

In tutte queste situazioni, la conoscenza del passato costituisce una fonte importante di informazioni, ma non rappresenta automaticamente una descrizione attendibile di ciò che accadrà. I fenomeni possono presentare regolarità, stagionalità e relazioni sufficientemente stabili da permettere la costruzione di previsioni, oppure attraversare cambiamenti che rendono progressivamente meno rappresentative le osservazioni precedenti.

Il Forecasting affronta questo problema attraverso metodologie matematiche e statistiche che permettono di studiare le informazioni raccolte nel tempo, riconoscere le strutture significative e formulare valutazioni sull’evoluzione futura delle grandezze osservate.

Per Prometeo, il valore della previsione non consiste nel produrre un numero apparentemente esatto, ma nel costruire una rappresentazione delle possibili evoluzioni di un sistema, rendendo esplicite le ipotesi e l’incertezza che accompagnano ogni risultato. Questa impostazione permette a chi decide di comprendere quali condizioni sostengano una previsione e quanto una decisione possa essere sensibile a risultati differenti da quelli attesi.

Che cosa racconta una serie storica

Una serie storica è una successione di osservazioni riferite a una determinata grandezza e ordinate secondo il tempo. Può descrivere le vendite giornaliere di un prodotto, il consumo energetico di uno stabilimento, la temperatura di un componente industriale, la portata di una rete idrica oppure la frequenza con cui i clienti utilizzano un servizio.

La dimensione temporale permette di studiare relazioni che non emergerebbero considerando le osservazioni come valori indipendenti. Determinati fenomeni possono presentare andamenti ricorrenti, variazioni progressive o comportamenti legati a condizioni esterne, mentre altri risultano influenzati da eventi che interrompono le regolarità precedentemente osservate.

Tendenze, stagionalità e cicli

Una delle prime attività dell’analisi consiste nel riconoscere le componenti che contribuiscono a descrivere l’evoluzione della grandezza osservata. La tendenza rappresenta un cambiamento che si sviluppa nel tempo, mentre la stagionalità riguarda comportamenti ricorrenti secondo intervalli riconoscibili, come le variazioni della domanda tra differenti periodi dell’anno.

I fenomeni ciclici possono presentare oscillazioni meno regolari, spesso influenzate da condizioni economiche o operative che non seguono necessariamente un calendario stabile. A queste componenti si aggiunge una variabilità residua, che comprende fenomeni non spiegati dal modello e informazioni che possono apparire irregolari rispetto alla struttura riconosciuta.

La distinzione tra queste componenti è importante perché una variazione temporanea non deve essere automaticamente interpretata come un cambiamento strutturale, così come una regolarità osservata in passato non può essere considerata permanente senza verificarne le condizioni.

Le relazioni con le variabili esterne

Molte serie storiche non possono essere comprese considerando soltanto i propri valori precedenti. Le vendite dipendono anche da prezzi, promozioni e disponibilità dei prodotti; i consumi energetici possono variare con le condizioni meteorologiche e i livelli produttivi; il comportamento di un impianto può essere influenzato da carichi, regolazioni e caratteristiche delle materie prime.

Quando queste relazioni sono rilevanti e sufficientemente conoscibili, possono essere introdotte nel modello attraverso variabili esplicative, permettendo di distinguere una parte delle variazioni del fenomeno dagli effetti associati alle condizioni esterne.

La presenza di una relazione statistica non dimostra automaticamente un rapporto causale. Occorre quindi valutare se le variabili considerate siano pertinenti, disponibili anche per il periodo di previsione e rappresentate attraverso informazioni sufficientemente affidabili.

Prevedere non significa conoscere anticipatamente ciò che accadrà

Una previsione matematica descrive ciò che può essere ragionevolmente atteso sulla base delle informazioni disponibili e delle ipotesi adottate. Anche quando un modello presenta prestazioni elevate, rimane possibile che il risultato effettivo si discosti dalla stima, perché il sistema può essere influenzato da condizioni non osservate, eventi inattesi o relazioni che cambiano nel tempo.

La questione fondamentale non consiste quindi nel nascondere questa incertezza, ma nel rappresentarla in una forma che possa essere utilizzata nel processo decisionale.

Previsioni puntuali e intervalli di previsione

Una previsione puntuale fornisce un valore stimato per una determinata grandezza futura. È un’informazione utile, ma non esaurisce la descrizione del risultato, perché non permette necessariamente di comprendere quali scostamenti siano plausibili.

Gli intervalli di previsione contribuiscono a rappresentare questa incertezza, indicando un insieme di valori compatibili con il modello secondo un livello di copertura definito e verificabile. La loro affidabilità dipende dalla correttezza delle ipotesi e dalla calibrazione effettuata rispetto ai dati osservati.

Un intervallo molto ristretto non costituisce automaticamente una prova di maggiore qualità, soprattutto quando non riesce a rappresentare adeguatamente la variabilità effettiva del fenomeno. La valutazione di una previsione deve quindi considerare tanto l’accuratezza dei valori stimati quanto la credibilità dell’incertezza dichiarata.

Orizzonte temporale e affidabilità

La capacità di previsione può cambiare significativamente in funzione dell’orizzonte temporale considerato. Alcuni sistemi presentano relazioni sufficientemente stabili per formulare stime affidabili su periodi relativamente brevi, mentre le previsioni a lungo termine possono risultare maggiormente influenzate dall’accumularsi dell’incertezza e dalla possibilità che intervengano cambiamenti non rappresentati.

La scelta dell’orizzonte deve quindi essere collegata alla decisione che il modello intende sostenere. Prevedere il carico di un impianto nelle ore successive, stimare la domanda commerciale del prossimo mese e valutare l’evoluzione di una grandezza su diversi anni sono problemi che richiedono metodologie e criteri di verifica differenti.

Le principali metodologie del Forecasting

Il Forecasting comprende una famiglia articolata di strumenti matematici, statistici e computazionali. La scelta dipende dalle caratteristiche del fenomeno, dalla disponibilità dei dati, dall’orizzonte della previsione e dal livello di interpretabilità necessario per utilizzare il risultato.

Modelli statistici delle serie temporali

Le metodologie statistiche classiche permettono di rappresentare strutture temporali attraverso modelli che descrivono dipendenze, stagionalità, tendenze e variabilità delle osservazioni.

Approcci come il livellamento esponenziale e i modelli della famiglia ARIMA possono risultare appropriati quando le caratteristiche della serie soddisfano le condizioni necessarie alla loro applicazione. La loro utilità dipende dalla possibilità di riconoscere regolarità sufficientemente stabili e di verificare che gli errori previsionali non presentino strutture incompatibili con le ipotesi adottate.

Modelli multivariati e previsione con variabili esplicative

Quando il fenomeno dipende da più grandezze interagenti, la previsione può essere costruita attraverso modelli che rappresentano le relazioni tra le variabili osservate.

Questa impostazione permette, per esempio, di studiare l’influenza delle condizioni meteorologiche sui consumi oppure di integrare informazioni sulle promozioni nelle previsioni della domanda. È tuttavia necessario distinguere le variabili effettivamente note al momento della previsione da quelle il cui valore futuro deve essere a sua volta stimato, perché questa seconda condizione introduce ulteriori elementi di incertezza.

Machine Learning e modelli non lineari

Le metodologie di apprendimento automatico possono contribuire alla costruzione di previsioni quando il fenomeno presenta relazioni complesse o non lineari, difficilmente descrivibili attraverso strutture statistiche più semplici.

Questi strumenti richiedono particolare attenzione alla disponibilità dei dati, alla definizione delle variabili e alle modalità di validazione, perché un modello molto flessibile può adattarsi in modo eccessivo alle osservazioni storiche senza mantenere prestazioni adeguate su periodi successivi.

La maggiore complessità di un algoritmo non rappresenta quindi, di per sé, un vantaggio. Prometeo valuta le metodologie rispetto al problema e alla loro capacità di produrre risultati verificabili, utilizzando strumenti più articolati soltanto quando offrono un beneficio dimostrabile.

Modelli fondati sulla conoscenza del sistema

Quando sono disponibili leggi fisiche, relazioni matematiche o vincoli sufficientemente conosciuti, la previsione può essere costruita a partire da una rappresentazione esplicita del funzionamento del sistema.

Questo approccio è particolarmente importante nel lavoro di Prometeo, perché permette di integrare i dati osservati con la conoscenza dei fenomeni che li producono. Nei contesti appropriati, la modellazione white-box consente di costruire previsioni interpretabili rispetto alle equazioni e ai vincoli utilizzati, mantenendo riconoscibili le condizioni entro le quali la rappresentazione conserva validità.

Possono inoltre essere utilizzati approcci ibridi, nei quali modelli fisici e metodologie statistiche contribuiscono a descrivere componenti differenti del fenomeno.

La scelta tra modelli statistici, apprendimento automatico e rappresentazioni fondate sulle leggi del sistema deve dipendere dalla natura del problema, non dalla maggiore notorietà della tecnologia.

Dalla previsione agli scenari decisionali

Una previsione può rappresentare l’evoluzione probabile di una grandezza, ma una decisione richiede spesso di valutare anche che cosa potrebbe accadere in condizioni differenti. Un’organizzazione può voler conoscere le conseguenze di un aumento della domanda, di un ritardo negli approvvigionamenti o di una modifica della capacità produttiva.

In questi casi, il Forecasting può essere integrato con modelli di simulazione e analisi degli scenari, costruendo rappresentazioni nelle quali siano esplicite le condizioni ipotizzate e le conseguenze che ne derivano.

Distinguere previsione, scenario e simulazione

La previsione formula una valutazione sull’evoluzione futura di un fenomeno sulla base delle informazioni disponibili. Uno scenario descrive un insieme di condizioni possibili o ipotetiche, mentre la simulazione permette di studiare il comportamento di un modello al verificarsi di determinate condizioni.

Questi strumenti possono essere utilizzati congiuntamente, ma non devono essere confusi. Uno scenario costruito per valutare una situazione estrema non rappresenta necessariamente un evento probabile, così come una simulazione coerente con le ipotesi adottate non garantisce che quelle condizioni si verificheranno nella realtà.

La distinzione permette a chi decide di comprendere quale significato attribuire ai risultati, evitando di trasformare ipotesi esplorative in previsioni presentate come certe.

Valutare le conseguenze delle alternative

Quando una previsione viene collegata a un modello del processo decisionale, diventa possibile confrontare strategie differenti e comprenderne la sensibilità rispetto alle condizioni future.

Un’impresa può valutare come cambino le esigenze di scorta al variare della domanda, mentre un gestore di impianti può analizzare quali risorse siano necessarie in differenti condizioni di carico.

Questa integrazione permette di passare dalla semplice domanda su ciò che potrebbe accadere alla valutazione di quali decisioni siano maggiormente appropriate rispetto alle alternative considerate e al livello di rischio che l’organizzazione è disposta ad assumere.

Le applicazioni nei diversi settori

Le metodologie di Forecasting possono contribuire alla comprensione di fenomeni molto differenti, purché esistano informazioni rappresentative e relazioni sufficientemente solide per costruire e verificare le previsioni.

Commercio, servizi e previsione della domanda

Nei sistemi commerciali, il Forecasting permette di studiare l’andamento della domanda e di contribuire alla pianificazione degli approvvigionamenti, delle scorte e delle risorse disponibili.

Prometeo ha affrontato questi problemi attraverso applicazioni di matematica applicata dedicate alla previsione della domanda e all’ottimizzazione dei magazzini, anche nel settore retail e nella gestione di prodotti deperibili.

La previsione deve essere interpretata insieme alle informazioni sulla disponibilità dei prodotti, sulle attività promozionali e sulle condizioni operative, perché i valori storicamente registrati non rappresentano necessariamente tutta la domanda potenziale.

Industria e manutenzione predittiva

Nei processi industriali, l’analisi delle serie temporali può contribuire alla comprensione dell’evoluzione dei parametri operativi, al riconoscimento delle tendenze e alla stima delle condizioni future dei componenti.

Un’applicazione specifica riguarda la Remaining Useful Life (RUL), ossia la stima della vita utile residua, che richiede di collegare i dati osservati a una rappresentazione del deterioramento e alle condizioni di utilizzo.

La previsione della vita utile deve essere accompagnata da una valutazione dell’incertezza e non coincide automaticamente con l’individuazione della data esatta di un guasto.

Utility, energia e gestione dei consumi

Le reti e gli impianti energetici possono beneficiare di modelli dedicati alla previsione dei consumi e delle condizioni di carico, contribuendo alla pianificazione delle risorse e alla valutazione delle esigenze operative.

In questi contesti le variabili meteorologiche, le caratteristiche delle utenze e le condizioni del sistema possono assumere un ruolo significativo nella costruzione delle previsioni, richiedendo modelli adeguati alla struttura del fenomeno e alle informazioni disponibili.

Agricoltura e fenomeni biologici

Nel settore agricolo, le metodologie previsionali possono contribuire a studiare l’evoluzione delle colture, la domanda di risorse e altri fenomeni influenzati dalle condizioni ambientali e biologiche.

Queste applicazioni richiedono particolare attenzione alla variabilità delle stagioni, alle caratteristiche dei territori e alle condizioni nelle quali vengono raccolti i dati. Un modello verificato in un determinato contesto deve essere nuovamente valutato quando viene trasferito ad ambienti o colture differenti.

Come verificare la qualità delle previsioni

La verifica di un modello previsionale richiede di confrontare i risultati prodotti con osservazioni che non siano state utilizzate impropriamente durante la sua costruzione. Nelle serie storiche questa esigenza assume una caratteristica particolare, perché la struttura temporale deve essere preservata anche durante la validazione.

Utilizzare casualmente osservazioni future per costruire un modello destinato a prevedere il passato può produrre risultati artificialmente favorevoli, che non rappresentano la capacità effettiva di previsione in condizioni operative.

Validazione temporale e backtesting

Le procedure di validazione temporale permettono di simulare il processo attraverso il quale il modello avrebbe formulato previsioni utilizzando soltanto le informazioni disponibili in un determinato momento.

Attraverso il backtesting e le valutazioni su finestre temporali successive è possibile verificare come le prestazioni cambino nel tempo e quali condizioni producano errori particolarmente significativi.

Metriche e conseguenze operative degli errori

La qualità previsionale può essere studiata attraverso misure differenti, come l’errore assoluto, l’errore quadratico, l’eventuale presenza di distorsioni sistematiche e la capacità degli intervalli previsionali di rappresentare correttamente l’incertezza.

La scelta delle metriche deve considerare anche il problema operativo. Sottostimare la domanda di un componente critico può avere conseguenze differenti rispetto alla sovrastima di un prodotto facilmente approvvigionabile, e una metrica complessiva potrebbe non rendere evidenti queste differenze.

La previsione deve essere valutata rispetto alla decisione che intende sostenere, non soltanto attraverso un indicatore statistico isolato.

Quando il sistema cambia e il modello perde validità

Una delle condizioni più importanti per l’utilizzo continuativo del Forecasting riguarda la possibilità che il sistema osservato modifichi progressivamente il proprio comportamento. Le preferenze dei clienti possono cambiare, un impianto può essere riconfigurato, una filiera può attraversare nuove condizioni di approvvigionamento e un processo può essere influenzato da eventi che non appartenevano alle informazioni utilizzate per costruire il modello.

Questi cambiamenti possono modificare la distribuzione dei dati oppure le relazioni attraverso le quali le variabili contribuiscono a determinare i risultati. Il fenomeno viene comunemente affrontato attraverso il monitoraggio delle derive, distinguendo le variazioni delle informazioni osservate dai cambiamenti nelle relazioni che il modello cerca di rappresentare.

Monitorare gli errori e la calibrazione

Il controllo delle prestazioni deve comprendere il confronto periodico tra previsioni e risultati effettivi, verificando se gli errori rimangano compatibili con le condizioni attese e se gli intervalli previsionali continuino a rappresentare adeguatamente l’incertezza.

Un aumento persistente degli errori può indicare che il modello non rappresenta più correttamente il fenomeno, ma la sua interpretazione richiede di distinguere cambiamenti del sistema da problemi nella raccolta dei dati o da eventi temporanei.

Aggiornare il modello senza inseguire ogni oscillazione

La revisione di un modello deve essere governata attraverso criteri dichiarati. Aggiornare continuamente una previsione per adattarla a qualsiasi variazione può portare a incorporare comportamenti temporanei o anomalie che non rappresentano cambiamenti strutturali.

Per questo è necessario stabilire quando una revisione sia appropriata, quali informazioni debbano essere utilizzate e attraverso quali verifiche confermare che il modello aggiornato offra prestazioni adeguate.

Il controllo delle derive fa parte della progettazione iniziale, perché una previsione rimane affidabile soltanto finché le condizioni che ne sostengono la validità continuano a essere sufficientemente rappresentative.

Il metodo Prometeo applicato alla previsione

Un progetto di Forecasting comincia dalla comprensione del sistema e della decisione che il modello dovrà sostenere. Occorre definire quale grandezza prevedere, con quale orizzonte temporale, a quale livello di dettaglio e attraverso quali criteri verranno valutati i risultati.

L’assessment permette di esaminare la disponibilità e la qualità delle serie storiche, individuare eventuali cambiamenti nella raccolta delle informazioni e verificare se esistano condizioni sufficienti per costruire un modello utile.

La scelta metodologica viene effettuata in funzione delle caratteristiche del fenomeno, confrontando approcci differenti quando necessario e mantenendo attenzione all’interpretabilità dei risultati, alla qualità dell’incertezza stimata e alla possibilità di validare le prestazioni.

Il percorso comprende quindi lo sviluppo, la verifica su dati temporalmente appropriati e l’eventuale integrazione del modello nei processi decisionali, definendo fin dall’inizio le modalità attraverso le quali le previsioni saranno monitorate e aggiornate.

Per Prometeo, la finalità del Forecasting è rendere le organizzazioni più capaci di valutare il futuro senza fingere di conoscerlo, costruendo previsioni che possano essere comprese, confrontate con la realtà e utilizzate per prendere decisioni proporzionate alle informazioni e all’incertezza effettivamente disponibili.

In sintesi

Area scientifica

Modelli previsionali su serie temporali, con scenari e condizioni di validità dichiarate.

Classi di problemi

  • Previsione della domanda e delle vendite.
  • Abbandono dei clienti e propensione all'acquisto.
  • Consumi e carichi.

Le soluzioni che lo usano

DDMRP

Pianificazione dei materiali guidata dalla domanda

Casi su questo pilastro

Il margine fa parte della previsione

Una previsione senza margine di incertezza sembra più sicura ed è più pericolosa. Dichiarare quanto ci si può fidare di un numero è ciò che permette a chi decide di usarlo bene.