1.6 Le fasi fondamentali in un processo di previsione

Un processo di previsione comporta solitamente cinque fasi fondamentali.

Fase 1: Definizione del problema.

Spesso questa è la parte più difficile del processo di previsione. La definizione accurata del problema richiede una comprensione del modo in cui le previsioni saranno utilizzate, di chi richiede le previsioni e di come la funzione di previsione è concepita all’interno dell’organizzazione che richiede le previsioni. Un addetto alle previsioni ha necessità di dedicare tempo dialogando con tutti coloro che saranno coinvolti nella raccolta dei dati, nella manutenzione dei database e nell’uso delle previsioni ai fini della pianificazione futura.

Fase 2: Raccolta delle informazioni.

Sono sempre richieste due tipologie di informazioni: (a) i dati statistici e (b) le competenze sul campo delle persone che raccolgono i dati ed utilizzano le previsioni. Sarà spesso difficile ottenere dati storici sufficienti a stimare un buon modello statistico. In questi casi si può far ricorso ai metodi di previsione che sfruttano i giudizi presentati nel capitolo 6. In altre situazioni, i dati precedenti saranno meno utili a causa di cambiamenti strutturali nel sistema oggetto di previsione. In questi casi si può optare per l’utilizzo dei soli dati più recenti. È tuttavia importante tenere a mente che un buon modello statistico sarà in grado di gestire cambiamenti evolutivi nel sistema, per cui non è consigliabile scartare dati che possono rivelarsi utili.

Fase 3: Analisi (esplorativa) preliminare.

Conviene sempre partire da una rappresentazione grafica dei dati. C’è un trend significativo? La stagionalità è importante? C’è evidenza della presenza di cicli commerciali? Ci sono valori anomali nei dati che richiedono di essere spiegati dagli esperti del dominio? Quanto sono forti le relazioni tra le variabili disponibili per l’analisi? Sono stati sviluppati diversi strumenti a supporto di quest’analisi? Questi punti sono discussi nei capitoli 2 e 3.

Fase 4: Scelta e stima dei modelli.

Il miglior modello da utilizzare dipende dalla disponibilità di dati storici, dalla forza delle relazioni tra la variabile di previsione e le eventuali variabili esplicative, nonchè dal modo in cui le previsioni devono essere usate. È prassi comune confrontare due o tre modelli potenziali. Ogni modello è esso stesso un costrutto artificiale che si basa su un insieme di ipotesi (esplicite ed implicite) e coinvolge solitamente uno o più parametri che devono essere stimati a partire da dati storici noti. Verranno trattati i modelli di regressione (capitolo 7), metodi di lisciamento esponenziale, o exponential smoothing (capitolo 8), modelli ARIMA Box-Jenkins (capitolo 9), modelli dinamici di regressione (capitolo 10), previsione gerarchica (capitolo 11), nonchè diversi metodi avanzati, tra cui le reti neurali e i modelli VAR (capitolo 12).

Fase 5: Utilizzo e valutazione del modello di previsione.

Una volta che è stato selezionato un modello e se ne sono stimati i parametri, il modello è utilizzato per ottenere previsioni. La performance del modello può essere valutata correttamente solo quando i dati relativi al periodo soggetto a previsione saranno diventati disponibili. Sono stati sviluppati diversi metodi per la valutazione dell’accuratezza delle previsioni. Ci sono anche da considerare una serie di questioni organizzative nell’utilizzo e nell’interpretazione delle previsioni. Una breve discussione di alcune di queste questioni viene fornita nel capitolo 5. Quando si utilizza un modello di previsione, sorgono una serie di questioni pratiche, come la gestione dei valori mancanti e dei valori anomali, o come trattare le serie storiche corte. Questi punti sono discussi nel capitolo 13.