1 Introduzione
La capacità di fare previsioni ha da sempre affascinato l’uomo. Le previsioni sono state talora considerate segno di ispirazione divina ma spesso anche attività criminali. Il profeta ebreo Isaia, nel 700 a.C. circa, scrisse:
Annunziate quanto avverrà nel futuro e noi riconosceremo che siete dèi.
(Isaia 41:23)
Un centinaio di anni più tardi, nell’antica Babilonia, gli indovini prevedevano il futuro a partire dall’aspetto del fegato di una pecora. Pressapoco nello stesso periodo, le persone si recavano a Delfi, in Grecia, per consultare l’Oracolo, al fine di ottenere previsioni sul loro futuro. L’Oracolo forniva loro previsioni sotto l’effetto dei vapori di etilene. Chi si occupava di previsioni ebbe vita più dura sotto l’imperatore Costanzo II, che nel 357 d.C. emanò un decreto che proibiva a chiunque “di consultare un indovino, un matematico o un chiaroveggente \dots Possa la curiosità di predire il futuro essere messa a tacere per sempre.”1 Un analogo divieto sulle previsioni venne emanato anche in Inghilterra nel 18242, quando “chiunque finga o dichiari di predire la sorte” veniva “considerato un furfante e un vagabondo”. La punizione arrivava fino a tre mesi di reclusione ai lavori forzati!
Le alterne fortune di chi si occupa di previsioni dipendono anche dalla circostanza che se da un lato previsioni veritiere possono sembrare magiche, dall’altro previsioni sbagliate possono essere pericolose. Basti pensare ad alcune famose previsioni circa l’uso dei computer:
- Penso che ci sia un mercato mondiale per al massimo cinque computer. (Presidente IBM, 1943)
- I computer in futuro potrebbero pesare non più di 1500 kg. (Popular Mechanics, 1949)
- Non c’è motivo per cui qualcuno vorrebbe avere un computer nella propria casa. (Presidente, DEC, 1977)
Le ultime due previsioni risalgono a soli tre anni prima che l’IBM producesse il primo personal computer. Non è soprendente perciò che non sia più possibile comprare un computer DEC! Fare previsioni è chiaramente un compito difficile, e le imprese che sono in grado di farlo bene hanno un grosso vantaggio su quelle che invece sfruttano metodi di previsione non adeguati.
In questo libro verranno trattati i metodi più affidabili per effettuare previsioni. L’enfasi sarà posta su metodi che sono replicabili e verificabili, e che si sono mostrati validi nel tempo.
1.1 Cosa è possibile prevedere?
Fare previsioni è richiesto in molti contesti: decidere se costruire un’altra centrale elettrica nei prossimi cinque anni richiede delle previsioni sulla domanda futura di energia elettrica; programmare il personale in un call center per la prossima settimana richiede previsioni sui volumi delle chiamate; lo stoccaggio di scorte in magazzino richiede previsioni del fabbisogno delle merci. Le previsioni possono essere richieste diversi anni in anticipo (come per il caso di investimenti di capitale), o solo pochi minuti in anticipo (come per l’instradamento delle telecomunicazioni). Qualunque siano le circostanze o gli orizzonti temporali coinvolti, le previsioni sono un importante aiuto per una pianificazione efficace ed efficiente.
Alcune cose sono più facili da prevedere di altre. L’ora in cui sorgerà il sole domani mattina può essere prevista con precisione. Per contro i numeri del lotto di domani non possono essere previsti neanche con un basso livello di precisione. La prevedibilità di un evento o di una quantità dipende da diversi fattori tra cui:
- il livello di comprensione dei fattori che vi contribuiscono;
- la quantità dei dati disponibili;
- quanto il futuro è simile al passato;
- se le previsioni possono influenzare ciò che si sta cercando di prevedere.
Ad esempio, le previsioni a breve termine della domanda di elettricità residenziale possono essere molto accurate perché tutte e quattro le condizioni sono solitamente soddisfatte:
- si ha una buona comprensione dei fattori che contribuiscono a tale domanda: la domanda di elettricità è guidata in gran parte dalla temperatura, e in misura minore dalle variazioni di calendario, come per le vacanze, e dalle condizioni economiche;
- sono solitamente disponibili dati relativi a diversi anni per la domanda di energia elettrica, ed a molti decenni sulle condizioni meteorologiche;
- per le previsioni a breve termine (fino a poche settimane), è lecito supporre che il comportamento della domanda sarà simile a quanto accaduto in passato;
- per la maggior parte degli utenti residenziali, il prezzo dell’elettricità non dipende dalla domanda, e quindi le previsioni della domanda hanno un effetto trascurabile, se non nullo, sul comportamento dei consumatori.
Supponendo pertanto di avere le competenze utili a formulare un buon modello che colleghi la domanda di energia con le variabili chiave che la determinano, le previsioni risultanti potranno essere notevolmente accurate.
D’altro canto, se si è interessati a prevedere il tasso di cambio delle valute solo una delle precedenti condizioni è soddisfatta: la disponibilità di molti dati. Si ha invece una comprensione limitata dei fattori che influenzano i tassi di cambio, l’andamento del fenomeno in futuro può essere molto differente dal passato nel caso di crisi finanziaria o politica in uno dei paesi, ed infine le previsioni dei tassi di cambio possono avere un effetto diretto sui tassi stessi. Se ci sono infatti previsioni ben pubblicizzate circa un aumento del tasso di cambio, le persone cambieranno idea circa il prezzo che sono disposte a pagare, e di conseguenza le previsioni tenderanno ad autoavverarsi. In un certo senso è come se i tassi di cambio diventassero loro stesse delle previsioni. Questo è un esempio pratico della “ipotesi di efficienza del mercato”. Di conseguenza, prevedere se il tasso di cambio aumenterà o diminuirà domani non è molto diverso dal prevedere se lanciando una moneta si osserverà testa o croce. In entrambi casi, qualunque sia la previsione, essa sarà corretta in circa il 50% delle volte. In situazioni come queste, chi si occupa di previsioni deve essere consapevole dei limiti della previsione, e non rivendicare più di quanto è possibile.
Spesso quando si prevede, un dato cruciale è sapere se qualcosa può essere previsto accuratamente o se invece fare una previsione non è molto diverso dal lanciare una moneta. Buone previsioni catturano le regolarità e le relazioni realmente presenti nei dati storici ma non replicano gli eventi passati che non si verificheranno nuovamente. In questo libro si imparererà la differenza tra una fluttuazione casuale nei dati storici che dovrebbe essere ignorata, e un pattern autentico che dovrebbe invece essere modellato ed estrapolato.
Molti pensano che non sia possibile fare previsioni in un ambiente in cambiamento. Ma ogni ambiente è dinamico, ed un buon modello di previsione è in grado di catturare il modo in cui le cose cambiano. Quello che normalmente si assume è che il modo in cui l’ambiente sta cambiando sia lo stesso in futuro. Vale a dire che un ambiente fortemente volatile continuerà ad essere fortemente volatile, un settore con volumi di vendita fluttuanti continuerà ad avere volumi di vendita fluttuanti, e un sistema economico che ha attraversato periodi di espansione e di recessione continuerà a manifestare periodi di espansione e di recessione. Un modello previsivo intende catturare il modo in cui le cose si muovono, e non solo la loro posizione. Come disse Abramo Lincoln “Se potessimo sapere prima dove siamo e dove stiamo andando, potremmo decidere meglio cosa fare e come farlo”.
Le attività di previsione variano fortemente nei loro orizzonti temporali, nei fattori che determinano i risultati effettivi, nella tipologia di strutture dati, ed in molti altri aspetti. I metodi di previsione possono essere semplici, come ad esempio l’utilizzo dell’osservazione più recente (che è chiamato metodo naive), o altamente complessi, come le reti neurali o i sistemi econometrici di equazioni simultanee. In alcuni casi non sono disponibili dati: si pensi, a titolo esemplificativo, alla previsione delle vendite di un nuovo prodotto nel suo primo anno di immissione sul mercato. In situazioni come queste utilizzeremo la previsione basata sul giudizio, discussa nel capitolo 6. La scelta del metodo da utilizzare dipende da quanti dati sono disponibili e dalla prevededibilità della quantità di interesse.
1.2 Previsione, obiettivi e pianificazione
La previsione è un’attività statistica comune nel mondo degli affari, dove aiuta ad orientare le decisioni circa la programmazione della produzione, del trasporto e del personale, e rappresenta una guida per la pianificazione strategica a lungo termine. Cionostante le previsioni aziendali sono spesso eseguite male, e tendono ad essere spesso confuse con la pianificazione e gli obiettivi. Si tratta però di tre cose differenti.
- Previsione
-
è l’attività di prevedere il futuro quanto più accuratamente possibile a partire da tutte le informazioni disponibili, inclusi i dati storici e la conoscenza di eventi futuri che potrebbero avere effetto sulle previsioni.
- Obiettivi
-
si tratta di ciò che si vorrebbe accadesse. Gli obiettivi dovrebbero essere collegati alle previsioni e ai piani, ma questo non sempre avviene. Troppo spesso gli obiettivi sono fissati senza avere né un piano per il loro raggiungimento né previsioni per stabilire se si tratta di obiettivi realistici.
- Pianificazione
-
è una risposta alle previsioni e agli obiettivi. La pianificazione comporta la specifica di azioni appropriate, necessarie affinché le previsioni siano abbinate agli obiettivi.
Le attività di previsione dovrebbero essere parte integrante delle attività decisionali del management, poiché possono esercitare un ruolo importante in molte aree di un’azienda. Le organizzazioni moderne richiedono previsioni a breve, medio e lungo termine, a seconda dei casi specifici.
- Previsioni a breve termine
-
sono necessarie per la programmazione del personale, della produzione e della logistica. Le previsioni della domanda sono richieste spesso nell’ambito del processo di pianificazione.
- Previsioni a medio termine
-
sono necessarie per determinare le esigenze future di risorse, allo scopo di acquistare materie prime, assumere personale o acquistare macchine ed attrezzature.
- Previsioni a lungo termine
-
sono utilizzate nell’ambito della pianificazione strategica. Tali decisioni devono tener conto delle opportunità di mercato, dei fattori ambientali e delle risorse interne.
Un’organizzazione deve sviluppare un sistema di previsione che abbraccia diversi approcci al fine di essere in grado di prevedere eventi incerti. Questi sistemi previsionali richiedono lo sviluppo di competenze nell’individuazione dei problemi di previsione, nella capacità di utilizzare i metodi di previsione, nel selezionare i metodi opportuni per ciascun problema, e nel valutare ed affinare i metodi nel corso del tempo. Affinché l’uso di un metodo di previsione abbia successo, è anche importante avere un forte supporto organizzativo.
1.3 Determinare cosa prevedere
Nelle fasi iniziali di un progetto legato alla previsione, è necessario decidere qual è l’oggetto della previsione. Ad esempio, se sono richieste previsioni relativamente agli articoli in un processo produttivo, è necessario chiedersi se le previsioni sono richieste:
- per ogni linea di prodotti, o per gruppi di prodotti?
- per ogni punto vendita, o per punti vendita raggruppati per regione, oppure solamente per le vendite totali?
- per dati settimanali, mensili o annuali?
È anche necessario considerare l’orizzonte delle previsioni. Si desidera avere le previsioni per il prossimo mese, i prossimi sei mesi o i prossimi dieci anni? Sarà infatti necessario un differente tipo di modello che tenga anche conto di quale orizzonte temporale è più importante.
Ed ancora: con quale frequenza sono richieste le previsioni? Per previsioni che devono essere prodotte frequentemente è utile fare ricorso ad un sistema automatizzato piuttosto che ricorrere a metodi che richiedono un attento lavoro manuale.
Inutile dire che è importante dedicare del tempo per parlare con le persone che useranno le previsioni, per comprendere le loro esigenze, e come utilizzeranno le previsioni, prima di intraprendere un ampio lavoro per la produzione delle stesse.
Una volta chiarite quali sono le previsioni richieste, è necessario trovare o raccogliere i dati sui quali le previsioni saranno basate. I dati richiesti per le previsioni possono già esistere. Ai giorni nostri viene raccolta un’ampia quantità di dati, e il compito di chi effettua previsioni è spesso identificare dove e come i dati sono archiviati. I dati possono includere i registri delle vendite di una società, la domanda storica relativa ad un prodotto, o il tasso di disoccupazione per una particolare regione geografica. Chi effettua previsioni dedicherà gran parte del suo tempo per individuare e raccogliere i dati prima di sviluppare adeguati metodi di previsione.
1.4 Dati e metodi per la previsione
L’appropriatezza di un metodo di per la previsione dipende fortemente da quali dati sono disponibili.
Infatti, se non ci sono dati disponibili, o se i dati disponibili non sono rilevanti ai fini delle previsioni, si può fare ricorso a metodi qualitativi di previsione. Non si tratta di pure congetture poiché ci sono approcci strutturati ben sviluppati per ottenere buone previsioni senza dati storici. Questi metodi sono discussi nel capitolo 6.
Metodi quantitativi di previsione possono essere utilizzati quando sono soddisfatte due condizioni:
- sono disponibili informazioni numeriche sul passato;
- è ragionevole assumere che alcuni aspetti dei pattern verificatisi in passato continueranno anche in futuro.
Esiste una vasta gamma di metodi quantitativi di previsione, spesso sviluppati in particolari discipline per scopi specifici. Ogni metodo ha proprietà caratteristiche, una propria accuratezza e dei costi che devono essere considerati quando si effettua una scelta tra i metodi disponibili.
La maggior parte dei problemi di previsione quantitativa utilizza dati di serie storiche (raccolti ad intervalli regolari lungo il tempo) o metodi osservazionali (raccolti in un singolo istante temporale). In questo libro si è interessati alla previsione di dati futuri e ci si concentrerà sul dominio delle serie storiche.
Previsioni di serie storiche
Esempi di dati di serie storica includono:
- i profitti annuali di Google
- i risultati trimestrali delle vendite di Amazon
- le precipitazioni mensili
- le vendite al dettaglio settimanali
- i prezzi giornalieri delle azioni IBM
- la domanda oraria di elettricità
- il conteggio del traffico autostradale con frequenza di 5 minuti
- i dati relativi alle transazioni di titoli dotati di marca temporale (time-stamped stock)
Tutto quello che è osservato sequenzialmente lungo il tempo costituisce una serie storica (o serie temporale). In questo libro verranno considerate solo serie storiche osservate ad intervalli temporali regolari (ad esempio orari, giornalieri, settimanali, mensili, trimestrali, annuali). È naturalmente possibile osservare anche serie storiche con intervalli temporali non regolari, ma non saranno considerate in questo libro.
Nel prevedere i dati di una serie storica, l’obiettivo è stimare l’evoluzione futura della sequenza di osservazioni. La figura 1.1 mostra la produzione trimestrale di birra in Australia dal primo trimestre del 2000 al secondo trimestre del 2010.
Le linee blu rappresentano le previsioni per i due anni successivi. È possibile notare come le previsioni siano state in grado di catturare i pattern stagionali presenti nei dati storici, replicandoli per i due anni successivi. La regione ombreggiata in scuro mostra gli intervalli di previsione all’80%. Vale a dire che ci si aspetta che ogni valore futuro dovrebbe cadere nella regione ombreggiata con una probabilità dell’80%. La regione ombreggiata in chiaro mostra gli intervalli di previsione al 95%. Questi intervalli di previsione sono un utile modo per visualizzare l’incertezza nelle previsioni. In questo esempio le previsioni dovrebbero essere accurate, e quindi gli intervalli di previsione sono piuttosto stretti.
I metodi più semplici per la previsione di serie storiche utilizzano solo informazioni sulla variabile da prevedere, e non cercano di scoprire i fattori che la influenzano. Pertanto tali metodi tendono ad estrapolare la tendenza (trend) e i pattern stagionali (stagionalità), ma non considerano tutte le altre informazioni, come ad esempio azioni di marketing, attività della concorrenza, cambiamenti nella condizione economica.
I metodi di decomposizione sono utili per studiare il trend e la stagionalità in una serie storica; questi metodi sono discussi nel capitolo 3. Modelli di serie storiche molto utilizzati per la previsione includono i modelli basati sullo smoothing (lisciamento) esponenziale e i modelli ARIMA, presentati rispettivamente nei capitoli 8 e 9.
Variabili esplicative e previsione di serie storiche
Nelle previsioni di serie storiche sono spesso utilizzate variabili esplicative. Si supponga ad esempio di essere interessati a prevedere la domanda oraria di elettricità (DE) di una regione calda durante il periodo estivo. Un modello con variabili esplicative potrebbe essere della seguente forma \begin{align*} \text{DE} = & f(\text{temperatura attuale, andamento del sistema economico, popolazione,}\\ & \qquad\text{ora del giorno, giorno della settimana, errore}). \end{align*} La relazione non è esatta — ci saranno sempre variazioni nella domanda di elettricità che non possono essere spiegate a partire dalle variabili esplicative considerate. Il termine di “errore” tiene conto di fluttuazioni casuali e di variabili rilevanti che non sono incluse nel modello. Ci si riferirà a tale modello come modello esplicativo perché aiuta a spiegare le cause della variazione nella domanda di elettricità.
Poiché i dati sulla domanda di energia elettrica formano una serie storica, potremmo anche usare un modello per serie storiche ai fini della previsione. In questo caso, un modello adeguato di previsione per una serie storica è della forma \text{DE}_{t+1} = f(\text{DE}_{t}, \text{DE}_{t-1}, \text{DE}_{t-2}, \text{DE}_{t-3},\dots, \text{errore}), dove t rappresenta l’ora attuale, t+1 l’ora successiva, t-1 l’ora precedente, t-2 due ore prima, e così via. In questo caso la previsione del futuro si basa sui valori passati di una variabile ma non su variabili esterne che possono influenzare il sistema. Anche in questo caso il termine “errore” sulla destra permette di tenere conto di fluttuazioni casuali e dell’effetto di variabili rilevanti non incluse nel modello.
C’è anche una terza tipologia di modello che combina le caratteristiche dei due modelli precedenti. Esso potrebbe ad esempio essere dato da \text{DE}_{t+1} = f(\text{DE}_{t}, \text{temperatura attuale, ora del giorno, giorno della settimana, errore}). Ci si riferisce a questo tipo di “modelli misti” con nomi differenti a seconda della disciplina di utilizzo. Sono noti come modelli di regressione dinamica, modelli per dati panel, modelli longitudinali, modelli a funzione di trasferimento e modelli per sistemi lineari (assumendo che f sia lineare). Questi modelli sono discussi nel capitolo 10.
Un modello esplicativo è utile perché incorpora informazioni su altre variabili e non solo sui valori storici della variabile da prevedere. Ci sono tuttavia diverse ragioni per cui chi effettua previsioni potrebbe scegliere un modello per serie storiche piuttosto che un modello esplicativo o un modello misto.
In primo luogo il sistema potrebbe non essere del tutto noto, ed anche ipotizzando che sia del tutto noto potrebbe essere estremamente difficile misurare le relazioni che si assume possano regolarne il funzionamento. In secondo luogo è necessario conoscere o prevedere i valori futuri dei vari predittori considerati per essere in grado di prevedere la variabile di interesse, e anche questo potrebbe essere troppo difficile. In terzo luogo il reale obiettivo potrebbe essere solo quello di prevedere cosa succederà in futuro e non sapere perché questo succederà. Infine il modello per serie storiche potrebbe fornire previsioni più accurate rispetto ad un modello esplicativo o ad un modello misto.
Il modello da utilizzare nella previsione dipende anche dalle risorse e dai dati disponibili, dall’accuratezza dei metodi alternativi disponibili e dal modo in cui il modello di previsione viene utilizzato.
1.5 Alcuni casi studio
I seguenti quattro casi studio fanno riferimento ad esempi reali e mostrano differenti situazioni in cui sono richieste previsioni, unitamente alle sfide associate che ne derivano, e alle possibili soluzioni proposte.
Caso 1
Una grande azienda di produzione di articoli monouso da tavola, come tovaglioli e piatti di carta, necessitava di previsioni per ognuno delle centinaia di articoli in produzione ogni mese. I dati di serie storica evidenziavano un’ampia gamma di pattern, alcuni con trend, altri con stagionalità, ed altri ancora con nessuno dei due. L’azienda usava inizialmente un software proprietario ma che produceva spesso previsioni che non sembravano del tutto sensate. I metodi che sono stati utilizzati per rispondere alle esigenze del cliente sono i seguenti:
- media dei dati degli ultimi 12 mesi;
- media dei dati degli ultimi 6 mesi;
- previsione a partire da una regressione lineare sui dati degli ultimi 12 mesi;
- previsione a partire da una regressione lineare sui dati degli ultimi 6 mesi;
- previsione ottenuta a partire da una retta sull’ultima osservazione con pendenza uguale alla pendenza media delle linee che collegavano i valori dell’anno precedente con i valori di quest’anno;
- previsione ottenuta a partire da una retta sull’ultima osservazione con pendenza uguale alla pendenza media delle linee che collegavano i valori dell’anno precedente con i valori di quest’anno, dove la media è calcolata considerando solo i dati degli ultimi 6 mesi.
La richiesta esplicita dell’azienda era di capire cosa non stava funzionando e di modificare il software in modo da ottenere previsioni più accurate. Il software che utilizzavano era scritto in COBOL, e questo rendeva difficile effettuare calcoli numerici sofisticati.
Caso 2
Il governo federale australiano era interessato a prevedere il budget annuale per il regime di beneficio farmaceutico (PBS, da Pharmaceutical Benefit Scheme). Il PBS fornisce un sussidio per molti prodotti farmaceutici venduti in Australia, e la spesa dipende da ciò che le persone acquistano durante l’anno. La spesa totale è stata di circa 7 miliardi di dollari australiani nel 2009, ed è stata sottostimata di circa 1 miliardo in ciascuno dei due anni precedenti, prima che si facesse ricorso a metodi di previsione più accurati.
Al fine di prevedere la spesa totale è stato necessario prevedere i volumi di vendita di centinaia di gruppi di prodotti farmaceutici usando dati mensili. Quasi tutti i gruppi di prodotto erano caratterizzati da pattern ciclici e stagionali. I volumi di vendita per molti gruppi mostravano improvvisi incrementi o decrementi a causa di cambiamenti nelle categorie di farmaci sovvenzionati. Inoltre le spese per molti gruppi di farmaci mostravano improvvisi cambiamenti anche in seguito alla disponibilità di farmaci alternativi.
È stato pertanto necessario trovare un metodo di previsione che tenesse conto del trend e della stagionalità laddove presenti, e che fosse allo stesso tempo robusto a cambiamenti improvvisi nelle componenti sottostanti. Tale metodo doveva essere anche utilizzabile automaticamente su un gran numero di serie storiche.
Caso 3
Una grande azienda che gestiva le flotte di automobili per altre aziende aveva necessità di prevedere i valori di rivendita futura delle automobili. In particolare l’azienda acquistava autovettore nuove, le noleggiava per tre anni per poi rivenderle. Previsioni migliori dei valori di vendita dei veicoli avrebbero comportato un migliore controllo dei profitti, e la comprensione di cosa influiva sui valori di rivendita poteva consentire di sviluppare politiche di noleggio e di vendita volte a massimizzare i profitti.
I valori di vendita erano inizialmente previsti da un gruppo di specialisti, che sfortunatamente vedevano il ricorso ai modelli statistici come una minaccia per i loro posti di lavoro e di conseguenza sono stati poco collaborativi nel fornire le informazioni utili allo sviluppo dei modelli. L’azienda ha tuttavia fornito una grande quantità di dati sia sui precedenti veicoli che sui corrispondenti valori di rivendita.
Caso 4
In questo progetto è stato necessario sviluppare un modello per prevedere il traffico aereo settimanale sulle principali tratte nazionali per una delle principali compagnie aeree in Australia. L’azienda richiedeva previsioni sul numero dei passeggeri per ciascuna principale rotta nazionale e per ciascuna classe di passeggeri (economy, business e prima classe). L’azienda ha fornito i dati di traffico settimanale per i precedenti sei anni.
Il numero dei passeggeri era influenzato dalle vacanze scolastiche, dai principali eventi sportivi, dalle campagne promozionali, dal comportamento della concorrenza, ecc. Le vacanze scolastiche spesso non coincidono nelle diverse città australiane, e gli eventi sportivi a volta si spostano da una città ad un’altra. Durante il periodo relativo ai dati storici forniti, ci fu inoltre un importante sciopero dei piloti che comportò un’interruzione del traffico per diversi mesi. Inoltre nello stesso periodo una nuova compagnia low-cost fece il suo ingresso sul mercato ma dopo poco chiuse anche i battenti. Verso la fine del periodo corrispondente ai dati storici forniti, la compagnia sperimentò una redistribuzione di alcuni posti da classe economy a classe business, e di alcuni posti da classe business a prima classe. Tuttavia, dopo diversi mesi la classificazione dei posti tornò alla distribuzione iniziale.
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
- 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.
1.7 La prospettiva statistica della previsione
L’oggetto della previsione è incognito (altrimenti non ci sarebbe la necessità di prevederlo), per cui si può pensare ad esso come ad una variabile casuale. Ad esempio, le vendite totali per il prossimo mese potrebbero assumere una gamma di possibili valori, e finché non si conteggeranno le vendite effettive alla fine del mese non sarà possibile conoscerne il valore effettivo: fino a quando le vendite per il prossimo mese non saranno note, si tratterà di una quantità casuale.
Poiché il prossimo mese è relativamente vicino, si avrà un’idea ragionevole del valore che assumeranno le vendite. D’altro canto, se si fosse interessati a prevedere le vendite per lo stesso mese del prossimo anno, i valori possibili saranno molto più variabili. Nella maggior parte delle situazioni, la variabilità associata con l’obiettivo della previsione si ridurrà all’avvicinarsi dell’evento. In altre parole, più lontano è l’obiettivo della previsione, maggiore sarà l’incertezza.
È possibile immaginare differenti “futuri” (scenari), ad ognuno dei quali è associato un differente valore per l’oggetto che si desidera prevedere. In figura 1.2 il numero totale di arrivi internazionali in Australia, dal 1980 al 2015, è rappresentato utilizzando una linea nera. Sullo stesso grafico sono anche rappresentati dieci possibili scenari, per il periodo 2016–2025, utilizzando delle linee di differente colore.
Quando si ottiene una previsione è come si stesse stimando il centro dell’intervallo dei possibili valori che la variabile casuale può assumere. Spesso una previsione è accompagnata da un intervallo di previsione che fornisce un intervallo di valori che la variabile casuale potrebbe assumere con probabilità relativamente alta. Ad esempio, un intervallo di previsione contiene un intervallo di valori che dovrebbero contenere l’effettivo valore futuro con una probabilità del 95%.
Piuttosto che rappresentare graficamente i singoli possibili scenari futuri come mostrato in figura 1.2, si utilizzano invece gli intervalli di previsione. La figura 1.3 mostra gli intervalli all’80% ed al 95% per i futuri visitatori internazionali in Australia. La linea blu è la media dei possibili valori futuri, detta previsione puntuale.
L’indice t verrà utilizzato per far riferimento al tempo. Ad esempio y_t indicherà l’osservazione al tempo t. Si supponga che \mathcal{I} indichi tutte le informazioni osservate e si supponga di essere interessati a prevedere y_t. Si scriverà y_{t} | \mathcal{I} per indicare “la variabile casuale y_{t} dato quanto è noto in \mathcal{I}”. L’insieme di valori che questa variabile casuale potrebbe assumere, insieme con le corrispondenti probabilità, è noto come “distribuzione di probabilità” di y_{t} |\mathcal{I}. Nel campo delle previsioni, si parla in particolare di distribuzione della previsione.
Quando si parla di “previsione”, si fa solitamente riferimento al valore medio della distribuzione della previsione, e si utilizza un “cappello” sulla y per questo scopo. Si scriverà perciò \hat{y}_t per la previsione di y_t, vale a dire la media dei possibili valori che y_t potrebbe assumere a partire da tutto quello che è noto.
È spesso utile specificare esattamente quale informazione è stata utilizzata nel calcolare la previsione. Si scriverà ad esempio \hat{y}_{t|t-1} per indicare la previsione di y_t tenendo conto di tutte le precedenti osservazioni (y_1,\dots,y_{t-1}). Allo stesso modo, \hat{y}_{T+h|T} indica la previsione di y_{T+h} tenendo conto di y_1,\dots,y_T (una previsione cioè con passo h tenendo conto di tutte le osservazioni fino al tempo T).
1.8 Esercizi
Elenca per i casi 3 e 4 nel paragrafo 1.5, le variabili esplicative (predittori) che potrebbero essere utili, assumendo che i dati pertinenti siano disponibili.
Descrivi per il caso 3 nel paragrafo 1.5 i cinque passi del processo di previsione.
1.9 Ulteriori letture
- Armstrong (2001) tratta tutti gli aspetti della previsione. Ogni capitolo è scritto da esperti differenti. Si tratta di un libro non completamente condivisibile su tutti gli argomenti trattati, ma sicuramente molto ricco per quanto riguarda i consigli generali su come affrontare problemi previsionali.
- Ord et al. (2017) è un manuale che copre alcuni argomenti trattati anche in questo volume, ma con differente enfasi e soprattutto senza fare riferimento ad un particolare ambiente software. È scritto da tre esperti del settore, con diversi decenni di esperienza sul campo.