La previsione di un andamento futuro di una determinata metrica è sicuramente un tema cruciale per le aziende di qualsiasi settore. Prevedere il futuro in maniera precisa pone le basi per un sicuro successo di un’azienda. Senza ambire a capacità paranormali o almanacchi a disposizione, è necessario affidarsi alla matematica ed al buon senso per creare modelli di forecasting che consentano di ottenere risultati con un margine di errore tollerabile.
Il 2020 è stato un anno nero per moltissimi aspetti. Per chi si occupa di forecasting servirebbe forse un colore più scuro del nero per descriverlo. Inoltre, grazie a quest’anno anomalo, anche il 2021 ed il 2022 costituiranno delle sfide molto ardue per chi di mestiere cerca di prevedere il futuro.
2020 l’anno nero per i data anlayst
Il motivo? Analizzare un andamento in un periodo futuro è reso fattibile soprattutto da un fattore: la stagionalità. Ad esempio, se intendo prevedere i volumi di vendita dei miei beni, dei miei ricavi, la spesa media degli italiani per mese, mi posso appoggiare ai dati storici degli anni passati che mi dicono, ad esempio che:
- A dicembre si spende di più per i regali
- Il lunedì è un giorno caratterizzato da pochi acquisti
- Il sabato mattina i centri commerciali sono affollati
- ..
Avere un anno così anomalo come il 2020 porta necessariamente a scombinare le carte e a non poter fare molto affidamento nelle previsioni su quello che accadeva nel 2019 e negli anni precedenti.
Metodi di forecasting
- Metodi che si basano su regressioni rischiano di fallire soprattutto nel medio-lungo termine in quanto andrebbero a ricalcare fenomeni stagionali che di colpo sono assenti o comunque diversi;
- Metodi con la media mobile mi permettono di intercettare abbastanza bene cambiamenti nel trend dei valori più recenti della mia serie storica, ma a lungo termine perderanno di accuratezza;
- I modelli ARIMA (autoregressive integrated moving average), che uniscono le componente regressiva alla media mobile, possono portare a risultati discreti ma comunque nel lungo termine errati a causa della cattiva capacità ad individuare nuovi trend;
- Metodi che pongono l’accento ancor di più sui fattori stagionali come Holt-Winters, risentiranno non poco di questi comportamenti anomali;
- Metodi che utilizzano più approcci combinati, come Prophet, un software open source rilasciato dal team Core Data Science di Facebook.
Inoltre, oltre ai cambiamenti nella stagionalità, il 2020 ha portato anche a cambiamenti nei volumi, trasformando spesso le serie storiche da analizzare da stazionarie a non. Ad esempio in un periodo dell’anno che negli anni passati presentava un andamento ciclico, potremmo trovarci ad avere valori strettamente crescenti. Almeno per questo problema però, esistono tecniche di normalizzazione delle serie storiche efficaci che permettono di preparare i dati prima di essere analizzati.
L’impatto della stagionalità nel forecasting
Ma, cosa bisogna fare invece con la stagionalità? Non per spegnere le speranze, ma difficilmente nei prossimi anni si arriverà a delle previsioni con un margine di errore molto basso. Però, gli algoritmi ci vengono in supporto per minimizzare il rischio di ottenere previsioni molto lontane dalla realtà. Con una buona quantità di dati a disposizione, cioè serie storiche corpose e non di 10 valori, è possibile provare la strada dell’Intelligenza Artificiale, in particolare del Machine Learning o, se necessario del Deep Learning. Una Rete Neurale Artificiale o un Albero Decisionale sono delle famiglie di algoritmi molto ampie che riescono a capire relazioni nascoste tra i dati che gli vengono forniti per provare a fare deduzioni su nuove osservazioni. In questo modo, si avrà una probabilità sicuramente più alta di intercettare campi repentini nel comportamento stagionale delle serie, ma si perderà un fattore. La scelta dell’algoritmo è l’elemento decisivo per la buona riuscita delle previsioni.
Forecasting: Machine Learning Vs Deep Learning
Il fatto di usare un approccio di Machine Learning o Deep Learning riguarda semplicemente il fatto di vagliare algoritmi più o meno complessi. Se una Rete Neurale “Machine”, cioè con al massimo 3 livelli (layer), non funziona bene, si può provare con una Rete Neurale “Deep”. Questi algoritmi però rappresentano solo un ulteriore tentativo. Può capitare che metodi come ARIMA e Holt-Winters funzionino comunque meglio. Bisogna provare. Ogni repository è una storia a sé. Questo è dato dal fatto che ogni previsione è influenzata da un comportamento apparentemente casuale, detto rumore. Ad esempio, immaginiamo di prevedere per domani 103 acquisti da Milano sul nostro e-commerce. A causa di un guasto sulla linea internet gli acquisti effettivi saranno solo 16. Era possibile prevedere un tale effetto? No. Quali ripercussioni avrà sui prossimi giorni? Difficile da dire, potrebbe esserci un boom di acquisti oppure i clienti potrebbero essersi già rivolti ad un sito concorrente. E’ quindi molto difficile se non impossibile prevedere tutti gli effetti in gioco. E, purtroppo, il 2020 non porta altro che ulteriore rumore nelle analisi di forecasting.
