Prevedere il futuro è da sempre uno degli obiettivi di chi fa impresa, forse una delle attività strategicamente più rilevanti. Chi si occupa della gestione di un’azienda sa quanto sia complesso, soprattutto perché per prevedere il futuro è prassi cercare di analizzare quanto successo nel passato. Però, sappiamo tutti bene che quello che è successo tempo fa non è detto che si ripresenti tale e quale in futuro, anzi, nella maggior parte dei casi è facile che accada qualcosa di molto diverso. Questa è un’antica diatriba destinata a restare tale. Focalizzandoci sull’ambito finanziario, avete presente l’analisi tecnica? Cioè l’analisi dell’andamento di un titolo per capire cosa succederà nell’immediato futuro? Questa si basa sullo studio di una cosiddetta serie storica, ovvero dell’andamento del titolo nel corso del tempo per capire trend e comportamenti e cosa potrebbe succedere quindi nel futuro.
Come testimoniano i dati condivisi dall’Osservatorio Big Data & Business Analytics del Politecnico di Milano, continua a crescere l’interesse delle aziende per gli strumenti digitali di data analysis (+20% del 2022 sul 2021) co un valore che si stima raggiungerà i 2,41 miliardi di euro.
Forecasting, analisi previsionali a supporto del CFO
Sappiamo bene però che quando c’è un CDA, magari un CDA straordinario, può accadere qualche evento importante sia in positivo che in negativo per quella azienda che non era pronosticabile all’inizio e, inevitabilmente, l’analisi tecnica non avrà potuto tenerne conto. In questo caso alla previsione mancherà un aspetto, magari proprio quello più importante, che se non considerato potrebbe portare a decisioni di business sbagliate. Ecco perché non si tratta di un ambito semplice. Insomma, una previsione in ambito business ma anche in qualunque ambito rappresenta un fondamentale supporto alle decisioni.
Il tutto si basa su modelli matematici e sappiamo bene che un modello per quanto ben fatto presenta sempre una visione parziale della realtà. Quindi l’essere umano dovrà capire questo e utilizzare il suggerimento nato dal modello, ma unito a quello che sta succedendo nel contesto della vita reale.
Forecasting, analisi previsionali. Modelli matematico-statistici
Quando viene effettuata una previsione sostanzialmente possiamo suddividere il mondo in due insiemi: modelli matematico-statistici e metodi di Intelligenza Artificiale.
I primi si utilizzano tendenzialmente quando non si hanno tantissimi dati a disposizione però ce n’è a sufficienza per provare a stimare una previsione. Quello che si fa in questi casi è la famosa analisi delle serie storiche – ho un elenco di valori che si riferiscono a una grandezza che varia nel corso del tempo e cerco di stimare questi valori come cambieranno nel futuro, quindi, posso considerare aspetti stagionali e quant’altro. Facciamo un esempio: se devo fare una previsione delle prenotazioni di un hotel, sicuramente avrò una serie storica che contiene il numero di camere prenotate giorno per giorno. Se l’obiettivo è quello di stimare come andranno le prenotazioni per l’anno prossimo dovrò trovare un output in cui per tutti i giorni del prossimo anno avrò un numero che corrisponde alla stima delle camere prenotate. Per fare questo, il metodo matematico statistico in questo caso che si utilizzerà dovrà valutare sicuramente aspetti stagionali, ad esempio se la località è di mare mi aspetto un picco di prenotazioni ad agosto soprattutto se siamo in Italia. Ma non solo: anche aspetti stagionali all’interno di ogni singola settimana, ad esempio mi aspetto più camere occupate nel fine settimana. Ed in più se ho la fortuna di avere i dati storici di più anni, se c’è un trend crescente di prenotazioni è lecito aspettarsi di avere una ulteriore crescita per il prossimo anno. Ed è qui la grande assunzione di effettuare predizioni sui dati storici: se il prossimo anno l’ufficio marketing fa una campagna molto ben riuscita magari le vendite aumentano molto di più oppure succede qualcosa dentro l’hotel ed i clienti esprimono tantissime recensioni negative, ecco che allora le prenotazioni potrebbero crollare. Tutti eventi impronosticabili con una semplice analisi della storia. L’analista si troverà una previsione che ovviamente non sarà precisa e, come dicevo prima, avrà un supporto alla decisione da utilizzare come comparazione rispetto a quello che si aspetta lui in quanto essere umano.
Forecasting, analisi previsionali. Metodi di Intelligenza Artificiale
Immaginiamo ora di essere nel caso più fortunato, quello in cui abbiamo una grande quantità di dati e magari anche un numero elevato di variabili da considerare, abbiamo sempre dei dati storici però sono di più e più lavorabili. In questo caso si può provare ad utilizzare l’Intelligenza Artificiale. Il grosso vantaggio rispetto ai metodi matematico-statistici di cui ho parlato prima è che l’Intelligenza Artificiale è in grado di trovare schemi nascosti nei dati, non analizza solo la stagionalità che è una variabile abbastanza scontata, soprattutto in determinati settori, ma ne trova altre che permettono di costruire un quadro più chiaro delle condizioni che hanno portato a generare un determinato quantitativo di vendite e ottenere previsioni più precise. Questo consente di rilevare anche dei cambiamenti in corso e mutare di conseguenza la previsione. Quindi, per intenderci, neanche l’intelligenza artificiale avrebbe potuto predire il covid-19, però, un algoritmo di intelligenza artificiale utilizzato in quell’ambito avrebbe capito prima di altri che qualcosa stava cambiando.
Forecasting, analisi previsionali. L’importanza della base dati
Quindi la previsione non sarebbe stata ovviamente precisa, ma avrebbe potuto fornire indicazioni più accurate rispetto ad un’analisi basata soltanto sui classici effetti stagionali e sui trend storici.
Per concludere, algoritmi di questo tipo sono preziosi per le aziende, ma vanno usati con la giusta consapevolezza. Prima di procedere al loro effettivo sviluppo è necessario come sempre preparare il sistema informativo della propria azienda per analizzare i dati, il che significa dati ben strutturati e precisi.
