Quando la dimensione che conta è il tempo
Non tutti i problemi di previsione sono uguali. Quando la variabile da anticipare evolve nel tempo (vendite giornaliere, consumo elettrico orario, temperatura di un forno industriale ogni cinque minuti) si tratta di un problema di serie temporali. Affrontarlo come un problema di regressione standard produce risultati scadenti.
I modelli specializzati in serie temporali colgono schemi che gli algoritmi generici ignorano: tendenze di lungo periodo, stagionalità giornaliera o annuale, festività, effetti di calendario e correlazioni tra variabili che si manifestano con un ritardo temporale. Per questo sono particolarmente utili nella pianificazione operativa e finanziaria.
Principali casi d’uso
Previsione delle vendite e della domanda
Una previsione accurata delle vendite permette di ottimizzare le scorte, pianificare la produzione e dimensionare il personale in modo preciso. I modelli di serie temporali tengono conto dello storico delle vendite, della stagionalità di ciascun articolo, degli effetti delle campagne di marketing e di variabili esterne come il meteo o gli eventi locali. Il risultato è una previsione per SKU, canale e orizzonte temporale sensibilmente più accurata dei metodi statistici classici.
Consumi energetici e ottimizzazione dei costi
Per le aziende industriali con tariffe elettriche orarie, prevedere i consumi in anticipo consente di spostare i carichi nelle fasce a prezzo più basso e di ridurre i picchi di domanda che comportano penali. I modelli LSTM addestrati sullo storico dei consumi e su variabili climatiche producono previsioni ad alta risoluzione temporale, utili per la gestione attiva dell’energia.
Rilevamento di anomalie nei processi industriali
Una macchina prossima al guasto non cambia comportamento all’improvviso, ma gradualmente: la temperatura sale di qualche grado, le vibrazioni cambiano andamento, il consumo elettrico si sposta. I modelli di rilevamento delle anomalie nelle serie temporali apprendono il comportamento normale di ogni macchinario e generano avvisi quando individuano scostamenti statisticamente significativi. Così è possibile intervenire prima del guasto.
Mercati finanziari e tesoreria
Nella gestione della tesoreria e nella copertura dei rischi di cambio o sulle materie prime, i modelli di serie temporali forniscono stime di scenario che integrano l’analisi degli esperti. Non prevedono il futuro con certezza, ma quantificano la distribuzione di probabilità dei diversi scenari con più rigore dell’intuizione.
Modelli e metodologia
I modelli che applichiamo comprendono Prophet (robusto rispetto ai dati mancanti e alle stagionalità multiple, ottimo per le previsioni di business), le reti LSTM e GRU (colgono dipendenze temporali lunghe nei dati ad alta frequenza) e i Temporal Fusion Transformer (lo stato dell’arte per le previsioni multivariate su più orizzonti). La scelta del modello dipende dall’orizzonte di previsione, dalla frequenza dei dati e dal volume disponibile per l’addestramento.
Ogni modello è accompagnato da intervalli di previsione che comunicano l’incertezza in modo onesto. Una previsione senza incertezza è una falsa promessa; una con intervalli ben calibrati è uno strumento decisionale.
Integrazione nei flussi di lavoro
I risultati del modello si possono rendere disponibili tramite una dashboard interattiva, un’API REST che alimenta direttamente l’ERP o il sistema di pianificazione, oppure un file automatizzato nel formato che il team già utilizza. L’obiettivo è che la previsione arrivi a chi deve prendere la decisione, nel momento e nel formato in cui gli serve.
Domande frequenti
Quanto storico serve per un modello di serie temporali affidabile?
Come regola generale, servono almeno due o tre cicli completi dello schema da modellare. Per la stagionalità annuale, almeno due anni. Per gli schemi settimanali, alcuni mesi. Con meno dati, tecniche bayesiane e modelli più semplici possono dare risultati utili, anche se con maggiore incertezza.
Che cosa succede se nello storico ci sono dati mancanti o errori?
I dati reali sono sempre imperfetti. La pipeline di pre-elaborazione comprende il rilevamento e il trattamento dei valori mancanti, degli outlier e dei cambiamenti strutturali (come la chiusura per il COVID o un cambio di sistema). Ignorare questi eventi distorce il modello; documentarli e trattarli correttamente fa parte del lavoro.
Con quanto anticipo può prevedere il modello?
L’orizzonte utile dipende dal problema. Per la previsione della domanda di beni di consumo, una settimana o un mese sono orizzonti abituali. Per la manutenzione predittiva, l’anticipo dipende dal tempo necessario a programmare l’intervento. Calibriamo sempre il modello sull’orizzonte che ha un valore operativo reale, non su quello che produce l’errore più basso sulla carta.