Cos'è una previsione?

Una previsione è una predizione fatta studiando i dati storici e gli andamenti passati. Le aziende usano strumenti software e sistemi per analizzare grandi quantità di dati raccolti nel lungo periodo. Il software predice quindi la domanda futura e le tendenze per aiutare le aziende a prendere decisioni finanziarie, di marketing e operative più precise.

Migliorare la precisione delle previsioni con il Machine Learning

Perché la previsione è importante?

La previsione funge da strumento di pianificazione per aiutare le aziende a prepararsi all'incertezza che può presentarsi in futuro. Aiuta i responsabili a rispondere con fiducia ai cambiamenti, controllare le operazioni aziendali e prendere decisioni strategiche che guidano la crescita futura. Ad esempio, le aziende usano la previsione per i seguenti scopi:

  • Usare le risorse in modo più efficiente
  • Visualizzare le prestazioni aziendali
  • Calcolare le tempistiche per il lancio di nuovi prodotti o servizi
  • Stimare i costi ricorrenti
  • Prevedere eventi futuri come volumi di vendita ed entrate
  • Esaminare le decisioni di gestione

Quali sono i tipi di metodi di previsione?

I metodi di previsione possono essere qualitativi o quantitativi:

Metodi qualitativi

La previsione qualitativa fa affidamento sugli esperti di marketing per fare previsioni a breve termine. Puoi usare i metodi qualitativi quando i dati storici sono insufficienti. Ad esempio, ecco due casi d'uso:

  • Le tecniche di ricerca di mercato come sondaggi e indagini identificano la domanda dei consumatori.
  • Le tecniche di modellazione Delphi sondano gli esperti in un particolare campo per raccoglierne le opinioni e prevedere le tendenze in quel campo.

Metodi quantitativi

I modelli di previsione quantitativi usano statistiche significative e dati storici per prevedere le tendenze future a lungo termine. Di seguito sono riportati alcuni esempi di metodi quantitativi standard:

  • La modellazione econometrica analizza set di dati finanziari, come dati su prestiti e investimenti, per prevedere i cambiamenti economici significativi e il loro impatto sull'azienda.
  • L'approccio dell'indicatore confronta i punti dati per identificare le relazioni tra dati apparentemente non correlati. Ad esempio, puoi usare i cambiamenti del PIL per prevedere i tassi di disoccupazione.
  • In questo scenario, i dati del PIL sono chiamati indicatore anticipatore e il tasso di disoccupazione è l'indicatore di ritardo.
  • La previsione di serie temporali analizza i dati raccolti in diversi intervalli di tempo per prevedere le tendenze future. 

Cosa sono i dati delle serie temporali?

I dati trasversali osservano individui e aziende nello stesso periodo di tempo. D'altra parte, i dati delle serie temporali sono un qualsiasi set di dati che raccolgono informazioni a diversi intervalli di tempo. Questi dati sono distinti perché ordinano i punti dati in base al tempo. Come risultato, vi è un potenziale per la correlazione tra le osservazioni negli intervalli adiacenti.

I dati delle serie temporali sono rappresentabili in un grafico con intervalli incrementali (o sequenze temporali) sull'asse X e valori di dati campione osservati sull'asse delle y. Tali grafici delle serie temporali sono strumenti preziosi per visualizzare i dati. I data scientist li usano per identificare le caratteristiche dei dati di previsione. Di seguito sono riportati alcuni esempi delle caratteristiche dei dati della serie temporale:

Nei dati sulle tendenze nel tempo, il valore Y aumenta o diminuisce nel tempo, facendo apparire il grafico come lineare. Ad esempio, i dati sulla popolazione possono aumentare o diminuire linearmente nel tempo.

Stagionalità

I modelli stagionali si verificano quando i dati delle serie temporali mostrano modelli regolari e prevedibili a intervalli di tempo inferiori a un anno. Questo modello di dati può essere rappresentato con picchi o altre anomalie su un grafico altrimenti lineare. Ad esempio, le vendite al dettaglio di un negozio possono aumentare le periodo delle vacanze intorno a dicembre e aprile.

Rotture strutturali

A volte i dati delle serie strutturali cambiano improvvisamente comportamento a un certo punto nel tempo. Il grafico della serie temporale può improvvisamente spostarsi verso l'alto o verso il basso, creando una rottura strutturale o una non linearità. Ad esempio, molti indicatori economici sono cambiati bruscamente nel 2008 dopo l'inizio della crisi finanziaria globale.

Cos'è la previsione di serie temporali?

La previsione di serie temporali è una tecnica di data science che usa il machine learning e altre tecnologie per computer per studiare le osservazioni passate e prevedere i valori futuri dei dati delle serie temporali. Di seguito sono riportati alcuni esempi di previsione di serie temporali:

  • I dati astronomici sono costituiti da movimenti ripetitivi dei pianeti nei secoli. Puoi usare questi dati per prevedere con precisione eventi astronomici come eclissi e comete.
  • Le previsioni meteorologiche usano modelli del vento e della temperatura per prevedere i cambiamenti climatici.
  • Gli scienziati usato i tassi di nascita e i dati sulla migrazione per prevedere la crescita della popolazione.

Confronto tra analisi di serie temporali e previsione di serie temporali

L'analisi di serie temporali esplora le cause alla base di qualsiasi dato di serie temporali. Questo campo di studio cerca di comprendere il "perché" dietro un set di dati di serie temporali. Gli analisti devono spesso fare ipotesi e scomporre o ripartire i dati per estrarre statistiche significative e altre caratteristiche.

Mentre l'analisi di serie temporali si basa sulla comprensione dei set di dati, la previsione completamente incentrata sulla predizione. Queste sono le tre fasi della modellazione predittiva:

  • Fai una domanda e raccogli set campione di dati di serie temporali che rispondano a questa domanda per un periodo di tempo passato.
  • Addestra il software per computer o l'algoritmo di previsione usando i valori passati.
  • Usa l'algoritmo di previsione per fare osservazioni future.

Come funzionano le previsioni di serie temporali?

I data scientist usano i modelli di previsione di serie temporali per fare previsioni più precise. Prima eseguono alcune analisi esplorative dei dati per selezionare i migliori algoritmi di previsione, quindi usano i modelli di machine learning per fare previsioni. Di seguito sono riportati alcuni modelli di previsione comuni:

Modelli di decomposizione

I modelli di decomposizione decompongono o scompongono i dati di serie temporali in tre componenti:

  1. Componente di tendenza
  2. Componente stagionale
  3. Componente di rumore, che non appartiene a nessuno dei due gruppi di cui sopra

Un altro metodo di analizzare i dati di serie temporali consiste nello scomporli in due componenti: componenti di dati prevedibili e non prevedibili.

Modelli basati sul livellamento

Il livellamento dei dati è una tecnica statistica che comporta la rimozione di valori anomali o punti dati che differiscono significativamente dal resto del set di dati. Questi modelli di previsione rendono la categoria del modello sottostante più visibile eliminando le variazioni casuali nei dati.

Modelli basati sulla regressione

L'autoregressione è un modello di previsione che usa le osservazioni dalle fasi temporali precedenti per definire una relazione matematica tra due punti dati. Usa quindi la relazione matematica per stimare un valore futuro sconosciuto. A seconda del modello di regressione utilizzato, l'equazione matematica considera gli errori di previsione passati e i valori stagionali passati, migliorando la previsione nel tempo.

Cosa sono i principali casi d'uso per la previsione?

La previsione offre alle aziende informazioni rilevanti e affidabili sul presente e sul futuro. Di seguito sono descritti alcuni casi d'uso di esempio delle tecnologie di previsione:

Operations: in che modo More Retail Limited ha usato l'automazione per prevedere le vendite dei prodotti?

More Retail Ltd. (MRL) è uno dei quattro principali rivenditori al dettaglio di generi alimentari, un fatturato di diversi miliardi di dollari. Hanno un'ampia rete di negozio e una complessa catena di approvvigionamento di distributori. Si affidavano al giudizio manuale dei responsabili del negozio per stimare e ordinare le scorte, ma questo influenzava l'esperienza cliente, in particolare nella categoria dei prodotti freschi. MRL ha usato i servizi di previsione AWS per creare un sistema di ordini automatizzato che ha ridotto gli sprechi di generi alimentari freschi del 30%.

Produzione: in che modo Foxconn usa la previsione per gestire le necessità produttive?

Hon Hai Technology Group (Foxconn) è il più grande produttore mondiale di elettronica e fornitore di soluzioni. Durante la pandemia legata al COVID-19, Foxconn ha dovuto affrontare una volatilità senza precedenti nella domanda, nelle forniture e nella capacità dei clienti. La società ha collaborato con l'Amazon Machine Learning Solutions Lab per fare previsioni precise sull'ordine netto per la sua fabbrica in Messico. Queste previsioni hanno comportato un risparmio annuo di oltre 500.000 USD.

Supporto clienti: in che modo Affordable Tours usa le previsioni delle vendite per migliorare l'esperienza cliente?

AffordableTours.com è uno dei maggiori venditori statunitensi di viaggi, che comprendono tour con accompagnatore, crociere, crociere fluviali e vacanze attive. Avevano difficoltà nell'allocare le risorse per gestire i volumi di chiamate da parte dei clienti. A volte avevano un numero eccessivo di agenti, altri giorni invece gli agenti erano troppo pochi e questo ha luogo a esperienze clienti non costanti, aumentando il numero di chiamate perse. Hanno utilizzato Amazon Forecast per anticipare meglio i volumi di chiamate dei clienti e hanno migliorato il tasso di chiamate perse del 20%.

Cos'è Amazon Forecast?

Amazon Forecast è un servizio di previsione di serie temporali completamente gestito, basato sul machine learning e costruito per l'analisi dei parametri di attività. Non è necessaria alcuna esperienza in materia di machine learning per iniziare subito. Basterà fornire dati storici e dati aggiuntivi che pensi possano influenzare le previsioni. Una volta forniti tutti i dati, Amazon Forecast li esamina automaticamente e identifica quelli significativi. Quindi, produce un modello di previsione che può fare previsioni fino al 50% più accurate rispetto ai modelli che guardano solo ai dati delle serie temporali.

Inizia subito creando un account Amazon gratuito oggi senza costi con il piano gratuito di AWS. Per i primi due mesi di utilizzo di Amazon Forecast, i nuovi clienti AWS riceveranno fino a 10.000 generazioni di previsioni di serie temporali al mese, fino a 10 GB di archiviazione dati al mese e fino a 10 ore di formazione al mese.

Panoramica di Amazon Forecast

Prossime fasi di Amazon Forecast

Standard Product Icons (Features) Squid Ink
Scopri ulteriori risorse correlate al prodotto
Scopri di più su Amazon Forecast 
Sign up for a free account
Registrati per creare un account gratuito

Ottieni l'accesso immediato al piano gratuito di AWS. 

Visualizza il piano gratuito di AWS Machine Learning 
Standard Product Icons (Start Building) Squid Ink
Inizia subito nella console

Inizia subito a costruire con AWS nella Console di gestione AWS.

Accedi