Informazioni sulla previsione

In questo documento, previsione significa prevedere i valori futuri di una serie temporale: l'input o l'output di un problema è per natura costituito da serie temporali.

Sistema di previsione

Un sistema di previsione include una serie diversificata di utenti:

• Utenti finali, che eseguono query sul sistema di previsione relativamente a un prodotto specifico e decidono quante unità acquistare. Può trattarsi di una persona o di un sistema automatizzato.

• Analisti aziendali/business intelligence, che supportano gli utenti finali ed eseguono e organizzano report aggregati.

• Data scientist, che analizzano in modo iterativo i modelli della domanda e gli effetti causali e aggiungono nuove caratteristiche per fornire miglioramenti incrementali al modello o ottimizzare il modello di previsione.

• Data engineer, che configurano l'infrastruttura di raccolta dei dati e garantiscono la disponibilità dei dati di input per il sistema.

Amazon Forecast alleggerisce il lavoro dei software engineer e permette ad aziende con competenze limitate in data science di trarre il massimo vantaggio da una tecnologia di previsione all'avanguardia. Per le aziende con competenze in data science, è inclusa una serie di funzionalità di diagnostica per affrontare con efficienza i problemi di previsione con Amazon Forecast.

Quali settori riscontrano problemi di previsione?

I problemi di previsione toccano molte aree che per definizione producono dati di serie temporali. Questi includono vendita al dettaglio, analisi medica, pianificazione della capacità, monitoraggio di reti di sensori, analisi finanziaria, raccolta di dati su attività di social media e sistemi di database. Ad esempio, le previsioni svolgono un ruolo chiave nell'automazione e nell'ottimizzazione dei processi operativi nella maggior parte delle aziende che implementano processi decisionali basati sui dati. Le previsioni per la domanda e l'approvvigionamento di prodotti possono essere usate per attività ottimali di gestione dell'inventario, programmazione del personale e pianificazione della topologia e sono più in generale una tecnologia essenziale per la maggior parte degli aspetti legati all'ottimizzazione della catena di approvvigionamento.

La figura seguente contiene un riepilogo di un problema di previsione osservato e basato su una serie temporale che presenta un modello (in questo caso, la stagionalità) e la creazione di una previsione per un periodo specificato. L'asse orizzontale rappresenta il tempo che va dal passato (a sinistra) al futuro (a destra). L'asse verticale rappresenta le unità misurate. Considerando il passato (in blu) fino alla linea verticale nera, l'identificazione del futuro (in rosso) corrisponde all'attività di previsione.

Panoramica dell'attività di previsione

Aspetti da considerare prima di provare a risolvere un problema di previsione

Le domande più importanti a cui rispondere prima di risolvere problemi di previsione sono le seguenti:

• Devi risolvere un problema di previsione?

• Perché vuoi risolvere il problema di previsione?

A causa dell'ubiquità dei dati delle serie temporali, è facile trovare problemi di previsione ovunque. Tuttavia, una domanda importante è se vi sia davvero l'esigenza di risolvere un problema di previsione o se sia possibile eluderlo completamente senza sacrificare l'efficienza del processo decisionale dell'azienda. La risposta a questa domanda è importante perché, in termini scientifici, la previsione pone alcuni dei problemi più complessi nel machine learning.

Ad esempio, pensiamo ai suggerimenti sui prodotti per un rivenditore online. Questo problema può essere inquadrato come problema di previsione in cui, per ogni coppia cliente-SKU (codice di riferimento del prodotto), è necessario prevedere il numero di unità di un articolo specifico che un determinato cliente potrebbe acquistare. Questa formulazione del problema presenta diversi vantaggi. Un vantaggio è che tiene esplicitamente conto della componente temporale e permette quindi di suggerire prodotti in base ai modelli di acquisto dei clienti.

Tuttavia, i problemi correlati ai suggerimenti sui prodotti raramente vengono formulati come problemi di previsione, in quanto la risoluzione di un problema di questo tipo è molto più difficile, ad esempio per l'esiguità di informazioni a livello di cliente-SKU e l'entità del problema, di quanto non sia affrontare direttamente il problema originale. Di conseguenza, nel riflettere sull'applicazione di una previsione, è importante tenere conto dell'utilizzo a valle della previsione e chiedersi se non sia invece possibile risolvere il problema usando un approccio alternativo.

Amazon Personalize può essere utile in questi casi. Amazon Personalize è un servizio di machine learning che permette agli sviluppatori di creare facilmente suggerimenti individuali per gli utenti delle loro applicazioni.

Dopo aver stabilito che è necessario risolvere un problema di previsione, la domanda successiva a cui rispondere è perché vogliamo risolverlo. In molti contesti aziendali la previsione è in genere solo un mezzo per raggiungere un fine. Ad esempio, per la previsione della domanda in un contesto di vendita al dettaglio, la previsione può essere usata per prendere decisioni sulla gestione dell'inventario. Il problema di previsione è in genere l'input per un problema decisionale, che a sua volta può essere ricondotto a un problema di ottimizzazione.

Alcuni esempi di tali problemi decisionali includono il numero di unità da acquistare o il miglior approccio per gestire l'inventario esistente. Altri problemi di previsione aziendale includono la previsione della capacità dei server o della domanda di materie prime/pezzi in un contesto di produzione. Queste previsioni possono essere usate come input per altri processi, sia per i problemi decisionali presentati sopra, sia per simulazioni di scenari, da usare quindi per la pianificazione senza modelli espliciti. Esistono alcune eccezioni alla regola secondo cui una previsione non è in se stessa un fine. Nelle previsioni finanziarie, ad esempio, la previsione viene usata direttamente per consolidare riserve finanziarie o viene presentata agli investitori.

Per determinare lo scopo della previsione, considera le domande seguenti:

• Quanto in là nel futuro deve arrivare la previsione?

• Con che frequenza devono essere generate le previsioni?

• Vi sono aspetti specifici da approfondire riguardo alle previsioni?