La previsione è un metodo per prevedere un evento o una condizione futura analizzando i modelli e scoprendo le tendenze nei dati precedenti e attuali. Utilizza approcci matematici e applica modelli statistici per generare previsioni.
Le previsioni aziendali mirano a stimare la domanda di prodotti o servizi da parte dei clienti, le vendite di progetti o a prevedere la crescita e l'espansione. Possono facilitare l'allocazione di budget, capitale, risorse umane e altro ancora. In breve, la previsione aiuta a informare il processo decisionale.
La previsione è spesso associata all'analisi dei big data e all'analisi predittiva. Oggi, molte tecniche di previsione si basano sull'intelligenza artificiale (AI) e sui metodi di machine learning per creare previsioni in modo più rapido e accurato. Secondo una ricerca della società di consulenza gestionale McKinsey, gli strumenti basati sull'AI possono ridurre gli errori di previsione fino al 50%, con conseguente calo della carenza di inventario e della perdita di vendite fino al 65%.1
Le previsioni sono, per l'appunto, solo previsioni, il che significa che spesso non sono accurate al 100%. Inoltre, l'orizzonte temporale di una previsione è importante: quelle a breve termine potrebbero essere più precise rispetto a quelle a lungo termine. Possono anche aiutare ad aggregare dati o a combinare tecniche per una maggiore precisione. Pensa alla previsione come a una guida e non come il fattore determinante ultimo per le decisioni.
Il processo di previsione può essere diverso per ogni organizzazione, ma in genere prevede questi passaggi:
Definire cosa prevedere: le aziende identificano un business case o una metrica specifica da prevedere e tengono conto di tutte le ipotesi e variabili applicabili pertinenti.
Raccogliere i dati: questa fase comprende la raccolta dei dati necessari. Se i dati storici esistono già, si tratterà di determinare i set di dati più appropriati.
Selezionare un metodo di previsione: scegli la tecnica di previsione più adatta non solo al business case o alla metrica, ma anche alle variabili, alle ipotesi e ai set di dati associati.
Generare una previsione: i dati vengono analizzati utilizzando il metodo scelto, e da questa analisi viene elaborata una previsione.
Verificare la previsione: controlla le previsioni e cerca di capire se è possibile apportare ottimizzazioni per creare previsioni più accurate.
Presentare la previsione: la visualizzazione dei dati può essere utilizzata per rappresentare la previsione in un formato visivo che tutte le parti interessate possano comprendere e utilizzare meglio nel processo decisionale.
Le previsioni possono essere effettuate in vari modi, ma ogni approccio è in genere classificato in una delle due tecniche principali: previsione qualitativa e previsione quantitativa.
Le previsioni qualitative si basano sul giudizio umano, come le opinioni dei consumatori, le intuizioni degli esperti e i punti di vista dei dirigenti di alto livello. Questo metodo di previsione applica un meccanismo di rating come mezzo sistematico per convertire le informazioni qualitative in dati quantitativi.
Ecco alcuni approcci di previsione qualitativa utilizzati di frequente:
Nel metodo Delphi, diversi esperti sono invitati a rispondere a una serie di questionari cercando il loro punto di vista sul business case o sulla metrica da prevedere. Le risposte sono anonime, per prendere in considerazione i punti di vista in modo paritario. Le risposte del questionario precedente vengono utilizzate per creare il questionario successivo, e questo processo continua fino al raggiungimento di un consenso su una previsione.
Le aziende si avvalgono dell'aiuto di società di ricerca di mercato per condurre sondaggi tra i clienti e chiedere le loro opinioni su prodotti o servizi. I dati raccolti da queste indagini vengono quindi utilizzati per informare le previsioni di vendita e le iniziative di miglioramento dei prodotti o dei servizi.
Le previsioni qualitative presentano i seguenti vantaggi:
Ma questo tipo di previsione ha anche i suoi svantaggi:
Le previsioni quantitative si basano su dati numerici e utilizzano modelli matematici e metodi statistici per raggiungere una previsione. Molte tecniche di previsione quantitativa sfruttano data science, AI e machine learning per potenziare il processo.
Ecco alcune strategie comuni di forecasting quantitativo:
Questo metodo quantitativo utilizza dati storici modellati come serie temporali per proiettare risultati futuri. Una serie temporale è una serie di punti dati tracciati in ordine cronologico.
I modelli di previsione delle serie temporali possono aiutare a rivelare tendenze prevedibili dei dati influenzate da cicli, fluttuazioni irregolari, stagionalità e altre variazioni.
L'analisi delle serie temporali viene spesso menzionata insieme alle previsioni delle serie. Mentre l'analisi delle serie temporali implica la comprensione dei relativi dati per ricavarne informazioni, la previsione va oltre l'analisi per prevedere i valori futuri.
La previsione delle serie temporali comprende una serie di metodi:
Il metodo naive utilizza i dati del periodo precedente come previsione per il periodo successivo. Questo lo rende il metodo di previsione più semplice per le serie temporali ed è spesso considerato un benchmark preliminare.
La tecnica della media mobile semplice calcola la media dei punti dati degli ultimi T periodi e funge da previsione per il periodo successivo.
Questo metodo si basa sulla semplice tecnica della media mobile, ma con un peso applicato a ciascun punto dati degli ultimi periodi T.
Il livellamento esponenziale funziona applicando una media ponderata esponenzialmente ai dati della serie temporale. I pesi diminuiscono esponenzialmente man mano che i dati diventano più vecchi: più i dati sono recenti, maggiore è il loro peso.
Un coefficiente di livellamento (chiamato anche fattore di livellamento o parametro di livellamento) controlla i pesi assegnati ai dati passati e attuali. Utilizzando questi pesi, la media mobile ponderata viene quindi calcolata e funge da previsione. Questa previsione diventa una versione semplificata di una serie temporale, eliminando fluttuazioni, rumore, valori anomali e variazioni casuali dai dati.
Il livellamento esponenziale normalmente non richiede un set di dati enorme, il che lo rende un buon metodo di previsione per le proiezioni a breve termine. E, poiché dà maggior peso ai dati attuali, il livellamento esponenziale può adattarsi rapidamente alle tendenze nuove o in evoluzione.
Un indice stagionale può essere prezioso per le aziende la cui produzione o domanda di beni o servizi dipende dai vari periodi dell'anno.
Per calcolare l'indice stagionale, si prende la domanda media di una particolare stagione e si divide per la domanda media di tutte le stagioni. Queste medie vengono solitamente calcolate con una tecnica di media mobile, ma si può anche applicare uno smoothing esponenziale utilizzando i dati della serie temporale solo per quella stagione. Un indice stagionale risultante inferiore a 1 indica una domanda inferiore alla media, mentre un valore superiore a 1 denota una domanda superiore alla media.
Per stimare la previsione per la prossima stagione, la domanda prevista sarà moltiplicata per l'indice stagionale corrispondente.
I modelli causali sono un'espressione matematica delle relazioni causali nei dati. Questi modelli di previsione possono essere adatti per offrire un orizzonte temporale più lungo.
I modelli basati sulla regressione analizzano il rapporto tra una variabile di previsione o dipendente e una o più variabili predittive o indipendenti. Un esempio di modello di regressione è la regressione lineare, che rappresenta una relazione lineare tra una variabile previsionale e una variabile predittiva.
I modelli econometrici sono simili ai modelli di regressione, ma si concentrano su variabili economiche, come tassi di interesse e inflazione, e relazioni economiche, come condizioni di mercato e prezzi degli asset.
La previsione quantitativa offre questi vantaggi:
È basato su numeri e matematica, il che può portare a previsioni più obiettive.
Fornisce output coerenti, replicabili e strutturati che aiutano a semplificare l'analisi in intervalli di tempo specifici.
Ma questo approccio di previsione presenta anche alcune insidie:
È difficile integrare le opinioni degli esperti, le informazioni riservate e altri dati qualitativi nelle previsioni quantitative.
Per produrre previsioni affidabili sono necessari dati storici sufficienti.
La previsione AI utilizza algoritmi di machine learning per metodi di previsione quantitativa come la previsione di serie temporali e i modelli di regressione. Può gestire enormi volumi di dati, eseguire calcoli rapidi, affrontare previsioni complesse e svelare rapidamente le correlazioni.
Ecco alcuni modelli e tecniche di machine learning comuni utilizzati nella previsione AI:
Quando si utilizza la previsione AI, è importante valutare l'allineamento di un modello con gli obiettivi di previsione di un'azienda. Monitora regolarmente le prestazioni del modello per determinare se il modello deve essere riaddestrato su nuovi dati o messo a punto per ottimizzarne le prestazioni. Valuta anche se un modello è spiegabile, in modo che tutti gli stakeholder possano capire come sono state effettuate le previsioni e come interpretarle.
Le previsioni possono essere implementato in vari ambiti aziendali:
Le organizzazioni possono utilizzare la previsione per proiettare costi, ricavi e altri risultati finanziari futuri per contribuire a prendere decisioni informate sul budget e sugli investimenti. Nella pianificazione finanziaria, la previsione considera non solo lo stato attuale di un'azienda, ma anche fattori esterni come le condizioni economiche.
Una banca argentina, ad esempio, è stata in grado di ridurre da diversi giorni a pochi secondi i tempi di sviluppo di scenari finanziari "ipotetici" basati su fogli di calcolo attraverso la previsione AI.
La previsione può aiutare le aziende a pianificare meglio la produzione. Ad esempio, un produttore di legname può utilizzare un software di previsione per aggiornare regolarmente le proprie previsioni con dati sui prodotti, sulle consegne e sull'inventario. I supervisori delle segherie possono persino generare previsioni giornaliere per dare priorità in modo migliore ai programmi e bilanciare i carichi di lavoro. L'azienda ha ottenuto un risparmio di tempo del 25% nelle attività di forecasting e rendicontazione in tutto il suo reparto finanziario.
Sia le tecniche qualitative che quelle quantitative possono essere applicate per proiettare le vendite future, il tasso di crescita delle vendite e altri dati sulle vendite. Un modello di regressione, ad esempio, può essere utilizzato per analizzare la correlazione tra le condizioni economiche o le spese di marketing sulle vendite.
I metodi di previsione possono essere utilizzati per gestire la supply chain in modo che i prodotti giusti raggiungano le destinazioni previste nei tempi previsti. Le previsioni della supply chain aiutano le aziende a rimanere al passo con l'inventario, a soddisfare la domanda dei clienti e a migliorare l'esperienza dei clienti.
Tuttavia, alcuni elementi possono rendere difficili le previsioni della supply chain, come ad esempio la modifica delle normative, l'evoluzione della domanda dei consumatori, i tempi di consegna di produttori o fornitori e la stagionalità.
Un software di previsione offre funzionalità avanzate, come l'integrazione di dati provenienti da fonti diverse e l'analisi delle interazioni tra più variabili. Queste possono aiutare le aziende a sviluppare previsioni affidabili e ad aggiornare e gestire in modo efficiente i modelli di previsione e le simulazioni. Altri strumenti di previsione dispongono anche di funzionalità AI integrate per automatizzare i flussi di lavoro, migliorare l'accuratezza e accelerare il processo.
Ottieni insight unici sul landscape in evoluzione delle soluzioni ABI, in particolare sui risultati, le ipotesi e le raccomandazioni chiave per i responsabili dei dati e dell’analytics.
Semplifica l’accesso ai dati e automatizza la governance dei dati. Scopri la potenza dell’integrazione di una strategia di data lakehouse nella tua architettura di dati, con ottimizzazione dei costi dei workload e scalabilità dell’AI e dell’analytics, con tutti i tuoi dati, ovunque.
Esplora la guida per i leader dei dati che desiderano creare un’organizzazione basata sui dati e ottenere un vantaggio aziendale.
Scopri come un approccio di data lakehouse aperto può fornire dati affidabili e un’esecuzione più rapida dell’analytics e dei progetti di AI.
Per prosperare, le aziende devono utilizzare i dati per fidelizzare i clienti, automatizzare i processi aziendali e innovare con soluzioni basate sull'AI.
Sblocca il valore dei dati aziendali con IBM Consulting e crea un'organizzazione basata su insight in grado di generare vantaggi aziendali.
Introduzione a Cognos Analytics 12.0, insight basati sull'AI per prendere decisioni migliori.
1 AI-driven operations forecasting in data-light environments, McKinsey, 15 febbraio 2022.