Le ipotesi di base per costruire un modello predittivo
Nell’articolo precedente abbiamo visto come i dati siano importanti per creare una buona analisi predittiva. Ora è il momento di fare una riflessione: fino a quando un modello si può definire valido?
È evidente che nell’istante in cui si effettua la scelta di quali informazioni utilizzare, in realtà si stanno facendo delle ipotesi che, se non validate, minano le fondamenta del modello stesso. Le assunzioni iniziali sono quindi molto importanti e bisogna capirne limiti e benefici.
Il principale agente che interviene per confutare le ipotesi alla base del modello è il fattore tempo: con il trascorrere degli anni, un’analisi eseguita su dati sempre più vecchi potrebbe non essere più valida e rendere obsoleto il modello. Più è lungo il periodo che intercorre dalla sua creazione, più saranno i cambiamenti che renderanno necessaria una nuova elaborazione e di conseguenza un’ulteriore analisi. È infatti possibile che una variabile inizialmente scartata, perché caratterizzata da una bassa correlazione iniziale, assuma un significato tale da invalidare il modello.
[quote style=”boxed” float=”left”]L’ipotesi:
“Futuro = Passato”[/quote]
Da questa breve analisi si può dedurre come esista un’assunzione cardine dell’analisi predittiva: “Il futuro è uguale al passato”; una tale dichiarazione richiede un attimo di riflessione. Sulla base di dati ciclici o stagionali, comportamenti e pattern, l’analisi predittiva costruisce un modello valido solo se si ipotizza che le condizioni, l’andamento e la storia futura siano la riproposizione di ciò che è accaduto in passato.
Questa assunzione non è unica e vincolante: anche se il tempo è il fattore più importante, i modelli dipendono in peso e misura differenti da numerose altre ipotesi.
Chi crea il modello, infatti, deve essere in grado di definire su quali basi di dati l’ha costruito: sapere se i sample sono rappresentativi per tutta la popolazione, se esistono outlier (anomalie nei dati) che possano avere effetti sul risultato e conoscere quali sono le condizioni che invalidano le assunzioni poste alla base del modello. Solo in questo modo sarà possibile in seguito modificarlo o migliorarlo.
I modelli Forecast e le analisi di serie temporali
In scenari in cui si vogliono generare informazioni future sulla base di dati temporali, si lavora con i modelli Forecast. Ad esempio un modello potrà evidenziare l’andamento delle azioni nei successivi tre mesi o per l’anno a venire, oppure la resa produttiva di un’azienda agricola per la stagione successiva.
Attraverso l’analisi delle informazioni passate – con necessità di collocarle in un periodo di tempo preciso – si è in grado di rilevare regolarità cicliche o stagionalità per costruire serie storiche. L’andamento futuro è determinato attraverso le variabili qualitative ponendo il focus sugli attributi di ogni informazione presente e passata.
Il Forecast presenta infatti algoritmi ricorsivi che effettuano analisi temporali differenti in base all’obiettivo prefissato: si possono considerare in peso e misura maggiore i dati recenti o dare più rilevanza al passato; è inoltre possibile evidenziare trend e stagionalità. I tre algoritmi utilizzati per questo tipo di analisi sono:
-
Single Exponential Smoothing
-
Double Exponential Smoothing
-
Triple Exponential Smoothing
In questi algoritmi il peso delle rilevazioni passate decresce esponenzialmente con l’aumentare del tempo. Tre parametri (alpha, beta, gamma) permettono di perfezionare la creazione del modello: considerare dati recenti significa aumentare il valore di alpha, invece dare più peso a rilevazioni che generano trend e stagionalità più datate richiede valori di beta e gamma vicini allo zero.
Un analisi in cui non si considerano trend e stagionalità utilizza il primo algoritmo; se invece, si ha la necessità di considerare anche il trend di variazione dei dati, si utilizza il secondo. Se infine interessa evidenziare anche la stagionalità ci si avvale del terzo algoritmo.
In figura, il grafico di un’analisi relativa ad una serie di dati mensili di vendita fino all’anno 2015: tramite l’algoritmo di Forecast Triple Exponential Smoothing, è stato possibile predire le vendite per il biennio successivo. È importante evidenziare come le vendite per l’anno 2015 rispecchino l’andamento previsto dal modello. Per questa analisi sono state considerate stagionalità e vendite cicliche come è possibile notare dalla presenza di picchi vendite nel periodo finale di ogni anno. Tuttavia non è possibile fare previsioni corrette per molti anni successivi.
Conclusioni
Per creare un modello di previsione ottimo è sempre necessario costruire le ipotesi in modo da avere un’analisi valida per lunghi periodi. È altresì fondamentale rivalutare periodicamente la bontà del modello, e in base alle assunzioni fatte verificarne la validità in rapporto ai cambiamenti rilevati. Analizzeremo altri modelli predittivi nei prossimi articoli.
