PREVISIONE

Analisi e previsione di serie storiche con modelli statistici e di machine learning per supportare decisioni strategiche

La previsione di una serie storica è il processo inferenziale di un andamento futuro attraverso lo studio del comportamento passato della serie. È un tentativo sistematico di capire le prestazioni future di un business o il comportamento di un sistema.

La previsione di serie storiche per aHead Research

Il focus primario degli specialisti di aHead Research è di analizzare e comprendere le esigenze di business del cliente e identificare il tipo di previsione più adatto al fine di supportare un processo decisionale che dia valore al business. Le aree di interesse relative all’analisi e previsione di serie storiche riguardano, tra gli altri, il demand planning, la work-force optimization, la predictive maintenance e l’assortment planning.
La previsione di serie storiche coinvolge una gamma di applicazioni vasta ed eterogenea, tra cui: previsioni della domanda, economiche, di produzione di beni, finanziarie, di variabili ambientali, di grandezze elettriche, di guasti, di andamenti dei macro-trend, di dati clinici e altro ancora.

Supporto alla previsione

La previsione delle serie temporali non è infallibile e non è appropriata per tutte le situazioni. L’obiettivo degli specialisti di aHead Research è di fornire un modello di analisi capace di produrre un insieme non ambiguo di regole per capire quando si dovrebbe o non si dovrebbe usare la previsione: gli analisti guidano infatti il processo di integrazione di una strategia previsionale evidenziandone i benefici nel processo decisionale e i limiti. I nostri specialisti sono consapevoli dell’errore previsionale e lo monitorano gestendolo in un’ottica risk-based. Le nostre strategie previsionali prevedono tool automatici per il monitoraggio dell’accuratezza predittiva, della qualità dei dati in ingresso al sistema e la presenza di fluttuazioni casuali o indicanti outlier/ novità (problema noto come outlier/ novelty/ anomaly detection dipendendo dall’applicazione).

Supporto alla previsione

Modelli previsionali

La vocazione di aHead Research è di attuare un trasferimento tecnologico tra il mondo della ricerca e l’industria, pertanto il nostro obiettivo è fornire ai nostri partner e clienti modelli statistici e di machine learning all’avanguardia nell’ambito dell’analisi e previsione delle serie storiche. L’analisi delle serie temporali comporta lo sviluppo di modelli per ottenere una comprensione dei dati per capire le cause sottostanti. In relazione ai modelli predittivi basati su machine learning la nostra libreria previsionale si avvale di topologie di reti neurali ricorrenti come le RNN, GRU e LSTM, oltre che a modelli statistici di tipo autoregressivo. Le prime sono particolarmente indicate per serie storiche che seguono un andamento complesso con correlazione tra istanti anche molto lontani tra loro, che possono presentare dati mancanti e per le quali si vogliono effettuare previsioni di lungo periodo; i modelli di tipo autoregressivo, come VAR, Bayesian VAR, SARIMA, ARIMAX, sono invece efficaci per prevedere serie con forti componenti stagionali o trend di lungo periodo. Tra i modelli statistici ci avvaliamo anche di algoritmi all’avanguardia come i modelli GAM (Generalized Additive Models) che permettono l’interpretabilità della previsione attraverso una scomposizione delle componenti di una serie storica (trend, stagionalità,…). Le ricerche scientifiche condotte in collaborazione con i nostri partner universitari ci hanno inoltre permesso di sviluppare modelli previsionali per serie storiche basati sui Transformers, i quali si stanno rilevando molto promettenti in termini di accuratezza e efficienza previsionale, oltre che a migliorare e ottimizzare molti degli algoritmi classici.

Modelli previsionali

La vocazione di aHead Research è di attuare un trasferimento tecnologico tra il mondo della ricerca e l’industria, pertanto il nostro obiettivo è fornire ai nostri partner e clienti modelli statistici e di machine learning all’avanguardia nell’ambito dell’analisi e previsione delle serie storiche. L’analisi delle serie temporali comporta lo sviluppo di modelli per ottenere una comprensione dei dati per capire le cause sottostanti. In relazione ai modelli predittivi basati su Machine Learning la nostra libreria previsionale si avvale di topologie di reti neurali ricorrenti come le RNN, GRU e LSTM, oltre che a modelli statistici di tipo autoregressivo. Le prime sono particolarmente indicate per serie storiche che seguono un andamento complesso con correlazione tra istanti anche molto lontani tra loro, che possono presentare dati mancanti e per le quali si vogliono effettuare previsioni di lungo periodo; i modelli di tipo autoregressivo, come VAR, Bayesian VAR, SARIMA, ARIMAX, sono invece efficaci per prevedere serie con forti componenti stagionali o trend di lungo periodo. Tra i modelli statistici ci avvaliamo anche di algoritmi all’avanguardia come i modelli GAM (Generalized Additive Models) che permettono l’interpretabilità della previsione attraverso una scomposizione delle componenti di una serie storica (trend, stagionalità,…). Le ricerche scientifiche condotte in collaborazione con i nostri partner universitari ci hanno inoltre permesso di sviluppare modelli previsionali per serie storiche basati sui Transformers, i quali si stanno rilevando molto promettenti in termini di accuratezza e efficienza previsionale, oltre che a migliorare e ottimizzare molti degli algoritmi classici.

Machine Learning per la previsione di serie temporali

L’apprendimento automatico fornisce ad un sistema la capacità di imparare automaticamente e migliorare le sue raccomandazioni usando solo i dati, senza bisogno di una programmazione specifica. È uno strumento estremamente potente e dovrebbe essere sfruttato in qualsiasi contesto in cui i dati possono anticipare o spiegare i cambiamenti dell’andamento di una serie storica. Quando un sistema di machine learning viene alimentato con grandi moli di dati il sistema può identificare relazioni non evidenti all’occhio umano, importanti per migliorare l’accuratezza dei modelli previsionali e prendere decisioni migliori. Ad esempio, nella previsione della domanda il machine learning può aiutare ad apprendere automaticamente variazioni dovute a cambi di stagionalità o di prezzo, oppure a promozioni o eventi particolari.

Machine Learning per la previsione di serie temporali

Strategie previsionali

Le nostre strategie previsionali si basano su un framework metodologico che grazie a componenti software riusabili permettono di abilitare approcci di: previsione ensemble (la previsione fornita è il risultato dell’elaborazione di più modelli); ottimizzazione degli iper-parametri, le cui strategie di ottimizzazione sono espressione di un lavoro congiunto con il team di Ricerca Operativa di aHead Research; tecniche di AutoML per la gestione ottimizzata e automatica delle operazioni di addestramento e valutazione dei modelli (ad esempio MLOps).

Strategie previsionali

Analisi delle serie storiche

Il nostro obiettivo non è soltanto quello di fornire una previsione relativa ad una serie storica ma anche valorizzare il contenuto informativo intrinseco della serie, per trasformarlo in un importante valore di business grazie alla nostra esperienza. Offriamo strategie di decomposizione della serie storica per l’identificazione di trend, stagionalità, momenti statistici e outlier, arrivando ad estrarre da una serie storica più di 70 caratteristiche con una precisa definizione statistica, che possono essere utilizzate da sistemi di machine learning per supportare processi di classificazione o regressione. Infine, ci avvaliamo di tecniche di Change-Points analysis per il rilevamento dei punti in cui la distribuzione di probabilità di un processo stocastico associato ad una serie temporale cambia. Questo tipo di analisi permette ad esempio di localizzare i cambiamenti di trend e stimarne quantitativamente l’intensità.