Previsioni piatte
Previsione statistica è una scienza controintuitiva. Questo è stato già detto in passato, ma vogliamo enfatizzare nuovamente questo punto.
Spesso, riceviamo richieste di supporto perché appena hanno inviato alcuni dati a Lokad, e le previsioni ottenute sono piatte. In altre parole, i valori previsti sono costanti per tutti i periodi futuri. Es: valori di vendita costanti per i prossimi 6 mesi, se stiamo considerando previsioni mensili a 6 mesi avanti.
È perfettamente chiaro, però, che non c’è alcuna possibilità che le vendite aziendali siano perfettamente piatte per i prossimi 6 mesi, quindi perché Lokad continua a produrre risultati così privi di significato?
Bene, sappiamo sicuramente che l’attività aziendale cambierà (almeno un po’) nei prossimi sei mesi. Nessun dubbio a riguardo. Tuttavia, il problema è: come possiamo produrre una previsione il più possibile vicina a quei cambiamenti futuri? Se prendiamo la strada statistica, allora abbiamo bisogno di un modello statistico per le previsioni.
Il problema è che abbiamo bisogno di un modello di previsione buono; e la regola fondamentale della previsione statistica è che più complesso è il modello, più dati sono necessari affinché il modello sia affidabile. I modelli che producono previsioni differenti per ogni passo avanti sono decisamente più complessi di quelli che producono lo stesso valore per tutti i passi successivi.
Al contrario, possiamo anche affermare che quei modelli più complessi sono anche meno affidabili su dataset limitati, il che significa che utilizzarli è molto probabile che diminuisca complessivamente la accuratezza delle previsioni in determinate situazioni.
Tornando alla situazione in cui le persone si lamentano delle previsioni piatte, ciò che solitamente accade è semplicemente che i dati appena caricati sono o molto brevi (ad esempio solo 3 mesi di storia mensile) o molto scarsi (come un eCommerce con solo poche vendite per ogni prodotto). In queste situazioni, Lokad spesso produce previsioni piatte.
Non è un bug, è una funzionalità per il miglioramento dell’accuratezza.
Commenti dei lettori (6)
Ciao Johan, la rappresentazione efficiente delle serie temporali all’interno dei database relazionali è un affare alquanto complicato. In breve, dipende molto dalla lunghezza delle serie temporali che stai considerando. Quindi, dubito che esista qualcosa di vicino a uno “Industry Standard” in quest’area. Inoltre, per il codice sorgente stesso tutto dipende molto dalla lunghezza e dal numero delle serie temporali considerate. Spero possa aiutare.
Joannes Vermorel (7 years ago)
Stiamo lavorando a un Progetto di Serie Temporali con una tipica Definizione di Serie Temporali e Osservazioni. Puoi eventualmente aiutarci con quanto segue:
- Hai una struttura “Industry Standard” per la Definizione delle Serie Temporali e le relative Osservazioni dal punto di vista del design di un DB?
- Qual è la migliore prassi in relazione al codice che rappresenta una serie temporale, ad es. [Level 1].[Level 2].[Sequence Number].[Version].
Ogni suggerimento e aiuto saranno apprezzati.
Johan Strydom (7 years ago)
Ciao Izi, è un pensiero interessante :-) Ci ho pensato fin dall’inizio a questo tipo di “attacco”, anche se non è ampiamente pubblicizzato sul nostro sito web. Fondamentalmente per fare ciò dovresti conoscere molto precisamente i dati che il tuo target invia a Lokad. Inoltre, devi conoscere con esattezza il tipo di correlazioni che stiamo osservando. I semplici spostamenti delle serie temporali non sono ’naturali’ nei dati di business reali. Infine, ti costerebbe qualcosa poiché non ci fidiamo dei dati provenienti da utenti non paganti. Per quanto riguarda le nostre tecniche, utilizziamo una complessa miscela di molti modelli, che include anche i classici ben noti. Questo argomento è ovviamente un po’ sensibile per noi, ma cercherò di pubblicare in seguito una panoramica non troppo dettagliata. Va inoltre notato che è ancora in rapida evoluzione.
Joannes Vermorel (9 years ago)
Quindi, se carico dati incorretti, accuratamente studiati per correlarsi a un fornitore/partner che so utilizzare il vostro prodotto, posso rovinare i suoi risultati? È interessante, e sembra anche piuttosto facile da fare! Altrimenti, sarebbe bello sapere di più sulle tecniche che usate (es: ARIMA, ANN, ecc.).
9 years ago
Ciao Stephen, Ottimo punto. Il problema principale qui è che l’utente potrebbe voler non solo le previsioni in sé, ma anche la logica dietro di esse o, almeno, un commento. In futuro, probabilmente cercheremo di migliorare le app client di Lokad con linee guida automatizzate, che “commenteranno” le previsioni fornite da Lokad.
Joannes Vermorel (9 years ago)
Ciao Joannes, Pensi che questo sia un feedback utile da parte degli utenti in termini di descrivere ciò che l’utente si aspetta? Potenzialmente si potrebbe limitare l’utente a poter eseguire un compito di previsione per alcuni mesi, ad esempio 3, e se superasse tale limite, verrebbe avvisato dell’impatto sulla precisione della previsione. Immagino che potrebbe dipendere anche dalla disponibilità dei dati storici, quindi forse ci sarebbe un modo per correlare i due, non ne sono sicuro. Inoltre, penso che dal punto di vista degli utenti, anche se potrebbe essere più corretto restituire loro una previsione piatta, potenzialmente potrebbero essere notificati in qualche modo su questo caso e/o ricevere l’opzione di accettarla o accettare un risultato più ingenuo?
Stephen (9 years ago)