La stagionalità è uno dei modelli statistici più forti che può essere sfruttato per affinare le previsioni. Di seguito, 4 time-series aggregate a livello settimanale (159 settimane). I dati storici sono in rosso e le previsioni in viola. I marcatori verticali grigi indicano il 1° gennaio.

Quando si illustra la stagionalità, tutti (inclusi quelli di Lokad) tendono a usare serie temporali lunghe, proprio come le prime tre serie qui sopra. Infatti, è più visivo e più accattivante.

Tuttavia, le serie temporali lunghe non rappresentano la tua situazione abituale. In media, i beni di consumo hanno una durata non superiore a 3 o 4 anni. Pertanto, le serie temporali lunghe sono tipicamente una piccola minoranza nel tuo dataset. Peggio ancora, quelle serie temporali lunghe potrebbero essere outliers, che non riflettono il comportamento di altri prodotti a vita più breve.

Qui sopra, la quarta serie temporale corta è un caso molto più rappresentativo con meno di 1 anno di dati. In una situazione del genere, tuttavia, è molto meno chiaro come la stagionalità possa essere sfruttata. Il trucco di Lokad per farlo consiste nell’utilizzare un’analisi di serie temporali multiple.

Scopri di più sul nostro articolo sulla definizione della stagionalità