Serie temporali (Supply Chain)

Le serie temporali sono uno degli strumenti matematici più basilari e versatili utilizzati nel business. In sostanza, una serie temporale consiste in una successione di punti dati indicizzati nel tempo. Una serie temporale può quindi modellare qualsiasi cosa, dall’evoluzione delle vendite di un’azienda a quella dei prezzi dei loro prodotti, su base annuale, mensile, giornaliera o persino oraria. Le serie temporali sono particolarmente intuitive, il che le rende ideali per descrivere, visualizzare, modellare e infine prevedere un numero di variabili.

Statistiche descrittive con le serie temporali

L’utilizzo principale delle serie temporali è descrittivo. Esse possono condensare una grande quantità di informazioni in un unico grafico o tabella. Tuttavia, poiché le serie temporali sono particolarmente intuitive, le persone possono facilmente semplificarle eccessivamente o fraintenderle. Una fonte di interpretazione errata risiede nell’aggregazione temporale utilizzata dalla serie. I mesi del nostro calendario rappresentano un modo alquanto arbitrario di suddividere il tempo e non si dovrebbe illudersi che siano omogenei da un punto di vista aziendale. Un numero differente di giorni e weekend in un mese può spiegare quella che inizialmente potrebbe apparire come una discrepanza nei dati. Altri fenomeni spiegano la stagionalità nelle variazioni dei dati. Le festività, come il Natale o il Black Friday, causano sistematicamente picchi di vendita, così come i giorni di paga all’inizio del mese. Tuttavia, tale ciclicità non coincide necessariamente con il nostro calendario. Tradizioni come il Ramadan o il Capodanno cinese causano variazioni cicliche nei dati, anche se il ciclo non è mensile o annuale. Inoltre, bisogna fare attenzione a trarre conclusioni affrettate dalle serie temporali o a stabilire correlazioni troppo semplicistiche tra i grafici. È quindi importante tenere presente ciò che distingue una variabile dall’altra (le vendite dalla domanda o dai profitti).

Visualizzazione delle serie temporali

Le serie temporali sono spesso utilizzate anche per leggere e visualizzare i dati, nonché per confrontare differenti serie. Ancora una volta, tuttavia, i rischi insiti in tali grafici risiedono nella loro apparente semplicità. Diverse tecniche di rappresentazione possono quindi essere impiegate per ottenere la migliore visualizzazione possibile dei dati. Ad esempio, collegare i punti dati con delle linee dà l’impressione di continuità. Questo può essere utile, ad esempio, quando si mappa l’evoluzione oraria dei prezzi delle azioni.

Tuttavia, nel caso di dati particolarmente discontinui, un grafico a bucket può essere più appropriato.

Quando si legge una serie temporale, è fondamentale prestare attenzione all’asse x. Alcuni grafici si concentrano su piccoli intervalli di valori per enfatizzare le variazioni dei dati, con il rischio che tali variazioni vengano sopravvalutate. Altri fenomeni, come la crescita esponenziale, vengono invece mal rappresentati da una scala lineare sull’asse x. Si può quindi optare per una scala logaritmica, nella quale le fasi iniziali della crescita sono percepibili tanto bene quanto quelle successive.

Modellizzazione e previsione

Le serie temporali sono frequentemente utilizzate per supportare modelli statistici. L’obiettivo di tali modelli è duplice: spiegare il passato e prevedere il futuro. In supply chain, prevedere la domanda futura è necessario per determinare gli ordini di acquisto e produzione e per minimizzare i rischi di sovrapproduzione. È comune distinguere, all’interno di una serie temporale, un livello primario chiamato baseline, un’evoluzione a lungo termine detta trend, variazioni cicliche o periodiche chiamate stagionalità e altre variazioni casuali, che definiamo rumore. Questo ci permette di distinguere le variazioni dei dati dovute a cicli regolari da un trend sottostante in diminuzione o in aumento. Tali schemi costituiscono la base per le previsioni economiche.

Esistono tre principali tipi di previsioni, ciascuno dei quali serve a scopi differenti.

• Le previsioni puntuali intendono fornire il valore futuro “ottimale” di una variabile secondo una metrica di errore specifica. Questo è il caso, ad esempio, delle previsioni meteo, che per ogni giorno prevedono un singolo valore di temperatura. Una previsione puntuale non ha lo scopo di rappresentare fedelmente l’evoluzione della variabile (il lettore sa benissimo che la temperatura probabilmente varierà attorno al valore previsto), ma serve come indicazione utile e come solida base per le scelte future.
• Le previsioni probabilistiche forniscono l’intera distribuzione di probabilità del valore futuro. Gli intervalli di confidenza sono frequentemente utilizzati per visualizzare tali previsioni. Queste previsioni possono, ad esempio, essere utili per scopi speculativi.
• Le previsioni generative fanno apparire l’evoluzione della variabile come “naturale” o “plausibile”, permettendo una certa dose di contingenza e evoluzione casuale. Questa “prospettiva generativa” può essere utile durante l’esecuzione di simulazioni.

L’ecosistema software intorno alle serie temporali

Numerosi tipi di software sono ora impiegati per tenere conto delle complessità legate alle serie temporali e per fornire modelli o previsioni che rispondano al meglio alle esigenze degli utenti. Si possono trovare database, strumenti open source e persino linguaggi di programmazione interamente dedicati alle serie temporali. Numerosi metodi di previsione sono stati inoltre sviluppati. Ad esempio, alcuni software stimano semplicemente i valori futuri tramite una media mobile, mentre altri optano per lo smoothing esponenziale, per cui il peso dei valori passati diminuisce esponenzialmente man mano che questi sono più distanti nel tempo.

Le serie temporali sono dunque un’astrazione particolarmente versatile e uno strumento statistico di base. Tuttavia, la loro apparente semplicità può essere fuorviante. Numerosi fattori possono alterare il modo in cui i dati vengono presentati o spiegare variazioni evidenti nei dati. Pertanto, è essenziale sapere come vengono raccolti i dati ed essere consapevoli dei fattori sopra menzionati.