di Maxime Barbier, Giugno 2021Le serie temporali sono uno degli strumenti matematici più basilari e versatili utilizzati nel mondo degli affari. In poche parole, una serie temporale consiste in una serie di punti di dati indicizzati nel tempo. Una serie temporale può quindi modellare qualsiasi cosa, dall'evoluzione delle vendite di un'azienda a quella dei prezzi dei suoi 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 certo numero di variabili.
![Time series illustration](/public/Upload/Support/Glossary/time-series.png)
Statistiche descrittive con serie temporali
L'uso primario delle serie temporali è descrittivo. Esse possono condensare una grande quantità di informazioni in un grafico o in una tabella. Tuttavia, poiché sono particolarmente intuitive, si potrebbe commettere l'errore di semplificarle eccessivamente o interpretarle male. Una fonte di fraintendimento è l'aggregato temporale che la serie temporale utilizza. I mesi del nostro calendario sono un modo un po' arbitrario di sezionare il tempo e non bisogna pensare che essi siano omogenei da un punto di vista economico. La disparità in termini di numero di giorni e di fine settimana in un mese può fornire una spiegazione per quella che potrebbe apparire inizialmente come una discrepanza nei dati. Altri fenomeni spiegano la ciclicità nella variazione dei dati. Le feste, come il Natale o il Black Friday, provocano sistematicamente dei picchi nelle vendite per esempio, così come i giorni in cui vengono erogati gli stipendi. Tuttavia, tale ciclicità non si adatta necessariamente al 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 essere cauti nel trarre conclusioni affrettate dalle serie temporali o nello stabilire correlazioni troppo semplici tra i grafici. È quindi importante tenere a mente ciò che distingue una variabile dall'altra (le vendite dalla domanda o dai profitti).
Visualizzare le serie temporali
Le serie temporali sono spesso usate per leggere e visualizzare i dati, così come per confrontare diverse serie temporali tra loro. Ancora una volta, tuttavia, le insidie di tali grafici risiedono nella loro apparente semplicità. Diverse tecniche di mappatura possono quindi essere utilizzate per fornire la migliore visualizzazione possibile dei dati. Per esempio, disegnare delle linee tra i punti dei dati dà un'impressione di continuità. Questo può essere utile quando si traccia, per esempio, l'evoluzione oraria dei prezzi delle azioni.
Tuttavia, nel caso di dati particolarmente disomogenei, un grafico bucket può essere più appropriato.
Quando si legge una serie temporale, si deve anche prestare molta attenzione all'asse x. Alcuni grafici si concentrano su intervalli di valori piccoli per enfatizzare le variazioni dei dati, con il rischio che queste variazioni siano sopravvalutate. Altri fenomeni, come la crescita esponenziale, sono anche mal rappresentati da una scala lineare sull'asse x. Si può quindi scegliere di utilizzare una scala logaritmica dove le prime fasi della crescita possono essere percepite altrettanto bene di quelle successive.
Modellazione e previsioni
Le serie temporali sono spesso utilizzate per supportare modelli statistici. L'obiettivo di questi modelli è duplice: spiegare il passato e prevedere il futuro. Nella supply chain, prevedere la domanda futura è necessario per determinare gli ordini di acquisto e di produzione e per minimizzare i rischi di eccesso di scorte. È comune distinguere, all'interno di una serie temporale, un livello primario chiamato linea di base, un'evoluzione a lungo termine chiamata tendenza, variazioni cicliche o periodiche chiamate stagionalità, e altre variazioni casuali che chiamiamo rumore. Questo ci permette di distinguere le variazioni dei dati legate a cicli regolari, da una tendenza sottostante decrescente o crescente. Questi modelli forniscono la base per le previsioni economiche.
Ci sono tre tipi principali di previsioni, con scopi diversi.
- Le previsioni puntuali hanno come obiettivo quello di dare il "miglior" valore futuro di una variabile, secondo una determinata metrica di errore. È il caso di una previsione meteorologica, per esempio, che prevede per ogni giorno un solo valore di temperatura. Una previsione puntuale non mira a rappresentare fedelmente l'evoluzione di questa variabile (il lettore sa bene che la temperatura può variare intorno al suo valore previsto) ma serve come un'indicazione utile per il lettore e una base solida per le sue scelte future.
- Le previsioni probabilistiche forniscono le distribuzioni di probabilità complete del valore futuro. Gli intervalli di confidenza sono spesso usati per visualizzare tali previsioni. Tali previsioni possono per esempio essere utili a fini speculativi.
- Le previsioni generative fanno apparire l'evoluzione della variabile come "naturale" o "plausibile", permettendo una certa quantità di contingenza ed evoluzione casuale. Questa "prospettiva generativa" può essere utile quando si eseguono le simulazioni.
L'ecosistema software che ruota intorno alle serie temporali
Numerosi tipi di software sono ormai utilizzati per prendere in considerazione le complessità legate alle serie temporali e fornire modelli o previsioni che servano al meglio il progetto del loro utente. Si possono trovare banche dati, strumenti open-source e persino linguaggi di programmazione dedicati esclusivamente alle serie temporali. Sono stati sviluppati anche numerosi metodi di previsione. Per esempio, alcuni software stimano semplicemente i valori futuri con una media mobile, mentre altri tipi di software optano per il livellamento esponenziale, il che significa che il peso dei valori passati diminuisce esponenzialmente man mano che questi valori sono più lontani nel tempo.
Le serie temporali sono quindi un'astrazione particolarmente versatile e uno strumento statistico di base. Tuttavia, la loro apparente semplicità può essere fuorviante. Un certo numero di fattori può alterare il modo in cui i dati sono presentati o spiegare variazioni notevoli nei dati. Conoscere il modo in cui i dati vengono raccolti ed essere consapevoli dei suddetti fattori è quindi essenziale.