Serie Temporali (Supply Chain)

Le serie temporali sono uno degli strumenti matematici più basilari e versatili utilizzati nel mondo degli affari. Semplicemente, una serie temporale consiste in una serie 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 addirittura oraria. Le serie temporali sono particolarmente intuitive, il che le rende ideali per descrivere, visualizzare, modellare e infine prevedere una serie di variabili.

Statistiche descrittive con le serie temporali

L’uso principale delle serie temporali è descrittivo. Le serie temporali possono condensare una grande quantità di informazioni in un solo grafico o tabella. Tuttavia, poiché le serie temporali sono particolarmente intuitive, le persone possono facilmente semplificarle e interpretarle erroneamente. Una fonte di interpretazione errata è l’aggregato temporale utilizzato dalla serie temporale. I mesi del nostro calendario sono un modo in qualche modo arbitrario di suddividere il tempo e non bisogna illudersi che i nostri mesi siano omogenei dal punto di vista aziendale. Un numero disuguale di giorni e fine settimana in un mese può spiegare ciò che potrebbe apparire inizialmente come discrepanze nei dati. Altri fenomeni spiegano la ciclicità nella variazione dei dati. Ad esempio, le festività come il Natale o il Black Friday causano sistematicamente picchi nelle vendite, così come l’inizio del mese causa picchi di pagamenti. 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 fare attenzione a trarre conclusioni affrettate dalle serie temporali o a stabilire correlazioni troppo semplici tra i grafici. È quindi importante tenere presente ciò che distingue una variabile dall’altra (vendite dalla domanda o dai profitti).

Visualizzazione delle serie temporali

Le serie temporali vengono spesso utilizzate anche per leggere e visualizzare i dati, nonché per confrontare diverse serie. Ancora una volta, tuttavia, le insidie di tali grafici risiedono nella loro apparente semplicità. Pertanto, possono essere utilizzate diverse tecniche di mappatura per fornire la migliore visualizzazione possibile dei dati. Ad esempio, tracciare linee tra i punti dati dà un’impressione di continuità. Questo può essere utile quando si traccia, ad esempio, l’evoluzione oraria dei prezzi delle azioni.

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

Nella lettura di una serie temporale, bisogna prestare attenzione all’asse x. Alcuni grafici si concentrano su piccoli intervalli di valore al fine di enfatizzare le variazioni dei dati, con il rischio che queste variazioni vengano sovrastimate. Altri fenomeni, come la crescita esponenziale, sono anche rappresentati in modo errato da una scala lineare sull’asse x. È quindi possibile scegliere di utilizzare una scala logaritmica in cui le prime fasi di crescita possono essere percepite così come le ultime.

Modellazione e previsione

Le serie temporali vengono 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 produzione e ridurre al minimo i rischi di eccesso di magazzino. È comune distinguere, all’interno di una serie temporale, un livello primario chiamato linea di base, un’evoluzione a lungo termine chiamata trend, variazioni cicliche o periodiche chiamate stagionalità e altre variazioni casuali che chiamiamo rumore. Ciò ci consente di distinguere le variazioni dei dati legate a cicli regolari, da un trend sottostante in diminuzione o in aumento. Questi modelli forniscono la base per le previsioni economiche.

Ci sono tre tipi principali di previsioni, ognuno dei quali serve a scopi diversi.

• Le previsioni puntuali intendono fornire il “miglior” valore futuro di una variabile secondo una metrica di errore specificata. Questo è il caso ad esempio di una previsione del tempo, che per ogni giorno prevede un singolo valore di temperatura. Una previsione puntuale non mira a rappresentare fedelmente l’evoluzione di questa variabile (il lettore sa bene che la temperatura è probabile che varii intorno al suo valore previsto), ma serve come utile indicazione per il lettore e solida base per le loro scelte future.
• Le previsioni probabilistiche forniscono le distribuzioni di probabilità complete del valore futuro. Gli intervalli di confidenza vengono spesso utilizzati per visualizzare tali previsioni. Queste previsioni possono ad esempio essere utili per scopi speculativi.
• Le previsioni generative fanno apparire l’evoluzione della variabile “naturale” o “plausibile”, consentendo un certo grado di contingenza ed evoluzione casuale. Questa “prospettiva generativa” può essere utile durante l’esecuzione di simulazioni.

L’ecosistema software intorno alle serie temporali

Oggi vengono utilizzati numerosi tipi di software al fine di tenere conto delle complessità legate alle serie temporali e fornire modelli o previsioni che meglio soddisfino le esigenze degli utenti. È possibile trovare database, strumenti open-source e persino linguaggi di programmazione interamente dedicati alle serie temporali. Sono stati sviluppati numerosi metodi di previsione. Ad esempio, alcuni software stimano semplicemente i valori futuri con una media mobile, mentre altri tipi di software optano per la media esponenziale, il che significa che il peso dei valori passati diminuisce in modo esponenziale man mano che questi valori si allontanano nel tempo.

Le serie temporali sono quindi un’astrazione particolarmente versatile e uno strumento statistico di base. Tuttavia, la loro apparente semplicità può essere ingannevole. Una serie di fattori può alterare il modo in cui i dati vengono presentati o tener conto di variazioni significative nei dati. Conoscere come vengono raccolti i dati e essere consapevoli dei fattori sopra citati è quindi essenziale.