Abbiamo esaminato il processo di previsione presso una grande azienda industriale e confrontato l'accuratezza delle previsioni storiche con i primi 10 esperti di previsione internazionali. Alla fine del progetto, abbiamo incluso un modello statistico e siamo rimasti sbalorditi dal risultato: il modello statistico ha sovraperformato tutti. Da dove provenivano le deviazioni di precisione e come potevano essere evitate?
Dopo aver discusso con i meteorologi dell'industria e del settore bancario
Abbiamo scoperto che le aziende che hanno utilizzato il metodo qualitativo si sono basate sul processo decisionale individuale. Ciò è stato sorprendente considerando come questo metodo sia altamente esposto a pregiudizi nel processo decisionale, come l'errore delle congiunzioni. Condurre la previsione nell'ambito di una decisione di gruppo ridurrebbe l'impatto di questi pregiudizi e contribuirebbe a ridurre i pregiudizi individuali.
Il caso dell'utilizzo di più metodi di previsione
Oltre a utilizzare le decisioni di gruppo, abbiamo visto che un altro modo per ridurre le distorsioni è utilizzare più metodi di previsione come l'analisi delle serie temporali perché consente alle previsioni di confermarsi a vicenda. Sulla base delle conoscenze acquisite, abbiamo creato Indicio. Ma i problemi sopra menzionati sono solo una parte del problema. Se riduciamo lo zoom e guardiamo al quadro più ampio, troviamo numerosi difetti nel modo in cui le previsioni vengono condotte oggi.
Per quanto riguarda i modelli statistici e le previsioni, Excel può ottenere uno statistico solo finora.
L'uso indiretto di Excel per le previsioni presuppone che i fogli di calcolo vengano utilizzati come database; chiedere tale compito a Excel è uno dei motivi più noti delle inefficienze aziendali. L'identificazione degli indicatori principali richiede l'uso della correlazione per trovare le relazioni causali. Farlo in Excel può dare spazio ad alcune divertenti correlazioni, il che è l'incubo di un meteorologo.
Una correlazione buffa/spuria si verifica quando il modello statistico trova una relazione causale tra due correlazioni apparentemente disconnesse che non hanno nulla a che fare l'una con l'altra. Di conseguenza, ricevere correlazioni divertenti è a dir poco un disastro se si punta a una previsione accurata.
Esempi di correlazioni divertenti
Quando le organizzazioni hanno iniziato a raccogliere dati circa 60 anni fa, tali dati sono stati puliti e presentati in report standard che alla fine sono stati digitalizzati in quello che oggi chiamiamo software ERP (Enterprise Resource Planning) e BI (Business Intelligence).
Il primo funge da raccoglitore di dati e il secondo da analisi dei dati raccolti. Ciò che i due hanno in comune è che dispongono di modelli previsionali integrati, ma sono costruiti solo per descrivere lo sviluppo storico, il che li rende meno accurati. L'opposto è l'emergere dell'apprendimento automatico che ha consentito modelli predittivi ottimizzati per descrivere il futuro e quindi più accurati.
Molte organizzazioni utilizzano oggi una sorta di costellazione ERP/IB, che può generare una comprensione degli eventi passati e quindi trarne informazioni per modificare di conseguenza la produzione e il budget, ma, sfortunatamente, la mancanza di misure predittive e la scarsa precisione costringono gli utenti a trarre informazioni basate su un'accuratezza inadeguata rispetto ai dati predittivi fattuali.
La programmazione di modelli statistici in R per la previsione è piuttosto comune. Molte aziende assumono uno statistico per farlo. Tuttavia, può diventare rapidamente un'impresa costosa e dispendiosa in termini di tempo, considerando che tutti i modelli in uso devono essere esaminati e tutte le variabili devono essere testate. Inoltre, non è garantito che uno statistico possa farlo da solo a meno che non sia esperto di programmazione e statistica.
È anche un vantaggio essere un matematico esperto allo scopo di capire se nuove teorie e modelli sono utili allo scopo. Ma è raro trovare una persona che sia esperta in molte materie e che allo stesso tempo comprenda i fattori di mercato. Per chi è contrario al rischio, è consigliabile evitare di avere un solo dipendente, considerando quanto sia difficile per qualcuno comprendere appieno il codice creato da qualcun altro.
Una piattaforma come Indicio è stata creata pensando all'utente, per semplificare le previsioni. Basata sull'apprendimento automatico, l'interfaccia consente di condurre facilmente previsioni basate sulle ricerche più recenti, eseguire modelli statistici avanzati e incorporare big data contemporaneamente.
Sceglie gli algoritmi di machine learning più appropriati, quindi ottimizza automaticamente la pre-elaborazione dei dati, l'ingegneria delle funzionalità e i parametri di ottimizzazione per ciascun algoritmo per creare e classificare modelli estremamente accurati. Raccomanda quindi il set di modelli più ponderato da implementare in base ai dati e all'obiettivo di previsione dell'azienda.
Pertanto, invece di creare modelli statistici che richiederebbero mesi per essere sviluppati da uno statistico, Indicio può creare centinaia di modelli e implementare il modello con le migliori prestazioni in poche ore.
Prova in prima persona la facilità e l'accuratezza della piattaforma di previsione automatizzata di Indicio. Fai clic per avviare una demo virtuale oggi stesso e scopri come i nostri strumenti all'avanguardia possono semplificare il tuo processo decisionale.
Forniamo un software di previsione automatizzato che unisce metodi accademici all'avanguardia con indicatori principali specifici del mercato. Questo aiuta la tua organizzazione a raggiungere il massimo livello di precisione delle previsioni.
© 2025 Indicio Technologies Tutti i diritti riservati
