Machine Learning per il futuro
Equilibri tra modelli comuni, semplicità di analisi e Machine Learning per una efficace trasformazione digitale dei processi di Forecasting
di Romeo Scaccabarozzi, Amministratore delegato di Axiante
Fare previsioni significa tentare di quantificare il futuro, per prepararsi al meglio agli eventi attesi. Ogni azienda, piccola o grande che sia, sviluppa previsioni per stimare la propria performance futura e definire obiettivi, piani di risorse, aspettative degli investitori e piani di compensazione.
Nonostante i passi in avanti compiuti sul piano tecnologico, il rituale trimestrale o annuale delle previsioni aziendali è ancora un processo arcaico. La maggior parte delle organizzazioni finisce per dedicare settimane allo sviluppo delle previsioni per gli anni successivi.
Subito prima della fine dell’anno fiscale, il top management definisce le direttive. I team finanziari propongono gli obiettivi dell’anno, basati su ciò che è già stato stabilito in termini di aspettative o soddisfazione degli investitori. Ciascun manager sviluppa le proprie previsioni, che poi vengono “manipolate” per raggiungere gli obiettivi finanziari.
L’intero processo di previsione si trasforma in un’interessante negoziazione sociopolitica, senza metodologia comune. Ogni anno e ogni trimestre sono diversi, ma tradurli in previsioni comporta sempre un grande dispendio di risorse di tempo e di denaro.
Mancano metodologie di previsione comuni
A causa della mancanza di strumenti di previsione comuni, ogni manager ha un modo molto diverso di approcciare il tema. Ciascuno crea un modello di previsione, che viene costantemente modificato per rispettare le scadenze dell’ultimo minuto e far sì che i numeri sembrino corretti. Nessuno dei modelli utilizza un insieme comune di ipotesi o modelli di previsione.
Di conseguenza, varie funzioni all’interno dell’azienda creano molteplici previsioni diverse, nessuna delle quali è comparabile o ripetibile.
Ogni previsione è personalizzata in base all’istinto del manager ed eventuali modifiche richiedono di ripetere l’intera operazione. Infine, ogni previsione viene inserita in un quadro di previsione aziendale più ampio, che aggrava e amplifica gli errori e le approssimazioni nelle stime finali.
Difficile integrare input provenienti dalle vendite
In qualsiasi organizzazione, i team di vendita sono generalmente più vicini al cliente e hanno la massima visibilità su potenziali premi, perdite e lead aziendali. Sfortunatamente, di rado i dati sulle vendite vengono mantenuti in modo accurato. Anche se ciò avviene, difficilmente tali dati vengono quantificati nei ricavi netti previsti per trimestre e integrati nel processo di previsione dell’azienda.
Le pipeline di vendita, che guardano al futuro, e gli strumenti di previsione aziendale, che si rifanno ai dati storici, sono spesso disconnessi.
Gli strumenti della pipeline di vendita non sono collegati ai modelli di previsione utilizzati dai manager che operano nell’Office of Finance. Di conseguenza, i manager trascorrono giorni interi cercando di raccogliere le informazioni giuste per sviluppare una previsione realistica.
Oggi esistono ottimi prodotti software statistici sul mercato, ma la maggior parte dei manager non utilizza alcuna analisi quantitativa per le proprie previsioni. Preferiscono piuttosto seguire un approccio semplicistico di estrapolazione lineare, perché non hanno accesso a questi strumenti o perché non hanno le conoscenze per usarli.
La mancanza di una base quantitativa è uno dei motivi principali per cui la maggior parte delle previsioni si discosta significativamente dalla performance reale. Al contrario, una previsione basata su una solida analisi quantitativa fornirebbe una buona base di partenza, che potrebbe poi essere modificata per tenere conto delle variazioni aziendali.
Approcci e metodi previsionali
Le previsioni aziendali possono essere disorganizzate e difficili da comprendere senza il giusto approccio. Ecco perché, una volta che si arriva ad avere una conoscenza sufficiente del proprio mercato e di cosa ci si può aspettare, è essenziale definire uno o più metodi di previsione. Quelli più comunemente adottati sono quattro:
- metodo quantitativo: utilizzato al meglio per le previsioni a breve termine, analizza numeri e dati per prevedere il futuro.
- metodo qualitativo: utilizzato al meglio per le previsioni a breve termine, analizza informazioni e opinioni tratte da ricerche di mercato, creando potenziali pregiudizi.
- analisi delle serie temporali: utilizza i dati nel tempo e il ragionamento statistico per prevedere in che modo il tempo influisca sulla variabile chiave.
- approccio basato sugli indicatori: considera variabili e valori rappresentativi di un tema-fenomeno, per stimare il futuro.
I dati delle serie temporali sono ormai entrati a far parte della nostra quotidianità. Secondo un recente sondaggio condotto sul settore energetico globale, il 95% dei data scientist ritiene che la tecnica di modellazione più utilizzata sia la previsione. E questo ha molto senso: i dati delle serie temporali possono acquisire stagionalità, tendenze, cicli economici ricorrenti e altro ancora, il tutto in un unico flusso di dati.
Gestire l’incertezza, tra analisi statistiche e Machine Learning
La necessità di generare una previsione probabilistica piuttosto che una previsione puntuale sta diventando sempre più importante in un momento in cui le aziende sono chiamate a gestire la volatilità aggiuntiva. Tecniche come le previsioni conformi e la regressione quantilica si sono dimostrate molto efficaci nella pratica.
In materia di previsioni, poi, è oggi in atto un confronto costante tra i metodi statistici classici e gli approcci di Machine Learning. Fare previsioni è un compito complesso: i manager devono affrontare diverse sfide e perdere tempo prezioso nel processo, che diventa ancora più arduo a causa degli approcci incoerenti e dell’assenza di un insieme comune di presupposti.
Ci sono situazioni in cui i metodi statistici funzionano bene e altre in cui i metodi di Machine Learning vanno preferiti.
Alcuni studi empirici stanno, inoltre, dimostrando che la combinazione tra i due metodi tende a dare ottimi risultati. Attraverso un benchmarking rigoroso, è stato possibile scoprire che i modelli statistici semplici a volte superano i modelli di Deep Learning più complessi in termini di accuratezza, efficienza e costi. Concentrandosi sulla semplicità e aderendo ai principi primi, è possibile sviluppare modelli non solo accurati, ma anche efficienti ed economici.
Leggi altro su Formazione e Impresa