Perché si fanno previsioni ?
Si fanno previsioni
per pianificare un’azione quando c’è un lag fra momento della decisione e momento in cui l’evento che ci interessa si verifica.
ESEMPI
decisioni di investimento
decisioni sulla gestione delle scorte
decisioni sullo scheduling della produzione
Le previsioni in ambito micro e macroeconomico sono dei supporti decisionali secondo dei criteri oggettivi e un’ottica scientifica.
Subito alcune osservazioni
Talvolta accade che una previsione può far sì che il fenomeno stesso si realizzi (es. previsioni sul rialzo di un titolo).
Talvolta accade che una previsione può far sì che il fenomeno non si realizzi (es. la previsione di un aumento dei prezzi può mettere in atto interventi di politica economica che lo frenano).
Le previsioni in ambito economico e sociale indagano fenomeni collettivi, caratterizzati da esiti incerti e non fenomeni deterministici.
Gli strumenti statistici di previsioni utilizzano modelli di rappresentazione della realtà. Non ci sono modelli che
rappresentano i fenomeni economico-sociali nella loro interezza perché se lo fossero la loro affidabilità sarebbe ridotta dalla
mancanza di informazioni molto dettagliate (es. dati macroeconomici a livello settimanale).
Scopo e oggetto delle previsioni
Previsioni in ambito aziendale Æ pianificazione e controllo
Previsioni in ambito macroeconomico Æ pianificazione economica e interventi di politica economica e sociale
In un’impresa, la previsione si applica:
su eventi esterni, difficilmente controllabili (es. decisioni governativi nazionali e sovranazionali, azione dei clienti, dei concorrenti, evoluzione del mercato ecc.)
su eventi interni e controllabili (es. decisioni sulle azioni di marketing, sulla produzione ecc.) si applicano metodi di
decisione
La necessità di fare previsioni nasce dal volere dipendere meno possibile, in modo passivo, dagli eventi esterni
Area dell’organizzazione e previsioni
Alcune aree in cui si esplica l’attività di previsione:
organizzazione della produzione (production scheduling), delle scorte, del personale, ecc. Æ breve termine
acquisizione delle risorse: materia prima, personale, macchinari, per soddisfare future necessità produttive Æ medio termine
determinazione della quantità di risorse necessarie nel lungo periodo (prospettiva di crescita, entrata in nuovi mercati, ecc.) Æ lungo termine
La diversa prospettiva (di breve, medio, lungo termine) implica
l’impiego di differenti tecniche di previsione per costruire un vero e proprio sistema previsionale
Differenti situazioni di previsione: caso 1
Evoluzione in crescita e presenza di oscillazioni regolari da anno in anno
Si tratta di un fenomeno relativamente semplice da prevedere
0 5000 10000 15000 20000 25000
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 Anno
Milioni Kw/h
Dati mensili sulla produzione di energia elettrica (gennaio 1990-dicembre 1999)
Differenti situazioni di previsione: caso 2
Portata del Nilo
Evoluzione in decrescita e presenza di oscillazioni non regolari
Differenti situazioni di previsione: caso 3
Vendite di auto in Giappone dal 1949 al 1989
Trend fortemente crescente
Categorie dei metodi di previsione
Metodi quantitativi: quando è disponibile una informazione quantitativa adeguata
Time series (analisi delle serie storiche): prevedere la continuazione della evoluzione storica (passata) Æ andamento delle vendite, del PIL, ecc.
Metodi esplicativi: capire come variabili esplicative (es. prezzi) influenzano la variabile da prevedere (es. vendite)
Metodi qualitativi: quando non è disponibile una informazione quantitativa adeguata ma esiste una conoscenza di tipo qualitativo
Esplorativi: opinioni di esperti sull’evoluzione futura del fenomeno
Normativi: si fanno previsioni su come fare per ottenere un determinato obiettivo dati certi vincoli di tempo e/o di risorse (es. programmazione a lungo termine).
Metodi
Metodi normativi Metodi o modelli
esplicativi Azione di
fenomeni esterni
Metodi esplorativi Analisi delle
serie storiche La storia ripete sé
stessa
Qualitativi Quantitativi
Caratteristiche dei fenomeni
Riassumendo: 4 categorie dei metodi di previsione
Metodi quantitativi di previsione
Possono essere applicati quando:
sono disponibili informazioni sull’evoluzione passata del fenomeno
queste informazioni sul passato possono essere quantificate nella forma di dati numerici
si può ragionevolmente assumere che il pattern passato continuerà nel futuro (assunzione di continuità Æ è un’ipotesi sottostante a tutti i metodi quantitativi di previsione)
Molto ampia la gamma delle diverse tecniche:
dai modelli più semplici (naive) basati sull’intuizione (sono usati da chi preferisce un approccio basato su giudizi; è difficile valutare la loro
accuratezza)
ai modelli più sofisticati e specifici per il singolo problema previsivo
Una classificazione interessante:
Metodi quantitativi di previsione (senso stretto) e decisione/controllo
Previsione in senso stretto
1. Al tempo tn vogliamo prevedere i valori che di un fenomeno assumerà al tempo t>tn
Decisione/controllo
Si supponga di avere a che fare con 2 sole variabili x e y, e che:
le variazioni di x influenzano y
x sia controllabile (ovvero possiamo fissarne i valori)
non possiamo controllare y ma però desideriamo che y si avvicini il più possibile ad un valore prefissato
2. Quali valori sceglieremo per x affinché y tenda a discostarsi il meno possibile dal valore desiderato ?
Per risolvere i due quesiti dobbiamo capire il meccanismo con cui i dati si muovono nel tempo (caso 1) e/o insieme (caso 2).
Assume che la variabile da prevedere Y dipenda da un’altra (o più) variabile X dette variabile esplicativa o indipendente
Esempio:
PIL=f(politica monetaria e fiscale, inflazione, ecc., errore)
Metodi quantitativi: modelli esplicativi
componente sistematica
La componente di errore sta ad indicare che la relazione fra le variabili esplicative e la variabile dipendente non è esatta e che parte del PIL non può essere determinato dal modello
Scopo dei modelli esplicativi:
rappresentare mediante un modello matematico la relazione fra Y (var. dipendente da prevedere) e le X (var. esplicative)
usare tale modello per valutare l’effetto di una variazione delle X su
Metodi quantitativi: modelli di serie storiche
Trattano il sistema da prevedere come una scatola nera e non si interessano di individuare i fattori che influenzano l’andamento del fenomeno da prevedere
La previsione dei dati futuri è basata sui valori passati della stessa variabile da prevedere e da disturbi o errori passati e NON sui valori di eventuali variabili esplicative
Lo scopo consiste nello scoprire il pattern storico per poi estrapolare tale pattern nel futuro (assunto di continuità)
Perché può convenire trattare il sistema come una scatola nera:
perché è difficile capire il suo funzionamento
si capisce il suo funzionamento ma non si riesce a misurare le
componenti e a rappresentare il tutto tramite un modello formalizzato
siamo interessati a prevedere ciò che accadrà e non a capire perché accadrà
Esempio: serie sulle macchie solari
Macchie solari dal 1749 al 1924
SPOTS
400 800 1200 1600
Esempio di modello di serie storica Esempio di modello di serie storica
Il dato mensile del PIL non cambia drasticamente rispetto al mese precedente o anche al semestre precedente
Si può inoltre ragionevolmente pensare che il PIL del mese t dipenda dal livello del PIL del mese precedente e/o dei mesi precedenti
PILt+1=f(PILt,PILt-1 , PILt-2, …, erroret+1 )
L’equazione è simile alla precedente ma le componenti che appaiono nella parte destra sono i valori passati della variabile che appare nella parte sinistra e gli errori passati (che sono compresi in PILt,PILt-1 , PILt-2, ecc.).
Anche in questo caso, come nel metodo esplicativo, è necessario specificare e determinare la forma f(.).
Riassumendo: differenze fra modelli di serie storiche e esplicativi
Serie storiche: la sola informazione utilizzata è la serie stessa yt+1=f(yt,yt-1 , yt-2, …, yt , erroret+1)
Scatola nera
Input Output
Modelli esplicativi: si utilizzano informazioni su più fenomeni (variabili esplicative e variabile dipendente)
y=f(x1,x2, …, yk, errore)
Input
Relazioni fravariabili
Output
I metodi esplicativi sono più dispendiosi in termini di informazioni necessarie.
Scopo del modello (nei due approcci)
Lo scopo del modello è quello di individuare ed isolare la componente sistematica.
Il modello fallisce lo scopo se:
non siamo capaci di individuare bene la componente sistematica per cui molta parte di questa viene ad essere attribuita erroneamente alla componente di disturbo (errore)
il modello include nella componente sistematica anche parte delle oscillazioni dovute alla componente di disturbo (caso di overfitting)