Milioni Kw/h

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

ƒ decisioni di investimento

ƒ decisioni sulla gestione delle scorte

ƒ 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

ƒ Talvolta accade che una previsione può far sì che il fenomeno stesso si realizzi (es. previsioni sul rialzo di un titolo).

ƒ 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).

ƒ Le previsioni in ambito economico e sociale indagano fenomeni collettivi, caratterizzati da esiti incerti e non fenomeni deterministici.

ƒ 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

ƒ Previsioni in ambito aziendale Æ pianificazione e controllo

ƒ Previsioni in ambito macroeconomico Æ pianificazione economica e interventi di politica economica e sociale

In un’impresa, la previsione si applica:

ƒ su eventi esterni, difficilmente controllabili (es. decisioni governativi nazionali e sovranazionali, azione dei clienti, dei concorrenti, evoluzione del mercato ecc.)

ƒ 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:

ƒ organizzazione della produzione (production scheduling), delle scorte, del personale, ecc. Æ breve termine

ƒ acquisizione delle risorse: materia prima, personale, macchinari, per soddisfare future necessità produttive Æ medio termine

ƒ 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

ƒ Evoluzione in crescita e presenza di oscillazioni regolari da anno in anno

ƒ 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

ƒ Evoluzione in decrescita e presenza di oscillazioni non regolari

Differenti situazioni di previsione: caso 3

Vendite di auto in Giappone dal 1949 al 1989

ƒ Trend fortemente crescente

Categorie dei metodi di previsione

Metodi quantitativi: quando è disponibile una informazione quantitativa adeguata

ƒ Time series (analisi delle serie storiche): prevedere la continuazione della evoluzione storica (passata) Æ andamento delle vendite, del PIL, ecc.

ƒ 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

ƒ Esplorativi: opinioni di esperti sull’evoluzione futura del fenomeno

ƒ 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:

ƒ sono disponibili informazioni sull’evoluzione passata del fenomeno

ƒ queste informazioni sul passato possono essere quantificate nella forma di dati numerici

ƒ 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:

ƒ dai modelli più semplici (naive) basati sull’intuizione (sono usati da chi preferisce un approccio basato su giudizi; è difficile valutare la loro

accuratezza)

ƒ 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 t_n vogliamo prevedere i valori che di un fenomeno assumerà al tempo t>t_n

Decisione/controllo

Si supponga di avere a che fare con 2 sole variabili x e y, e che:

ƒ le variazioni di x influenzano y

ƒ x sia controllabile (ovvero possiamo fissarne i valori)

ƒ 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:

ƒ rappresentare mediante un modello matematico la relazione fra Y (var. dipendente da prevedere) e le X (var. esplicative)

ƒ usare tale modello per valutare l’effetto di una variazione delle X su

Metodi quantitativi: modelli di serie storiche

ƒ 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

ƒ 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

ƒ 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:

ƒ perché è difficile capire il suo funzionamento

ƒ si capisce il suo funzionamento ma non si riesce a misurare le

componenti e a rappresentare il tutto tramite un modello formalizzato

ƒ 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

ƒ Il dato mensile del PIL non cambia drasticamente rispetto al mese precedente o anche al semestre precedente

ƒ Si può inoltre ragionevolmente pensare che il PIL del mese t dipenda dal livello del PIL del mese precedente e/o dei mesi precedenti

PIL_t+1=f(PIL_t,PIL_t-1 , PIL_t-2, …, errore_t+1 )

ƒ 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 PIL_t,PIL_t-1 , PIL_t-2, ecc.).

ƒ 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 y_t+1=f(y_t,y_t-1 , y_t-2, …, y_t , errore_t+1)

Scatola nera

Input Output

Modelli esplicativi: si utilizzano informazioni su più fenomeni (variabili esplicative e variabile dipendente)

y=f(x₁,x₂, …, y_k, errore)

Input

variabili

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:

ƒ 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)

ƒ il modello include nella componente sistematica anche parte delle oscillazioni dovute alla componente di disturbo (caso di overfitting)