Per introdurre il concetto di Forecasting, o previsione, e distinguerlo da Intelligent Forecasting, previsione supportata da segnali esogeni, si può far riferimento al best-seller ‘The Signals and the Noise’ e all’esempio richiamato da Nate Silver autore del libro. Stai andando ad una festa aziendale e chiedi ad un collega di darti un passaggio perché in vista del tuo premio aziendale brinderai con i manager. Il collega non ha mai perso punti patente, è sposato e ha figli, non beve quasi mai. Silver ti chiede se la scelta fatta sul collega sia corretta. Questo tipo di previsione è chiamata statistica-storica: assume che il comportamento futuro sia legato all’andamento passato senza tenere conto di fattori esterni che possono modificarne lo stato significativamente. Silver, ora, modifica lo scenario, aggiunge che durante la festa aziendale il tuo collega viene inaspettatamente promosso, una notizia che il collega festeggerà. L’esempio mette in evidenza che il passato ha un ruolo solo se contestualizzato agli eventi presenti. Il ruolo dei fattori esogeni è un elemento centrale per poter migliorare le previsioni future così da pianificare i cambiamenti necessari ad affrontare le sfide.
L’intelligent forecasting supera il concetto di previsione statistica-storica, sia da un punto di vista statistico perché utilizza i dati esogeni, sia perché si avvale delle recenti tecniche di machine learning per migliorarne l’accuratezza, la responsività portata dal cloud in grado di processare migliaia di previsioni in istanti.
L’esempio introduce la distinzione classica tra modello statistico auto-proiettivo, che coglie le regolarità del passato per realizzare una previsione nel futuro, e l’impostazione econometrica, in cui l’andamento di un set di variabili endogene è interpretato in funzione del passato delle variabili e di segnali esogeni ad esse correlati. La possibilità di sfruttare ambienti cloud con risorse computazionali scalabili determina un vantaggio competitivo, sia dal punto di vista della flessibilità dei modelli matematici applicabili, sia dal punto di vista della mole di dati trattabile simultaneamente.
I 3 pilastri dell’Intelligent Forecasting
Dati Esogenei. Dati esterni al processo in analisi che possono supportare nella comprensione analitica del fenomeno. KPMG si avvale del Signals Repository, un archivio di oltre 60 mila segnali (come ad esempio inflazione, condizioni metereologiche, andamenti di mercato, flusso di persone da dati telefonici comunemente usati per supportare le analisi predittive.
Responsività. La responsività ha una doppia valenza: deve essere interpretata sia come risposte computazionali molto rapide sfruttando la potenza del cloud, ma anche e soprattutto come un processo totalmente automatico in grado di acquisire i dati aziendali e svolgere le previsioni periodicamente, ad esempio giornalmente. Durante la pandemia la capacità di saper acquisire, processare e analizzare i dati sui contagi ogni giorno ha fatto la differenza tra la capacità di reagire ai cambiamenti piuttosto che subire il cambiamento e lo stato di emergenza.
Accuratezza. Le tecniche statistiche più classiche sono oggi supportate da tecniche di machine learning capaci di processare milioni di informazioni endogene ed esogene, contemporaneamente, identificando fenomeni outliers e migliorando sia l’accuratezza sia la precisione delle previsioni.
Le applicazioni dei modelli di Intelligent Forecasting
Sono innumerevoli, in ambito aziendale, le applicazioni di un sistema previsionale che tenga conto, da un lato, degli andamenti storici e, dall’altro, degli impatti di segnali esogeni correlati con il fenomeno oggetto di analisi. Oltre alla varietà di contesti in cui occorre prevedere l’andamento futuro di un prezzo (titoli finanziari, cambi, materie prime, ecc.), anche gli ambiti commerciali, di marketing e supply chain, a titolo di esempio, offrono molteplici spunti, dalla previsione delle vendite alla previsione degli afflussi dei consumatori verso zone commerciali e punti vendita, all’ottimizzazione della gestione della logistica e della distribuzione. In tutti questi ambiti, la possibilità di elaborare simultaneamente molte serie di dati consente di generare un quadro previsionale coerente incrociando prodotti, canali distributivi, segmenti di mercato, territori in un unico flusso automatizzato.
I data scientist
I modelli di Intelligent Forecasting sono sviluppati e manutenuti da data scientist. Il data scientist in KPMG combina competenze matematico-statistiche e di machine learning con competenze di sviluppo modelli sul cloud (come ad esempio MLOps). È il protagonista di questo processo grazie alle competenze acquisite attraverso la formazione universitaria e alle esperienze lavorative di primaria importanza maturate nel suo percorso di carriera.
