ARIMA e Prophet sono i due modelli di forecasting più usati in ambito aziendale. Scopri quando usare uno o l'altro e come valutare le performance.
Il forecasting di serie temporali è una delle applicazioni più concrete del machine learning in ambito aziendale: dato uno storico di osservazioni nel tempo, vendite giornaliere, produzione mensile, traffico web orario, si costruisce un modello capace di prevedere i valori futuri. La differenza tra un forecast accurato e uno impreciso si traduce direttamente in decisioni operative: quante unità ordinare, quante risorse allocare, quali obiettivi di ricavo fissare.
Tra i modelli più diffusi in produzione ci sono ARIMA e Prophet. Non sono strumenti concorrenti nel senso assoluto del termine: hanno origini diverse, assumono cose diverse sui dati e performano meglio in contesti diversi. Scegliere quello giusto richiede di capire le loro fondamenta.
ARIMA sta per Autoregressive Integrated Moving Average. È un modello statistico classico, sviluppato negli anni '70 da Box e Jenkins, che rimane uno standard di riferimento per il forecasting univariato.
Il modello si compone di tre parti:
Per funzionare correttamente, ARIMA richiede che la serie sia stazionaria, ovvero che media e varianza non cambino nel tempo. Se la serie ha un trend crescente o una stagionalità marcata, è necessario trasformarla prima di addestrare il modello. La variante SARIMA estende ARIMA per gestire esplicitamente la stagionalità regolare.
ARIMA eccelle quando:
Il limite principale è la rigidità: ARIMA non gestisce bene stagionalità multiple, non incorpora facilmente festività o eventi speciali, e richiede competenze statistiche per la selezione ottimale dei parametri (p, d, q).
Prophet è stato sviluppato da Meta (Facebook) e rilasciato open source nel 2017. Non è un modello statistico nel senso classico, ma un modello additivo che decompone la serie in tre componenti: trend, stagionalità e festività.
La filosofia di Prophet è diversa da ARIMA. Invece di fare assunzioni rigide sulla struttura della serie, lascia che il modello si adatti automaticamente ai pattern presenti nei dati. I changepoint, punti in cui il trend cambia direzione, vengono rilevati automaticamente. La stagionalità viene modellata con funzioni di Fourier, permettendo di gestire contemporaneamente stagionalità settimanale, mensile e annuale.
Prophet eccelle quando:
Il limite di Prophet è che tende a essere meno preciso di ARIMA su serie semplici e stazionarie, e può andare in overfitting se non si regola correttamente la flessibilità dei changepoint.
Indipendentemente dal modello scelto, la valutazione delle performance passa attraverso metriche standard:
La best practice è il backtesting: addestrare il modello su dati storici fino a un certo punto e testarlo sul periodo successivo, replicando le condizioni reali. Un solo split train/test non è sufficiente: si preferisce la cross-validation walk-forward, dove si fanno più previsioni su finestre temporali successive.
Previsione della domanda: un'azienda retail con dati di vendita giornalieri su tre anni, con picchi natalizi e promo estive, è un candidato ideale per Prophet. Se invece si gestisce una commodity industriale con domanda stabile e stagionalità trimestrale, ARIMA o SARIMA sono spesso sufficienti.
Pianificazione delle scorte: il forecast della domanda alimenta direttamente il calcolo del reorder point e dello stock di sicurezza. Ridurre il MAPE dal 25% al 12% può tradursi in milioni di euro di working capital liberato.
Previsione dei ricavi: in contesti SaaS o subscription, dove il churn è prevedibile e il trend è relativamente stabile, ARIMA offre baseline solide. In e-commerce con promozioni e stagionalità complessa, Prophet è generalmente più robusto.
Non esiste una risposta universale. La guida pratica è:
| Criterio | Scegli ARIMA | Scegli Prophet |
|---|---|---|
| Stagionalità | Singola, regolare | Multipla o irregolare |
| Dataset | Piccolo, pulito | Grande, con gap o outlier |
| Festività/eventi | Non rilevanti | Importanti |
| Competenze team | Statistiche | Python base |
| Interpretabilità | Alta priorità | Media priorità |
In molti progetti reali la scelta migliore è fare entrambi e confrontare le metriche di backtesting. Il costo computazionale è basso e il confronto empirico elimina ogni dibattito teorico.
L'obiettivo finale non è il modello più sofisticato, ma quello che produce le previsioni più accurate sui tuoi dati, con i tuoi vincoli operativi.
Tag
Domande frequenti
ARIMA funziona con pochi dati storici?
Sì, ARIMA può funzionare anche con dataset relativamente piccoli (da 50-100 osservazioni in su), ma richiede che la serie sia stazionaria o resa tale tramite differenziazione. Con meno dati, la stima dei parametri diventa instabile e si rischia overfitting. Prophet invece tende a generalizzare meglio in presenza di dati stagionali anche con serie più corte, a patto che siano presenti almeno un paio di cicli stagionali completi.
Prophet è utilizzabile senza esperienza di data science?
Rispetto ad ARIMA, Prophet ha una curva di apprendimento significativamente più bassa. L'interfaccia Python è semplice e i parametri principali, come la stagionalità e i changepoint, sono spiegati in modo intuitivo nella documentazione. Un analista con conoscenze base di Python può addestrare un modello Prophet funzionante in poche ore. ARIMA richiede invece una comprensione più solida di concetti statistici come autocorrelazione, stazionarietà e ordine di integrazione.
Come si gestisce la stagionalità nel forecasting?
ARIMA gestisce la stagionalità tramite la sua variante SARIMA, che aggiunge componenti stagionali al modello classico. Funziona bene con stagionalità singola e regolare (es. mensile o annuale). Prophet gestisce stagionalità multiple in modo nativo, può combinare stagionalità settimanale, mensile e annuale simultaneamente, ed è particolarmente efficace quando si vogliono incorporare festività e eventi speciali come variabili esplicative.
Continua a leggere
Venti riviste, 695 numeri, quasi 7 milioni di token e un motore di ricerca visiva calibrato sui cataloghi del Bon Marché. Così ModArchive usa l'AI per raccontare la moda del Novecento.
ARIMA e i metodi classici assumono stazionarietà. I visibility graph lavorano dove questi falliscono: serie finanziarie, energetiche, climatiche con cambi di regime improvvisi.
Nel settore moda, anticipare un trend di sei mesi significa la differenza tra collezione venduta e magazzino invenduto. La computer vision sta cambiando le regole del gioco.