Il tuo sito riceve circa 400 visitatori nella maggior parte delle settimane. Ma la settimana scorsa erano 600. La prossima potrebbero essere 300. Lo schema non è casuale: è stagionale. D'estate il traffico cala. A fine mese sale. Nei giorni feriali è più alto che nei weekend.
La previsione con le serie temporali usa questi schemi per prevedere il traffico futuro. Questo articolo spiega come riconoscere gli schemi nei tuoi dati e usarli per prevedere cosa arriverà.
La previsione con le serie temporali è la pratica di analizzare dati storici ordinati nel tempo e usare gli schemi per prevedere i valori futuri. Guardi il traffico settimana per settimana o mese per mese lungo un anno. Individui gli schemi (picchi, cali, cicli stagionali). Poi li proietti in avanti.
A differenza dell'analisi predittiva in generale, la previsione con le serie temporali riguarda in modo specifico le sequenze nel tempo. Riconosce che ciò che è successo la settimana scorsa influenza ciò che succede questa settimana. Il meteo può influire sul traffico. Le stagioni influiscono sugli acquisti. I giorni della settimana influiscono sul comportamento.
Quali schemi esistono nei dati di un sito
La maggior parte dei siti ha schemi che si ripetono. Imparare a riconoscerli è il primo passo per prevedere.
Schemi giornalieri
I giorni feriali ricevono più traffico dei weekend per i siti B2B. I weekend ne ricevono di più per i siti di e-commerce e intrattenimento. La mattina ci sono più visite da ufficio che nel pomeriggio. Sono schemi costanti da una settimana all'altra.
Se il tuo traffico è 600 il lunedì e 400 il sabato, probabilmente lo schema si ripete. La previsione con le serie temporali sfrutta questa regolarità.
Schemi settimanali
Se pubblichi contenuti il martedì, il traffico sale il martedì. Se invii campagne email il giovedì mattina, il traffico ha un picco il giovedì. Questi schemi si ripetono ogni settimana.
Monitora un mese di dati e vedrai il ritmo settimanale. Una volta visto, puoi prevederlo.
Schemi stagionali
Gennaio è più lento di dicembre. L'estate è più lenta dell'autunno. Il periodo delle tasse è più movimentato per i servizi di contabilità. La previsione con le serie temporali coglie questi cicli di più mesi.
Servono almeno un anno di dati per individuare gli schemi stagionali. Sei mesi sono il minimo per gli schemi settimanali.
Schemi di tendenza
Oltre ai cicli stagionali, alcuni siti hanno tendenze più lunghe. I siti nuovi crescono con costanza (tendenza al rialzo). I siti maturi si stabilizzano. Alcuni calano. La previsione con le serie temporali separa la tendenza di lungo periodo dal rumore stagionale.
Se la tua tendenza è una crescita del 10 percento annuo e lo schema stagionale mostra picchi nel Q4, puoi prevedere il Q4 del prossimo anno: il Q4 dell'anno scorso più il 10 percento di crescita più l'adeguamento stagionale.
La matematica dietro la previsione con le serie temporali
Non serve conoscere la matematica per usarla, ma capire il concetto aiuta.
La previsione con le serie temporali scompone i tuoi dati in componenti:
Tendenza: direzione di lungo periodo (in crescita, in calo, stabile)
Stagionalità: schemi che si ripetono (giornalieri, settimanali, mensili, annuali)
Variazione casuale: rumore che non segue uno schema
Formula: valore reale = tendenza + stagionalità + casualità
La previsione stima la tendenza e la parte stagionale. La parte casuale resta imprevedibile.
Esempio: il tuo traffico di questa settimana è stato 500.
Componente di tendenza: +50 (crescita di 50 a settimana)
Componente stagionale: +100 (questa settimana è alta stagione)
Componente casuale: -50 (solo rumore)
Reale: 50 + 100 - 50 = 100. Base di 400 + 100 = 500.
La settimana dopo, senza l'evento speciale (nessun picco casuale):
Tendenza: +50
Stagionalità: -75 (la prossima settimana è bassa stagione)
Casualità: 0
Previsione: 400 + 50 - 75 = 375
È una versione semplificata, ma il concetto è che la tua previsione separa il segnale (tendenza più stagione) dal rumore (casualità).
Metodi di previsione semplici per chi ha un sito
Non servono algoritmi complessi. I metodi semplici funzionano bene.
Metodo 1: confronto con lo stesso periodo
Il traffico di questo lunedì è stato in media 600 nell'ultimo anno. Il prossimo lunedì sarà probabilmente intorno a 600.
È la previsione più semplice: guarda lo stesso giorno o la stessa settimana dell'anno scorso.
Metodo 2: tendenza più stagionalità
Il traffico è cresciuto del 10 percento rispetto all'anno prima e i mesi di dicembre sono il 50 percento sopra la media.
Previsione per il prossimo dicembre: (dicembre scorso) per 1,10 (per la crescita del 10 percento) è la tua previsione.
Metodo 3: media mobile
Fai la media delle ultime 4 settimane di traffico. Quella è la tua base. Poi aggiungi l'adeguamento stagionale.
Se la base è 500 e dicembre di solito arriva a 550, la tua previsione per dicembre è 550.
Metodo 4: livellamento esponenziale
Dai più peso ai dati recenti che a quelli vecchi. Le ultime settimane contano più dei dati di un anno fa, perché le cose cambiano.
Se le ultime 4 settimane hanno avuto una media di 480 e un anno fa la media era 450, fidati di più dei dati recenti. Prevedi più vicino a 480 che a 450.
Scomposizione stagionale: la tecnica chiave
La scomposizione stagionale separa i tuoi dati in componenti di tendenza, stagionali e casuali. È la base della maggior parte delle previsioni accurate.
Passo 1: raccogli un anno intero di dati (o più anni se vuoi più precisione).
Passo 2: calcola la media di ogni periodo (ogni lunedì, ogni mese e così via). Sono i tuoi indici stagionali.
Passo 3: calcola la tendenza facendo passare una retta tra i dati. Cresce? Cala? È stabile?
Passo 4: togli tendenza e stagionalità per vedere il rumore. Ciò che resta è la variazione casuale.
Passo 5: proietta in avanti usando le componenti di tendenza e stagionali. Aggiungi la variazione stagionale alla linea di tendenza.
Puoi farlo con semplici calcoli su un foglio di calcolo o con strumenti di previsione che lo fanno in automatico.
Strumenti che rendono facile la previsione con le serie temporali
Non serve un software avanzato. Bastano strumenti di base:
Google Sheets: funzione FORECAST integrata
Fogli di calcolo desktop: FORECAST o FORECAST.LINEAR
Librerie Python: Prophet (creata da Facebook), ARIMA, LSTM
Piattaforme di analisi: molte calcolano le previsioni in automatico
Le statistiche di WEMASY potrebbero integrare le previsioni, mostrandoti il traffico previsto per il mese prossimo in base agli schemi storici.
Limiti della previsione con le serie temporali
La previsione con le serie temporali presume che il passato preveda il futuro. Non tiene conto degli eventi unici.
Se lanci una grande campagna, la previsione salta. Se Google cambia i risultati di ricerca, la previsione è sbagliata. Se l'economia cambia, gli schemi cambiano.
La previsione con le serie temporali funziona quando le condizioni restano stabili. Fallisce quando le condizioni cambiano.
Come usare le previsioni in pratica
Le previsioni non sono garanzie. Sono guide per pianificare.
Se prevedi 600 visitatori la prossima settimana, pianifica per 600 ma resta flessibile. Se ne ottieni 450, indaga cosa è cambiato. Se ne ottieni 800, festeggia ma capisci perché.
Usa le previsioni per:
Pianificare la capacità: ti serviranno più server? Più personale di assistenza?
Pianificare le campagne: qual è il momento migliore per lanciare?
Prevedere i ricavi: come saranno i ricavi il prossimo trimestre?
Confronto con la base: quel cambiamento ha spostato qualcosa o era solo stagionale?
Domande frequenti
Di quanti dati storici ho bisogno per prevedere con accuratezza?
Almeno 6 mesi per gli schemi settimanali. Almeno 2 anni per gli schemi stagionali (per vedere più cicli). Più dati significano previsioni più accurate. Con un anno di dati puoi prevedere con fiducia. Con il creatore di siti di WEMASY puoi configurarlo direttamente sul tuo sito.
E se i miei dati sono irregolari e senza uno schema chiaro?
Alcuni siti hanno un traffico imprevedibile (siti nuovi, contenuti virali, notizie politiche e così via). La previsione con le serie temporali richiede schemi. Se i tuoi dati sono solo rumore, prevedere non serve. Concentrati sulla tendenza.
Posso prevedere separatamente segmenti diversi del mio traffico?
Sì. Prevedi separatamente ricerca organica, annunci ed email. Ognuno può avere schemi diversi. Poi somma i risultati per la previsione totale. Spesso funziona meglio che prevedere il traffico totale.
Devo correggere la previsione a mano?
Se sai che sta arrivando qualcosa (una campagna, il lancio di un prodotto, un evento stagionale), correggi la previsione per tenerne conto. L'algoritmo non conosce gli eventi; tu sì. Usa ciò che sai per affinare la previsione.
Ogni quanto devo aggiornare la previsione?
Almeno ogni mese. Aggiungi nuovi dati e ricalcola. Se gli schemi cambiano (nuova campagna, cambio di mercato), ricalcola subito. Non dare per scontato che la previsione del mese scorso valga ancora.
La previsione con le serie temporali è la stessa cosa dell'analisi predittiva?
Simile ma diversa. L'analisi predittiva usa molte variabili (spesa pubblicitaria, tipo di contenuto, stagionalità e così via). La previsione con le serie temporali si concentra su una sola variabile ordinata nel tempo. Le serie temporali sono più semplici; la predittiva è più complessa.