# Modelli ARIMA spiegati: una guida pratica al forecasting > I modelli ARIMA spiegati in modo semplice: componenti AR, I, MA, scelta di p, d, q, diagnostica dei residui, forecasting e casi d'uso aziendali. Inizia a fare previsioni Source: https://www.electe.net/it/post/arima-models-explained Site guide: https://www.electe.net/it/llms.txt ARIMA è un metodo di previsione statistica che combina autoregressione, differenziazione e media mobile in un unico modello scritto come ARIMA(p,d,q). Questa guida mostra come funziona ciascun componente e quando utilizzarlo. Potresti trovarti di fronte a una domanda aziendale familiare: quanti prodotti venderai il mese prossimo, quanto stock dovresti riordinare, oppure se la liquidità in entrata coprirà le spese pianificate? Una linea di tendenza in un foglio di calcolo può mostrare la direzione, ma spesso non coglie il modo in cui il risultato di oggi dipende dalla storia recente, da errori insoliti e da schemi che cambiano. **I modelli ARIMA spiegati** in modo semplice possono aiutarti a capire cosa succede sotto la superficie della previsione. Imparerai come si combinano tra loro le tre componenti, come la stazionarietà determina l'ordine di differenziazione, come i grafici ACF e PACF guidano la selezione del modello e perché i controlli sui residui contano prima che qualcuno si fidi del risultato. Vedrai anche dove l'ARIMA classico non funziona più, in particolare in presenza di stagionalità, rotture strutturali, osservazioni mancanti e domanda guidata da promozioni. Non è richiesta alcuna matematica avanzata. L'obiettivo è sviluppare un giudizio pratico, così da capire quando l'ARIMA è una base utile, quando serve un'estensione stagionale e quando un approccio di previsione più ricco ha più senso per la tua PMI. ## Indice - Perché l'ARIMA conta ancora per il forecasting aziendale - - Perché il framework resta pratico - I tre elementi costitutivi dei modelli ARIMA - - L'autoregressione cattura lo slancio - L'integrazione elimina la deriva - La media mobile apprende dagli errori - Rendere i dati stazionari attraverso la differenziazione - - La differenziazione in termini semplici - Evitare una trasformazione meccanica - Scegliere p, d e q con ACF, PACF e criteri d'informazione - - Come leggere i due grafici - Usare AIC e BIC per sciogliere i dubbi - Stimare il modello e verificare la diagnostica dei residui - - Una checklist diagnostica pratica - Cosa cambiare quando i controlli falliscono - Il forecasting nella pratica con casi d'uso aziendali - - Tre decisioni influenzate dalla previsione - Implementazione snella - Quando l'ARIMA non basta e come ELECTE automatizza il processo - - Verifica la prontezza dei dati prima di scegliere il modello - Punti chiave ## Perché l'ARIMA conta ancora per il forecasting aziendale Un manager chiede la previsione delle vendite per il prossimo trimestre. Il team apre un foglio di calcolo, estende il trend recente e produce un numero. Questo può andare bene quando la domanda è stabile, ma i dati delle serie temporali spesso presentano **autocorrelazione**, ovvero le osservazioni recenti sono legate a quelle precedenti. Un picco di vendite può influenzare il periodo successivo, e un calo persistente può proseguire anche quando una semplice linea di tendenza suggerisce il contrario. ARIMA è pensato proprio per questo tipo di sequenza. Utilizza la storia della serie stessa e gli errori di previsione passati per modellare come i valori evolvono nel tempo. Questo lo rende utile per domande a breve orizzonte, come la pianificazione della domanda, il monitoraggio del cash-flow e la revisione del rischio operativo, a condizione che i dati sottostanti abbiano una struttura adeguata. ### Perché il framework resta pratico ARIMA rimane **uno dei due approcci più utilizzati per il forecasting delle serie temporali**, insieme allo smoothing esponenziale, secondo il riferimento di settore [Forecasting: Principles and Practice](https://otexts.com/fpp2/arima.html). Il suo utilizzo continuo deriva da un equilibrio utile: - **È interpretabile:** puoi spiegare se il modello si basa su valori recenti, differenziazione o errori passati. - **Rispetta l'ordine temporale:** il modello non tratta ogni osservazione come una riga isolata. - **Supporta un flusso di lavoro chiaro:** osservi la serie, la trasformi quando necessario, stimi i modelli candidati e convalidi i residui. - **Funziona come base di riferimento:** puoi confrontare metodi più complessi con un modello statistico trasparente. Un analista retail potrebbe usare ARIMA per stimare le vendite a breve termine prima di decidere se una promozione richiede scorte aggiuntive. Un team finanziario potrebbe usarlo per monitorare una breve sequenza di movimenti di cassa e individuare quando i risultati effettivi si discostano dal comportamento atteso. Queste previsioni non sostituiscono il giudizio commerciale. Gli offrono un punto di partenza strutturato. > **Regola pratica:** una previsione è utile solo quando le sue ipotesi corrispondono al modo in cui si comportano realmente i tuoi dati. Al termine di questa guida, saprai cosa significano **AR**, **I** e **MA**, come **p**, **d** e **q** descrivono il modello, come i pattern di ACF e PACF supportano la scelta dell'ordine, e come la diagnostica dei residui rivela un adattamento fuorviante. Avrai anche regole decisionali per passare dall'ARIMA classico a SARIMA o a un modello più ricco. ## I tre elementi costitutivi dei modelli ARIMA Il nome sembra tecnico, ma l'ARIMA diventa più semplice se ne separi gli ingredienti. Ogni componente risponde a una domanda diversa sulla serie. ### L'autoregressione cattura lo slancio **L'autoregressione, o AR,** chiede se i valori attuali riecheggiano i valori precedenti. Pensa alla quantità di moto in un veicolo in movimento. Se la domanda è cresciuta nei periodi recenti, l'osservazione successiva potrebbe conservare parte di quella direzione. Il modello rappresenta questa persistenza attraverso valori ritardati, dove un ritardo è un'osservazione precedente nella sequenza. La **p** in ARIMA(p,d,q) è il numero di termini autoregressivi. Un valore di p più alto permette al modello di considerare più valori passati, ma aggiungere termini non migliora automaticamente la previsione. Una storia aggiuntiva può introdurre rumore o complessità superflua. ### L'integrazione elimina la deriva **L'integrazione, o I,** si riferisce alla differenziazione. Invece di modellare il livello di vendite originale, sottrai un valore precedente dal valore attuale per studiare il cambiamento tra i periodi. È come appiattire una collina per poter esaminare il terreno senza che la pendenza complessiva domini la vista. La **d** è il numero di differenziazioni non stagionali necessarie per rendere la serie stazionaria. Una serie stazionaria ha un comportamento statistico che rimane ragionevolmente stabile nel tempo. Se la serie originale presenta una deriva, la differenziazione può rendere i suoi pattern più facili da modellare. ### La media mobile impara dagli errori **La media mobile, o MA,** utilizza gli errori di previsione precedenti. Supponiamo che una previsione fallisca perché la domanda cambia improvvisamente. La componente MA permette alle previsioni successive di tenere conto di questi errori recenti, un po' come un termostato che si corregge dopo aver superato o non raggiunto un obiettivo. La **q** è il numero di errori di previsione ritardati inclusi nell'equazione di predizione. AR guarda ai valori passati. MA guarda agli errori passati. Insieme alla differenziazione, formano un modello in grado di rappresentare la persistenza, la rimozione del trend e la correzione a breve termine. George Box e Gwilym Jenkins hanno reso popolare ARIMA come parte della **metodologia Box-Jenkins nel 1970**, che ha stabilito un flusso di lavoro iterativo pratico di identificazione, stima e validazione. ARIMA quindi non è stato introdotto come una formula isolata. Si è sviluppato come sistema di modellazione per serie temporali del mondo reale, con la differenziazione utilizzata prima di adattare i termini autoregressivi e di media mobile, come descritto nella [panoramica ARIMA di IBM](https://www.ibm.com/think/topics/arima-model). > ARIMA(p,d,q) combina **valori passati**, **differenze** e **errori di previsione passati**. Le lettere indicano cosa utilizza il modello, e i numeri indicano quanto di ciascun ingrediente utilizza. ## Rendere i tuoi dati stazionari attraverso la differenziazione ARIMA richiede che la serie sia **stazionaria prima della modellazione**. In termini pratici, la serie non dovrebbe continuare a cambiare il proprio comportamento di base a causa di un trend non controllato. Il suo livello medio e la sua variazione dovrebbero rimanere sufficientemente stabili affinché le relazioni tra le osservazioni siano significative. Inizia con un'ispezione visiva. Una linea di vendite in costante crescita, un saldo finanziario in calo, o una variabilità che si allarga all'aumentare del livello, possono segnalare una non stazionarietà. Non stai cercando di provare la diagnosi solo da un grafico. Stai cercando prove che la scala originale possa nascondere il pattern a breve termine che devi prevedere. ### La differenziazione in termini quotidiani Prendi vendite mensili che crescono di circa **il 5% al mese**. Il livello esatto delle vendite continua a salire, quindi un modello potrebbe rilevare principalmente la crescita anziché le relazioni tra i cambiamenti vicini. La differenziazione prima sostituisce ogni livello con il suo cambiamento rispetto al mese precedente. Una volta rimosso il trend, la serie risultante può apparire più piatta e i suoi movimenti a breve termine possono diventare più facili da analizzare. L'ordine di differenziazione **d è una decisione di modellazione, non un'ipotesi casuale**. Box e Jenkins raccomandano di differenziare una serie non stazionaria una o più volte fino al raggiungimento della stazionarietà, una regola riassunta nel [NIST Engineering Statistics Handbook](https://www.itl.nist.gov/div898/handbook/pmc/section4/pmc445.htm). Un flusso di lavoro utile è: 1. **Traccia la serie originale:** Cerca trend, ampiezza variabile, lacune e cambiamenti bruschi di livello. 2. **Applica una prima differenziazione quando necessario:** Confronta ogni osservazione con il suo predecessore immediato. 3. **Esamina la serie trasformata:** Verifica se il comportamento medio e la variazione ora appaiono più stabili. 4. **Fermati quando la serie è sufficientemente stazionaria:** Una differenziazione ulteriore può rimuovere una struttura significativa e rendere l'interpretazione più difficile. ### Evitare una trasformazione meccanica Una differenziazione eccessiva può rendere una serie inutilmente rumorosa. Può anche creare una dipendenza artificiale tra i cambiamenti adiacenti, il che complica la successiva analisi ACF e PACF. L'obiettivo non è differenziare il più possibile. È rimuovere il comportamento non stazionario preservando il segnale utile. I dati operativi spesso richiedono una preparazione prima della differenziazione. Date mancanti, esaurimenti di scorte, interruzioni nella rilevazione e programmi di raccolta irregolari possono distorcere la variazione da un periodo all'altro. Se la tua serie presenta lacune, [consulta la guida all'imputazione dei dati mancanti](https://www.electe.net/post/missing-data-imputation) prima di considerare la differenziazione come la soluzione principale. ## Scegliere p, d e q con ACF, PACF e criteri informativi Una volta che la differenziazione ha prodotto una serie stazionaria utilizzabile, servono valori candidati per **p** e **q**. Due grafici aiutano a ragionare su queste scelte: la **funzione di autocorrelazione, o ACF**, e la **funzione di autocorrelazione parziale, o PACF**. L'ACF misura come la serie si relaziona ai propri valori precedenti a diversi ritardi. La PACF si concentra sulla relazione a un ritardo specifico dopo aver tenuto conto dei ritardi più brevi. Nessuno dei due grafici fornisce una risposta garantita, ma le loro forme offrono una prima analisi utile. ### Interpretare i due grafici Se la **PACF si interrompe dopo il ritardo p** mentre l'ACF decade gradualmente, questo suggerisce una struttura AR(p). Se l'**ACF si interrompe dopo il ritardo q** mentre la PACF decade gradualmente, questo suggerisce una struttura MA(q). Queste regole funzionano come indicazioni dopo la stazionarizzazione, non come sostituto della validazione. Pattern ACFPattern PACFModello suggeritoDecade gradualmenteSi interrompe dopo il ritardo pCandidato ARIMA(p,d,0)Si interrompe dopo il ritardo qDecade gradualmenteCandidato ARIMA(0,d,q)Entrambi decadono gradualmenteEntrambi decadono gradualmenteValuta candidati ARIMA(p,d,q) mistiPicchi ricorrenti a un ciclo notoStruttura stagionale nella PACFValuta un'estensione stagionale Un grafico può suggerire diverse configurazioni plausibili. È normale. Non dovresti continuare a modificare p e q finché uno schema visivo non sembra perfetto, perché un modello che si adatta strettamente ai dati storici può comportarsi male con osservazioni future. ### Usare AIC e BIC come criteri di decisione **AIC e BIC** confrontano l'adattamento penalizzando i parametri non necessari. Sono preferiti valori più bassi quando si confrontano modelli adattati alla stessa serie e valutati in condizioni comparabili. Il BIC generalmente applica una penalità di complessità più forte, quindi può favorire una specifica più compatta. Considera questi criteri come aiuti decisionali, non come prova della qualità previsionale. Un candidato con un criterio informativo più basso richiede comunque una valutazione out-of-sample e controlli sui residui. La ricerca automatizzata dell'ordine è comune anche in questo caso, specialmente quando serve confrontare più combinazioni plausibili in modo coerente invece di affidarsi interamente alla lettura manuale dei grafici. Per un'introduzione pratica alle relazioni tra valori ritardati, [scopri i pattern nascosti con ACF PACF](https://www.electe.net/post/autocorrelation-analysis). L'abitudine importante è combinare evidenza visiva, criteri informativi, validazione previsionale e comprensione del business. ## Stimare il modello e verificare la diagnostica dei residui La stima del modello adatta i parametri ARIMA alla tua serie storica. In termini semplici, la procedura cerca coefficienti che rappresentino le relazioni osservate riducendo l'errore di previsione. I coefficienti risultanti sono importanti, ma non costituiscono il test finale di qualità. Il test è ciò che rimane dopo che il modello ha svolto il suo lavoro. Questi resti sono chiamati **residui**, le differenze tra i valori osservati e i valori stimati. Un buon modello dovrebbe lasciare residui che assomigliano a rumore casuale inspiegato piuttosto che a un secondo schema in attesa di essere scoperto. ### Una checklist diagnostica pratica Usa la diagnostica come un filtro di qualità: - **Rumore bianco:** I residui non dovrebbero mostrare alcun trend, ciclo o raggruppamento visibile. Uno schema ricorrente indica che il modello ha lasciato indietro una struttura. - **Nessuna autocorrelazione residua:** I residui non dovrebbero rimanere correlati tra i ritardi. Un test in stile Ljung-Box aiuta a verificare questo comportamento complessivo. - **Media prossima allo zero:** I residui dovrebbero bilanciarsi attorno allo zero piuttosto che sovrastimare o sottostimare in modo costante. - **Varianza stabile:** La dispersione degli errori dovrebbe rimanere ragionevolmente costante. Un ampliamento della dispersione può indicare che il modello necessita di una trasformazione o di un approccio diverso. - **Normalità approssimativa:** Una distribuzione dei residui approssimativamente normale può supportare stime dell'intervallo utili, sebbene questo controllo sia meno centrale rispetto all'indipendenza. Il difetto più importante è l'autocorrelazione residua. Significa che il modello continua a non cogliere una struttura e dovrebbe essere rivisto, come sottolineato nella [lezione di Penn State sulle serie temporali dedicata al controllo del modello](https://online.stat.psu.edu/stat510/Lesson03.html). ### Cosa modificare quando i controlli falliscono Non pubblicare la previsione solo perché la procedura di stima è convergente. Se persiste l'autocorrelazione residua, rivedi gli ordini candidati, riconsidera la scelta della differenziazione e verifica se la stagionalità o una rottura strutturale stiano guidando lo schema. Un modello di ordine superiore non è automaticamente la soluzione. La struttura mancante potrebbe derivare da un evento aziendale che l'ARIMA non può rappresentare basandosi solo sui suoi valori passati. > **Controllo di qualità:** Un modello ARIMA tecnicamente adattato non è affidabile finché i suoi residui non dimostrano che la struttura temporale rilevante è stata presa in considerazione. ## Il forecasting nella pratica con casi d'uso aziendali Una previsione diventa preziosa quando cambia una decisione. L'ARIMA produce tipicamente una **previsione puntuale**, la stima centrale, insieme a un **intervallo di incertezza** che mostra un intervallo plausibile intorno ad essa. L'intervallo è importante perché un singolo numero può creare una falsa sicurezza, specialmente quando l'orizzonte di pianificazione si estende. ### Tre decisioni plasmate dalla previsione **Promozioni al dettaglio:** Un responsabile retail esamina il livello di vendite previsto per il mese successivo e l'intervallo di incertezza associato. La previsione puntuale supporta un piano promozionale di base, mentre l'intervallo aiuta il responsabile a valutare se la campagna necessita di scorte flessibili o di un budget prudente. **Riapprovvigionamento delle scorte:** Un pianificatore di inventario utilizza la domanda prevista per rivedere i punti di riordino e i tempi dei fornitori. Se l'intervallo di incertezza è ampio, il pianificatore potrebbe scegliere una revisione più cautelativa piuttosto che trattare la stima centrale come un requisito garantito. **Monitoraggio del rischio:** Un team di servizi finanziari può utilizzare una previsione a breve orizzonte per confrontare i movimenti di cassa previsti o un'altra serie monitorata con i risultati effettivi. Uno scostamento significativo dall'intervallo previsto può innescare un'indagine, ma non dovrebbe essere considerato come prova di condotta scorretta o come una valutazione completa del rischio. Gli intervalli di previsione generalmente si ampliano man mano che la previsione si spinge più avanti nel futuro, poiché ogni passo aggiuntivo porta con sé l'incertezza delle previsioni precedenti. Ciò rende le previsioni ARIMA a breve termine più facili da utilizzare rispetto alle proiezioni distanti. Per le decisioni finanziarie o di conformità, utilizza le previsioni come supporto analitico, non come consulenza finanziaria o sostituto dei controlli richiesti. ### Implementazione leggera Gli analisti possono implementare l'ARIMA in Python con `statsmodels` o in R con il pacchetto `forecast`. I comandi sono solitamente brevi, ma l'interpretazione richiede più attenzione rispetto all'adattamento: 1. Preparare una serie temporale ordinata e completa. 2. Selezionare o cercare i valori candidati di p, d e q. 3. Stimare il modello. 4. Verificare i residui. 5. Generare la previsione puntuale e l'intervallo di incertezza. 6. Confrontare l'output con le osservazioni future effettive quando diventano disponibili. Il codice è la parte facile. La decisione su se i dati e le ipotesi del modello siano credibili è dove entra in gioco il giudizio professionale. ## Quando l'ARIMA non basta e come ELECTE automatizza il flusso di lavoro L'ARIMA ha limiti chiari. Una forte stagionalità richiede spesso **SARIMA**, scritto **ARIMA(p,d,q)\*(P,D,Q)**. Qui, P, D e Q rappresentano le componenti stagionali autoregressive, di differenziazione e di media mobile. Un modello ARIMA semplice potrebbe non cogliere uno schema ricorrente che appare nello stesso punto di ogni ciclo, quindi i termini stagionali offrono un adattamento migliore, come spiegato nella [guida al forecasting Box-Jenkins di Forecast Pro](https://www.forecastpro.com/2020/05/box-jenkins-forecasting/). L'ARIMA diventa inoltre inaffidabile quando le condizioni aziendali cambiano più rapidamente di quanto i dati storici possano riflettere. Rotture strutturali, shock esterni, lanci di prodotto, esaurimenti di scorte e domanda guidata da promozioni possono rendere i valori e gli errori passati indicatori poco affidabili. Un modello può superare i controlli tecnici e comunque fuorviare i decisori dopo che il regime sottostante è cambiato. ### Verifica la prontezza dei dati prima di selezionare il modello I dataset delle PMI presentano vincoli che i tutorial spesso trascurano: - **Lo storico completo conta:** ARIMA richiede una serie temporale ordinata e senza interruzioni. Individua e gestisci i periodi mancanti prima di adattare il modello. - **Il numero di osservazioni conta:** Una previsione affidabile richiede spesso circa **da 50 a 100 osservazioni**, secondo le indicazioni pratiche della guida Forecast Pro. - **Gli eventi richiedono un contesto:** ARIMA non sa che una promozione, un esaurimento scorte, un'azione di un concorrente o un nuovo prodotto hanno causato un cambiamento. Includi i fattori esterni rilevanti oppure scegli un approccio di modellazione più ricco. - **La diagnostica resta essenziale:** Un'autocorrelazione residua persistente indica che il modello va rivisto. Non presentare la previsione come definitiva. Questi controlli rendono ARIMA una base utile e trasparente, non una risposta automatica. Se la struttura stagionale domina, testa SARIMA. Se a dominare sono fattori esterni o cambiamenti di regime, valuta modelli in grado di rappresentare tali influenze. Una piattaforma può assistere nella preparazione, nel confronto dei metodi, nella previsione e nel monitoraggio delle anomalie, lasciando al team le decisioni di revisione. **ELECTE, una piattaforma di data analytics per le PMI,** può automatizzare il preprocessing, la selezione del modello, la previsione e il monitoraggio delle anomalie tramite il suo AI Agent. I team possono anche consultare [le previsioni AI con Electe](https://www.electe.net/post/predict-analytics-using-electe-predicting-feature) come parte di un flusso di lavoro più ampio. ### Punti chiave 1. **Parti dalla prontezza dei dati:** Conferma che la serie sia completa, ordinata e adatta all'analisi. 2. **Comprendi p, d e q:** Usali per descrivere l'autoregressione, la differenziazione e gli errori di previsione passati. 3. **Convalida i residui:** Un'autocorrelazione persistente richiede una revisione del modello. 4. **Estendi o cambia il metodo:** Usa SARIMA per la struttura stagionale e modelli più ricchi quando contano fattori esterni o cambiamenti di regime. 5. **Collega le previsioni alle decisioni:** Usa gli intervalli di previsione con cautela, soprattutto per orizzonti temporali più lontani. ELECTE aiuta le PMI a preparare i dati aziendali, confrontare approcci di previsione, generare insight predittivi e monitorare le anomalie senza dover costruire manualmente ogni fase di modellazione. Visita [ELECTE](https://www.electe.net) per esaminare la previsione automatizzata di dati di vendita, di magazzino o di rischio.