Demand Forecasting: Modelli Affidabili

Quanto sarebbero più facili le cose, e più redditizie per tutti, se si potesse prevedere in modo affidabile la domanda di un bene in vendita.

Quanto sarebbero più facili le cose, e più redditizie per tutti, se si potesse prevedere; in modo affidabile la domanda di un bene in vendita. Ecco perché il demand forecasting è importante e diventa un fattore di successo, o di insuccesso, nelle situazioni dove serve prendere decisioni di rilevanza economica. Che si tratti di un prodotto o di un servizio, è intuibile quanto sia prezioso disporre di informazioni che possono migliorare gli approvvigionamenti, la produzione, la distribuzione e le vendite. È il demand forecasting, la previsione della domanda, ad abilitare il demand planning, la pianificazione della risposta alle domande dei clienti. 

Fare demand forecasting, prevedere la domanda, richiede disciplina, metodo, competenze specifiche e modelli affidabili di analytics. Il punto di partenza è l’analisi delle tendenze attuali nel comportamento dei clienti e dei dati storici disponibili, su cui si possono applicare le analisi statistiche previsionali più accurate. Tuttavia, essere dei bravi matematici può non bastare perché il risultato, in termini di affidabilità e accuratezza, dipenderà in ogni caso da qualità e quantità dei dati disponibili all’analisi.   

Demand forecasting per le energy utilities: smart metering, meter data management e active demand management 

I dati provengono da svariate fonti. Nel settore energetico, dove il demand forecasting è usato anche per prevedere la richiesta di potenza disponibile che arriverà dagli utenti, sono sempre più spesso gli smart meter – i contatori intelligenti – a fornire un’enorme quantità di dati, praticamente in tempo reale. Dall’analisi di questi Big Data registrati dai contatori intelligenti dipendono le strategie che permettono agli utenti, e anche ai fornitori, di massimizzare i vantaggi delle politiche di prezzo dinamico tipiche della supply chain energy. Dallo smart metering si può passare al gradino successivo, il meter data management, e da qui ancora più avanti all’active demand management, la gestione dinamica della domanda energetica.  

Smart demand forecasting per la Smart Grid  

Un demand forecasting basato su smart metering, meter data management e active demand management diventa quasi indispensabile nel nuovo scenario energetico, caratterizzato sempre più dalla disponibilità di energia pulita rinnovabile generata in modo distribuito. Il consumer diventa prosumer, consumatore e produttore allo stesso tempo, consuma in modo intelligente l’energia che produce e rivende la quantità in eccesso riversandola nella Smart Grid, la rete energetica intelligente. Si moltiplicano anche le comunità energetiche, ora regolate dalla legge, dove gruppi di consumatori si uniscono per produrre e consumare insieme. L’intera efficienza di questo sistema sempre più intelligente, però, dipende molto dalla disponibilità di dati che possano generare informazioni previsionali accurate in tempi rapidi. 

Come lavorare dati per creare modelli affidabili di forecasting  

Dei dati sono importanti la quantità e la qualità prima di essere processati dagli analytics per il forecasting. La prima di solito non difetta nei repository delle utilities, la seconda va preparata. Le fasi salienti del processo sono: 

• data preparation e data cleaning 
• data modeling. 

Data preparation e data cleaning consistono in una vera e propria pulizia del dato, indipendentemente che provenga dalle serie storiche o dalle soluzioni di smart metering. Occorre innanzitutto depurare i dati da tutto ciò che può avere alterato o alterare l’analisi della domanda, come le campagne promozionali nel caso dei dati storici o le anomalie di funzionamento nel caso di rilevazioni sul campo attraverso una rete di sensori. Lo scopo di questa fase è rendere i dati omogenei e digeribili dalle soluzioni di forecasting. S’intende facilmente che la conoscenza delle dinamiche del settore e dei processi che lo caratterizzano fa da spalla alle conoscenze statistiche. 

La fase successiva, quella del data modeling, consiste nell’identificare con accuracy quali sono i dati stabili nelle serie storiche e nel farne il punto di riferimento nella creazione dell’algoritmo migliore da utilizzare.