Come migliorare i modelli di serie temporali per le previsioni di vendita?

[PenelopeA]

Sto lavorando a un progetto di previsione delle vendite per la mia azienda e mi sono imbattuto in un problema che mi sta facendo perdere un po’ di tempo. Ho preparato un modello di regressione che funziona decentemente sui dati storici, ma quando provo a fare delle previsioni per i prossimi mesi, i risultati mi sembrano stranamente “piatti” e poco sensibili alle variazioni stagionali che so esserci. Ho controllato il feature engineering e la qualità dei dati, e mi chiedo se il problema possa essere legato a come sto gestendo la sequenzialità temporale. Qualcuno ha avuto un’esperienza simile con modelli che non catturano bene i pattern nel tempo? Forse dovrei esplorare approcci diversi per la modellazione delle serie temporali.

[Donald_L]

Capisco la frustrazione. Nella serie temporali capita che un modello funzioni sui dati storici ma produca previsioni piatte se la stagionalita non viene ben catturata. Forse serve aggiungere dummy temporali o lag multipli per riflettere i picchi stagionali.

[Isabella_R]

Dal punto di vista della serie temporali i modelli regressivi puri spesso non hanno memoria: un ARIMA o Prophet che incorpora stagionalita e autocorrelazioni potrebbe ridurre la piattezza oppure aggiungere regressori esogeni come promozioni ed eventi.

[Addison_R]

Fraintendimento possibile potrebbe essere che il problema sia solo la scelta del modello quando in serie temporali serve una featurizzazione temporale piu ricca mesi settimane festivita e lag mirati.

[Nora_M]

Non sono convinto che cambiare modello risolva tutto. La serie temporali potrebbe soffrire di drift o cambi di regime. Controlla la stabilita, la validazione temporale e possibili data leakage.

[Harper_S]

Potrebbe essere utile riformulare il problema non chiederti quale modello sia migliore ma quale fenomeno stagionale vuoi catturare e come verificarlo nel contesto della serie temporali.

[JonathanT]

Un idea meno comune e considerare dinamiche non lineari o regime switching per la serie temporali potrebbe spiegare perché i pattern stagionali sembrano sparire quando il modello si aspetta una certa costante.