Tijdreeksvoorspelling bestaat uit het analyseren van tijdreeksgegevens en het voorspellen van uitkomsten door middel van statistiek en modellering. Voorspellingen zijn niet altijd nauwkeurig en kunnen sterk variëren, vooral wanneer het gaat om variabelen die frequent fluctueren in tijdreeksgegevens en externe factoren. Voorspellen geeft inzicht in welke uitkomsten waarschijnlijker – of minder waarschijnlijker – zijn dan andere. We kunnen vaak nauwkeurigere voorspellingen doen met meer complete gegevens. Hoewel voorspellen en "predictie" in principe hetzelfde zijn, bestaan er enkele belangrijke verschillen.
Sommige sectoren gebruiken de term 'forecasting' om te verwijzen naar gegevens op een specifiek tijdstip in de toekomst, terwijl andere sectoren de term 'prediction' gebruiken om te verwijzen naar gegevens in het algemeen. Tijdreeksanalyse wordt vaak gebruikt in combinatie met tijdreeksvoorspellingen. Het doel van tijdreeksanalyse is om inzicht te krijgen in de onderliggende oorzaken van de gegevens. Door middel van analyse is het mogelijk om de 'waarom' achter de waargenomen resultaten te achterhalen. Het voorspellingsproces omvat vervolgens het extrapoleren van wat er in de toekomst zou kunnen gebeuren op basis van die kennis.
Tijdreeksmodellen hebben een breed scala aan toepassingen, van het voorspellen van verkopen tot het voorspellen van het weer. Het is gebleken dat tijdreeksmodellen de meest effectieve methode zijn voor voorspellingen wanneer er onzekerheid bestaat over de toekomst.
Allerlei zakelijke beslissingen worden beïnvloed door tijdreeksvoorspellingen. Hier zijn een paar voorbeelden:
- Om te kunnen beslissen of er de komende vijf jaar nog een energiecentrale gebouwd moet worden, is het noodzakelijk om de vraag naar elektriciteit te voorspellen.
- Het inroosteren van personeel in een callcenter voor volgende week op basis van de verwachte belvolumes.
- Het aanleggen van voorraden om aan de vraag te voldoen op basis van de verwachte voorraadbehoeften.
- Het optimaliseren van wagenparkbeheer en andere aspecten van de toeleveringsketen door vraag en aanbod te voorspellen.
- Het minimaliseren van stilstandtijd en het handhaven van veiligheidsnormen door het voorspellen van apparatuurstoringen en onderhoudsbehoeften.
- Het optimaliseren van ziektebestrijdings- en uitbraakprogramma's door infectiepercentages te voorspellen.
- Het voorspellen van klantbeoordelingen en productverkopen.
Prognoses kunnen verschillende tijdshorizonten omvatten, afhankelijk van de omstandigheden en wat er voorspeld wordt.
Het is natuurlijk dat er beperkingen zijn bij het omgaan met het onvoorspelbare en het onbekende. Tijdreeksvoorspellingen zijn niet voor elke situatie geschikt of nuttig. Omdat er geen expliciete regels zijn voor wanneer je wel of niet gebruik moet maken van voorspellingen, moeten analisten en datateams zich bewust zijn van de beperkingen van hun analyses en modellen.
Er bestaan geen modellen die geschikt zijn voor alle datasets of die alle vragen kunnen beantwoorden. Wanneer datateams de zakelijke vraag begrijpen en beschikken over de juiste data en voorspellingsmogelijkheden om deze te beantwoorden, zouden ze tijdreeksvoorspellingen moeten gebruiken. Echte trends en patronen in historische data kunnen worden geïdentificeerd door gebruik te maken van schone, tijdgestempelde data. Door echte inzichten te scheiden van seizoensschommelingen, kunnen analisten het verschil zien tussen willekeurige fluctuaties en uitschieters. Goede voorspellingen kunnen via tijdreeksanalyse de richting laten zien waarin data in de loop van de tijd verandert.