Tidsserieprognoser består av att analysera tidsseriedata och förutsäga utfall genom statistik och modellering. Prognoser är inte alltid korrekta, och de kan variera kraftigt – särskilt när det gäller variabler som fluktuerar ofta i tidsseriedata och externa faktorer. Prognoser ger insikt i vilka utfall som är mer sannolika – eller mindre sannolika – att inträffa än andra. Vi kan ofta göra mer exakta prognoser med mer omfattande data. Trots att prognoser och "förutsägelse" i allmänhet är desamma, finns det några betydande skillnader.
Vissa branscher kan använda prognoser för att referera till data vid en specifik tidpunkt i framtiden, medan andra kan använda prediktion för att referera till data i allmänhet. Tidsserieanalys används ofta i samband med serieprognoser. Målet med tidsserieanalys är att få en förståelse för de bakomliggande orsakerna bakom data. Det är möjligt att få insikt i "varför" bakom de resultat man ser genom analys. Prognostiseringsprocessen innebär sedan att extrapolera vad som kan hända i framtiden baserat på den kunskapen.
Tidsseriemodeller har ett brett användningsområde, från att prognostisera försäljning till att prognostisera väder. Det har visat sig att tidsseriemodeller är den mest effektiva metoden för prognoser när det råder osäkerhet om framtiden.
Alla typer av affärsbeslut informeras av tidsserieprognoser. Här är några exempel:
- För att kunna besluta om huruvida ytterligare ett kraftverk ska byggas under de kommande fem åren är det nödvändigt att prognostisera elbehovet.
- Schemalägger personal i ett callcenter nästa vecka baserat på prognoser för samtalsvolym.
- Lagerhållning för att möta efterfrågan baserat på prognostiserade lagerbehov.
- Optimera flotthantering och andra aspekter av leveranskedjan genom att prognostisera utbud och efterfrågan.
- Minimera driftstopp och upprätthålla säkerhetsstandarder genom att förutsäga utrustningsfel och underhållsbehov.
- Optimera sjukdomsbekämpning och utbrottsprogram genom att prognostisera infektionsnivåer.
- Förutsäga kundbetyg och prognostisera produktförsäljning.
Prognoser kan innebära olika tidshorisonter beroende på omständigheterna och vad som prognostiseras.
Det är naturligt att det finns begränsningar när man hanterar det oförutsägbara och okända. Tidsserieprognoser är inte lämpliga eller användbara för alla situationer. Eftersom det inte finns några uttryckliga regler för när man bör eller inte bör använda prognoser måste analytiker och datateam vara medvetna om begränsningarna i sina analyser och modeller.
Det finns inte alla modeller som passar alla datamängder eller besvara alla frågor. När datateam förstår affärsfrågan och har lämpliga data- och prognosfunktioner för att besvara den, bör de använda tidsserieprognoser. Att identifiera verkliga trender och mönster i historisk data kan uppnås genom att använda rena, tidsstämplade data. Genom att separera genuina insikter från säsongsvariationer kan analytiker skilja mellan slumpmässiga fluktuationer och extremvärden. Bra prognoser kan visa i vilken riktning data förändras över tid genom tidsserieanalys.