Riccardo Belli. Risorsa · Previsioni
// risorsa · dal reel

Prevedi le vendite
del prossimo mese

TimesFM è il modello di Google Research che prevede i numeri che cambiano nel tempo: vendite, ordini, giacenze, visite al sito. Gli dai lo storico e ti restituisce la previsione con il caso migliore e quello peggiore. Qui trovi le due strade per usarlo: gratis sul tuo computer con Claude Code oppure dentro Google Sheets con BigQuery.

Modello
TimesFM 2.5
Lettura
~7 min
Aggiornata
2 novembre 2026
Claude Code GitHub Google Sheets BigQuery Python
Scorri

Parti da qui: il modello

Open source
google-research/timesfm35.009

Si chiama TimesFM (Time Series Foundation Model) e l'ha fatto Google Research. È addestrato in partenza su miliardi di punti di serie storiche vere, dalle ricerche su Google al traffico delle pagine di Wikipedia. Per questo funziona sui tuoi numeri senza che tu lo debba addestrare.

Per usarlo gratis prendi la 2.5: 200 milioni di parametri, circa 800 MB da scaricare, gira su un portatile con 4 GB di RAM liberi anche senza scheda grafica. Codice e pesi hanno la licenza Apache 2.0, quindi la puoi usare anche in azienda.

Esiste anche la 3.0, uscita ad agosto 2026. È più forte sulle covariate. I suoi pesi però hanno un'altra licenza: te lo spiego al passo 05.

01Da leggere

Cosa prevede bene e cosa no

Avvertenze
  1. Prevede serie di numeri nel tempo. Vendite al giorno, ordini a settimana, pezzi in magazzino, visite al sito, consumi di energia. Una colonna di date e una colonna di numeri: se i tuoi dati stanno così, TimesFM li legge.
  2. Gli serve uno storico. Lavora sugli schemi che si ripetono: le stagioni, i giorni della settimana, la crescita. Su un prodotto lanciato tre mesi fa ha poco da cui partire. Con due o tre anni di vendite trova molto di più.
  3. Vede solo i numeri che gli dai. Una promozione, uno sciopero, un cliente grande appena firmato: se non stanno nei dati per lui non esistono. Festività e prezzi glieli puoi passare tu come covariate (passo 02).
  4. Un evento mai visto lo coglie impreparato. Una crisi o un concorrente nuovo sballano la previsione come quella di qualsiasi modello. Per questo insieme alla linea ti dà una fascia: guardala sempre.
02In due righe

La fascia e le covariate

Come leggerla

Il caso migliore e quello peggiore. Per ogni periodo TimesFM ti dà la previsione centrale più un valore basso e uno alto. Se dice che a marzo vendi tra 820 e 1.050 pezzi, 820 è il caso peggiore e 1.050 il migliore: con le impostazioni di base in 8 casi su 10 il numero vero cade lì dentro. Fascia stretta, il modello è sicuro. Fascia larga, tieni più scorta.

Le covariate. Sono le cose che spostano i tuoi numeri e che conosci in anticipo: festività, prezzo, promozioni. Le metti in colonne accanto alle vendite, anche per i periodi da prevedere, perché il modello da solo non sa quando è Natale.

03Strada A

Gratis sul computer, con Claude Code

Gratis

Ti servono Python 3.10 o più recente, 4 GB di RAM liberi e un paio di GB sul disco. Prepara un CSV con la colonna della data e la colonna del numero da prevedere, una riga per giorno, settimana o mese. Se vuoi provare subito, in fondo alla pagina c'è un file di esempio con tre anni di vendite settimanali.

Apri Claude Code nella cartella dove hai il CSV e incolla questo. Le parti tra parentesi quadre le cambi con i tuoi nomi.

Prompt 1 · installa e prevediin Claude Code
Voglio fare una previsione delle vendite con TimesFM 2.5 di Google Research, in locale su questo computer.

1. Crea un ambiente Python in questa cartella e installa il pacchetto con: pip install "timesfm[torch]"
2. Usa il modello google/timesfm-2.5-200m-pytorch (licenza Apache 2.0). Non usare la 3.0: i suoi pesi non si possono usare per scopi commerciali.
3. Leggi il file [vendite.csv]. La colonna della data è [data], quella da prevedere è [vendite]. Controlla che le date siano in ordine e senza buchi. Se mancano dei periodi dimmelo prima di andare avanti.
4. Prevedi i prossimi [8] periodi. Per ogni periodo dammi la previsione centrale, il caso peggiore (10° percentile) e il caso migliore (90° percentile).
5. Salva tutto in previsione.csv e fai un grafico previsione.png con lo storico, la previsione e la fascia tra caso peggiore e caso migliore.
6. Alla fine spiegami in tre righe cosa prevede e quanto è larga la fascia.

Il modello si scarica da Hugging Face la prima volta e poi resta sul computer. Nel repo c'è anche una skill per Claude Code, nella cartella timesfm-forecasting, che controlla la RAM prima di caricare il modello: se Claude Code la trova, lascia che la usi.

Quando la prima previsione ti torna, aggiungi le covariate. Nel file di esempio ci sono già le colonne festivo e prezzo.

Prompt 2 · con festività e prezziriempi le parentesi
Rifai la previsione aggiungendo le covariate.
Nel file [vendite.csv] ci sono anche le colonne [festivo] (1 se nel periodo c'è una festività, 0 se no) e [prezzo].

1. Installa le dipendenze per le covariate: pip install "timesfm[xreg]". Se su questo computer l'installazione non va, installa a mano jax e scikit-learn.
2. Usa forecast_with_covariates di TimesFM 2.5.
3. Le covariate servono anche per i periodi da prevedere: prima di partire chiedimi i valori di [festivo] e [prezzo] per i prossimi [8] periodi.
4. Confronta la previsione con le covariate e quella senza. Dimmi quanto cambia e in quali periodi.
04Strada B

Dentro Google Sheets

Senza codice

Da febbraio 2026 i Fogli collegati di Google Sheets (Connected Sheets) fanno la previsione con TimesFM. Niente Python: scegli cosa prevedere, quanti periodi avanti e il livello di confidenza. Con una serie sola Sheets ti fa anche il grafico. È disponibile per gli account Workspace e per quelli personali.

  1. Crea un progetto su Google Cloud con BigQuery attivo. Sotto Sheets il calcolo lo fa BigQuery.
  2. Carica le vendite in una tabella di BigQuery. Va bene lo stesso CSV della strada A.
  3. Collega il foglio. In Google Sheets apri Data › Data connectors › Connect to BigQuery e scegli progetto e tabella.
  4. Crea la previsione. Nell'anteprima del foglio collegato clicca Advanced Analytics › Create a Forecast. Imposti l'orizzonte e l'intervallo di confidenza. Per avere una previsione per prodotto o per regione la dividi su quella colonna.

Quanto costa. Sheets è gratis, BigQuery si paga a byte processati. Di base in BigQuery la previsione usa TimesFM 2.5 e si paga come una query normale: con la tariffa a consumo il primo TiB al mese è gratis, poi 6,25 dollari per TiB. Un file di vendite di qualche anno pesa pochi megabyte, quindi per le prove di solito resti nella parte gratuita. Controlla comunque la fatturazione del progetto prima di lanciare previsioni su tabelle grandi.

TimesFM gira in tutte le regioni di BigQuery, anche in quella europea. In BigQuery la fascia di base è al 95%: più larga di quella della strada A, che è all'80%.

05La 3.0

La 3.0 non è gratis per l'azienda

Attenzione

I pesi sono non commerciali. La 3.0 prevede più serie insieme e gestisce meglio le covariate. Il codice resta Apache 2.0. I pesi da scaricare invece hanno una licenza non commerciale: sul tuo computer la puoi usare solo per prove e studio. Per usarla in azienda Google ti manda su BigQuery, dove è ancora in anteprima (Preview).

Dal 1° dicembre 2026 in BigQuery passa a token. È la data obiettivo scritta nella pagina dei prezzi di BigQuery. Ogni punto di dati conta un token: 0,05 dollari per milione di token in ingresso, 0,20 dollari per milione in uscita, più i byte processati dal resto della query. Nella stessa pagina il cambio riguarda solo la 3.0: la 2.5, che è quella di base, resta a byte processati.

06L'ordine

Da dove partire

Riepilogo
  1. Scarica il file di esempio qui sotto e lancia il prompt 1 su quello.
  2. Guarda il grafico. Linea, fascia, stagioni: capisci in cinque minuti come ragiona.
  3. Passa ai tuoi dati. Una colonna di date senza buchi, una colonna di numeri.
  4. Aggiungi festività e prezzi con il prompt 2 e confronta le due previsioni.
  5. Se in azienda lavorate già su Sheets e BigQuery, prova la strada B e resta sulla 2.5.

I file da scaricare

Download

Un file di vendite per provare subito e la guida di questa pagina in un file solo.

vendite-settimanali-esempio.csv

Tre anni di vendite settimanali di un negozio inventato, con le colonne data, vendite, festivo e prezzo. Ci sono il picco di Natale, il calo di agosto e qualche settimana di promozione.

Scarica · CSV ↓

timesfm-previsioni.md

Le avvertenze, i due prompt per Claude Code, i passi per Google Sheets e i prezzi di BigQuery. Le parti da cambiare sono tra parentesi quadre.

Scarica · MD ↓
E adesso?

Lo storico ce l'hai.
Guarda avanti.

Mezz'ora per installarlo e fare la prima previsione sul file di esempio. Poi ci metti le tue vendite e guardi quanto è larga la fascia: ti dice quanto fidarti del numero.

0
stelle su GitHub
0
parametri della 2.5, gira su un portatile
0
punti di storico che la 2.5 legge in una volta

Vuoi andare più a fondo?

Se vuoi impararlo per bene, dal primo comando a Claude Code, c'è il corso. Se invece hai un'azienda e vuoi portare l'AI dentro i processi, parliamone in una call.

Il corso su Claude → Parliamo del tuo progetto →
La risorsa che ti ho promesso. TimesFM è open source, pesi Apache 2.0 fino alla 2.5. Dati letti il 2 novembre 2026. Riccardo Belli.