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