Quando una serie di dati presenta un vuoto, la domanda pratica è quasi sempre la stessa: quale valore possiamo stimare senza alterare la lettura del fenomeno? L’interpolazione lineare offre una risposta rapida per ricostruire un punto compreso tra due valori noti, con applicazioni utili in report, dashboard, previsioni operative e KPI. In questo articolo mostro la formula, un esempio concreto, l’uso in Excel e i casi in cui è meglio scegliere un metodo diverso.
La stima è semplice, ma la scelta dei dati richiede attenzione
- Obiettivo della tecnica è stimare un valore compreso tra due osservazioni conosciute.
- La formula considera la distanza relativa tra il punto cercato e i due estremi.
- Nei KPI funziona bene quando l’andamento tra i punti è abbastanza regolare.
- Non va confusa con l’estrapolazione, che stima valori oltre l’intervallo osservato.
- Un dato ricostruito deve essere marcato come stimato, non presentato come misurazione reale.
Che cosa stima davvero e quando ha senso usarla
Il metodo parte da due punti conosciuti, per esempio (xₐ, yₐ) e (xᵦ, yᵦ), e presume che tra loro il cambiamento sia approssimativamente costante. Se conosco le vendite al giorno 10 e al giorno 20, posso stimare il valore del giorno 14 senza costruire un modello complesso.
La logica è quella di una media ponderata. Il punto più vicino alla data cercata pesa di più, mentre quello più lontano pesa di meno. Questa semplicità è il suo principale vantaggio: il calcolo è trasparente, veloce e facile da spiegare anche a chi non lavora ogni giorno con la statistica.
Io la considero adatta soprattutto in tre situazioni:
- per riempire una singola lacuna o poche lacune in una serie ordinata;
- per stimare valori su una scala continua, come tempo, temperatura, distanza o prezzo;
- per costruire una dashboard leggibile quando il dato mancante non è decisivo per una valutazione ad alto rischio.
La tecnica diventa meno affidabile se tra i due estremi si verificano salti improvvisi, promozioni, festività, cambi di processo o eventi eccezionali. In quel caso il valore calcolato può essere matematicamente corretto rispetto alla formula, ma poco rappresentativo della realtà.
La formula spiegata con un esempio numerico
La formula generale è la seguente:
y = yₐ + [(x - xₐ) / (xᵦ - xₐ)] × (yᵦ - yₐ)
Immaginiamo di conoscere questi due valori di fatturato:
| Giorno | Fatturato osservato |
|---|---|
| 10 | 120 € |
| 20 | 180 € |
Vogliamo stimare il fatturato del giorno 14. La distanza tra i due estremi è di 10 giorni, mentre il giorno cercato si trova a 4 giorni dal primo punto. Il peso relativo è quindi 4 ÷ 10 = 0,4.
La variazione complessiva è di 60 euro. Applicando la formula otteniamo 120 + 0,4 × 60, cioè 144 euro. La stima presuppone che l’incremento giornaliero sia regolare, pari a circa 6 euro al giorno.
Un controllo rapido aiuta a evitare gli errori più comuni. Il risultato deve trovarsi tra 120 e 180 euro, perché il giorno 14 è compreso tra i due punti. Se il calcolo restituisce 210 euro, probabilmente sono stati invertiti gli estremi oppure è stata usata una data sbagliata.
Come applicarla a KPI e serie temporali
Nei sistemi di business intelligence il problema non è quasi mai trovare la formula, ma capire che cosa si sta stimando. Un KPI può essere un valore diretto, come il fatturato, oppure un rapporto, come il tasso di conversione. I due casi non vanno trattati allo stesso modo.
Un valore diretto tra due periodi
Supponiamo che un’azienda abbia registrato 80.000 euro di ricavi a gennaio e 110.000 euro a marzo. Se i mesi sono equidistanti e non ci sono informazioni anomale su febbraio, la stima intermedia è di 95.000 euro.
Questo può essere utile per completare un grafico o calcolare una variazione mensile provvisoria. Non significa però che a febbraio siano stati davvero generati 95.000 euro. In un report serio distinguerei il dato osservato da quello ricostruito usando un’etichetta, un colore o un campo dedicato.
Un KPI espresso come percentuale
Se il tasso di conversione passa dal 2,4% al 3,0% in due periodi, la stima lineare del punto intermedio è 2,7%. Questa operazione è ragionevole solo se il volume di visite, il mix di traffico e le condizioni commerciali non sono cambiati in modo sostanziale.
Quando il KPI è un rapporto, io preferisco controllare anche numeratore e denominatore. Se a gennaio abbiamo 240 ordini su 10.000 visite e a marzo 600 ordini su 20.000 visite, interpolare direttamente le percentuali può nascondere il comportamento reale. In molti casi è più corretto stimare separatamente ordini e visite, poi calcolare il rapporto.
Leggi anche: Come si calcola la covarianza - formule ed esempio pratico
Una serie con intervalli non uniformi
La distanza temporale deve entrare nel calcolo. Se un valore è noto il 1° gennaio e il successivo il 21 gennaio, il punto del 6 gennaio non è a metà intervallo, ma si trova a 5 giorni su 20. Usare semplicemente la media dei due valori produrrebbe una stima sbagliata.
Prima di procedere controllo sempre che le date siano ordinate, che abbiano lo stesso fuso orario e che non manchino periodi importanti. Un errore nel calendario può essere più dannoso dell’assenza del dato stesso, soprattutto nelle dashboard aggiornate automaticamente.
Come calcolarla in Excel e negli strumenti BI
In Excel è sufficiente applicare la formula con le celle che contengono gli estremi. Se A2 contiene la prima data, B2 il primo valore, A3 la seconda data, B3 il secondo valore e D2 la data da stimare, la formula può essere:
=B2+(D2-A2)/(A3-A2)*(B3-B2)
Le date di Excel sono numeri progressivi, quindi la sottrazione calcola correttamente la distanza tra i giorni. Prima di copiare la formula su molte righe, verifico però che ogni valore mancante abbia davvero un punto valido prima e dopo. Senza entrambi gli estremi non si tratta più di interpolazione, ma di una stima diversa.
| Situazione | Azione consigliata | Rischio principale |
|---|---|---|
| Una lacuna tra due valori affidabili | Applicare la formula punto a punto | Supporre una crescita regolare quando non lo è |
| Più lacune consecutive | Valutare trend, stagionalità o modelli temporali | Creare una sequenza artificiale troppo liscia |
| Mancanza all’inizio o alla fine della serie | Usare una previsione o un metodo di estrapolazione controllato | Allontanarsi dai dati realmente osservati |
In una pipeline BI automatizzata aggiungerei almeno tre campi separati: il valore originale, il valore stimato e un indicatore booleano come is_interpolated = 1. Questa piccola scelta rende il modello più auditabile e impedisce che una stima venga scambiata per un dato certificato.
Gli errori che riducono l’affidabilità della stima
Il primo errore è usare il metodo senza guardare il grafico o la serie storica. Due punti possono sembrare allineati, mentre tra loro il fenomeno presenta un picco, una caduta o un cambio di regime. La retta non vede queste dinamiche, perché considera soltanto gli estremi.
Un secondo problema nasce dai valori anomali. Se il punto iniziale è stato influenzato da una campagna promozionale e quello finale da una giornata festiva, la stima intermedia erediterà un’informazione distorta. Prima del calcolo controllo sempre la qualità dei dati, non soltanto la correttezza aritmetica.
È inoltre importante distinguere tra interpolazione e regressione lineare. La prima collega normalmente due punti vicini e passa per i valori osservati; la seconda usa più osservazioni per trovare una relazione media, tollerando anche errori e scostamenti. Confonderle porta spesso a interpretare una previsione statistica come se fosse una ricostruzione esatta.
Quando ci sono stagionalità, molti dati mancanti o variazioni non costanti, prenderei in considerazione una media mobile, una regressione, un modello stagionale o una tecnica specifica per serie temporali. Non esiste un metodo migliore in assoluto: conta il comportamento del fenomeno e il costo di un errore.
Come decidere se il risultato è abbastanza buono
Una stima non dovrebbe entrare in un KPI senza una minima verifica. Il controllo più pratico consiste nel nascondere temporaneamente alcuni valori già noti, ricostruirli con la formula e confrontare il risultato con il dato reale. Questa procedura si chiama validazione retrospettiva e permette di misurare l’errore prima di usare il metodo in produzione.
Per esempio, posso calcolare l’errore assoluto medio su 10 punti esclusi dal test. Se la differenza media è di 2 unità su un KPI che oscilla tra 0 e 100, l’impatto può essere accettabile; se è di 2 punti percentuali su un tasso di conversione già vicino ai margini di redditività, potrebbe non esserlo.
- Misurare l’errore in valore assoluto e, quando possibile, in percentuale.
- Confrontare il risultato con una semplice media o con l’ultimo valore disponibile.
- Verificare separatamente periodi normali, promozionali e stagionali.
- Stabilire una soglia oltre la quale il dato deve essere mostrato come mancante.
Io userei quindi questa tecnica per supportare una decisione operativa, non per mascherare un problema di raccolta dati. Se le lacune sono frequenti, la priorità dovrebbe essere correggere il processo che produce il dato, perché nessuna formula può sostituire una misurazione affidabile.
Una regola operativa per usare stime senza confonderle con dati reali
Per valori compresi tra due osservazioni affidabili, con andamento plausibilmente regolare, il metodo lineare resta una soluzione chiara e proporzionata. È particolarmente utile per grafici, KPI temporanei e analisi esplorative, dove servono rapidità e leggibilità.
La cautela aumenta quando il valore ricostruito guida budget, compensi, conformità o decisioni commerciali rilevanti. In quei casi documenterei sempre punti utilizzati, data del calcolo, formula, margine di errore e natura stimata del risultato.
La regola che seguo è semplice: interpolare può riempire un vuoto, ma non deve cancellare l’incertezza. Una dashboard diventa più credibile quando mostra chiaramente che cosa è stato misurato, che cosa è stato stimato e quanto possiamo fidarci di quella differenza.
