- Pour les activités concernées, il est difficile pour un décideur d’appréhender l’ensemble de ce qui influence l’activité et de quantifier les impacts des influences croisées.

- En revanche, un historique de l’activité concernée, associé aux historiques des nombreux facteurs internes et externes pouvant potentiellement l’influencer contient toute l’information sur ce qui l’influence effectivement, comment elle s’influence elle-même, à quelles saisonnalités et à quelles tendances elle est assujettie. Une fois ces historiques mis en forme de séries chronologiques, avec des modèles (statistiques ou à base d’équations différentielles) pour analyser et simuler ces séries, les influences significatives sont identifiées et quantifiées. Puis, dès lors que ces éléments ont été appris, et qu’il est établi qu’ils sont des invariants de causalité de l’activité, leur valeurs actuelles peuvent être utilisées pour prévoir son niveau à venir.

- Cette approche est mise en œuvre usuellement par See-d pour réaliser des IA pour ce Use Case. Grâce à elle, chacune des IA résultantes peut apprendre ce qui influence l’activité et ensuite faire des prévisions la concernant.