La previsione della domanda è uno dei casi d’uso dell’IA più richiesti dalle aziende industriali, commerciali e agroalimentari. Ed è anche uno dei più fraintesi, sia nelle sue capacità sia nei suoi limiti.
Questo articolo spiega come funziona in pratica la previsione della domanda con l’IA, che cosa la distingue dai metodi tradizionali, quali condizioni deve soddisfare l’azienda perché funzioni bene e che cosa succede quando la domanda segue schemi che il modello non riesce a cogliere.
La differenza reale rispetto ai metodi attuali
La previsione della domanda non è un problema nuovo. Molte aziende la fanno già: con fogli di calcolo, con medie mobili, con l’esperienza del responsabile acquisti che conosce bene la stagionalità del business.
I modelli di IA per la previsione della domanda migliorano questi metodi in tre aspetti specifici.
Capacità di integrare più variabili. I metodi tradizionali colgono bene la stagionalità e il trend storico. I modelli di machine learning possono incorporare decine di variabili aggiuntive che influenzano la domanda: meteo, calendari di eventi, dati economici, promozioni attive, prezzi della concorrenza, cicli di vita del prodotto. Più variabili rilevanti il modello è in grado di elaborare, più accurata è la previsione.
Individuazione automatica di schemi complessi. Un modello di machine learning può rilevare che la domanda di un prodotto in una determinata zona aumenta il lunedì quando la domenica ha piovuto e il sabato successivo c’è una partita di calcio: una combinazione di fattori che nessun analista collegherebbe manualmente. È in questi schemi non lineari che l’IA aggiunge di più rispetto ai metodi statistici classici.
Previsione a livello granulare. I metodi tradizionali di solito prevedono per famiglia di prodotto o categoria. I modelli di IA possono prevedere per singolo SKU, per punto vendita o per canale, il che consente una gestione delle scorte molto più precisa.
Quando la previsione con l’IA migliora nettamente i metodi attuali
L’IA per la previsione della domanda ha l’impatto maggiore quando:
il business ha un’alta variabilità della domanda che i metodi attuali non colgono bene, con frequenti eccessi di scorte o rotture di stock; ci sono molti SKU da gestire singolarmente; esistono variabili esterne che influenzano chiaramente la domanda ma che i metodi attuali non incorporano in modo sistematico; lo storico delle vendite è abbastanza lungo perché il modello impari gli schemi stagionali.
In altri casi il miglioramento è minore: business con una domanda molto stabile e prevedibile, dove i metodi attuali sono già precisi, oppure business con una domanda molto volatile o fortemente dipendente da fattori non prevedibili (come il meteo, quando il business vi è molto sensibile).
Il ruolo dei dati: la variabile che più determina il risultato
La qualità della previsione dipende direttamente dalla qualità dello storico delle vendite. I problemi più frequenti che riducono l’accuratezza dei modelli sono questi.
Dati di vendita che non riflettono la domanda reale. Se nel periodo storico ci sono state rotture di stock, le vendite di quel periodo sottostimano la domanda reale. Il modello impara dalle vendite registrate, non dalla domanda effettiva, e questo può introdurre una distorsione sistematica verso il basso.
Eventi straordinari non etichettati. La pandemia, un problema logistico, una promozione eccezionale: se questi eventi non sono etichettati nello storico, il modello li interpreta come comportamento normale e può impararli in modo errato.
Cambiamenti di prodotto o di mercato non considerati. Se il portafoglio prodotti è cambiato in modo significativo, lo storico dei prodotti dismessi può non essere rappresentativo della domanda futura dei nuovi.
Il processo di implementazione: dai dati al sistema in produzione
L’implementazione di un sistema di previsione della domanda ha fasi ben definite. La prima, l’audit dei dati, è quella che più determina il perimetro e la complessità del progetto. La seconda, lo sviluppo e la validazione del modello, è la fase tecnica. La terza, l’integrazione con i sistemi di pianificazione (ERP, strumenti per gli acquisti, sistemi di produzione), è quella che chiude il ciclo del valore.
Un modello di previsione che non si collega ai sistemi in cui si prendono le decisioni di acquisto o di produzione genera report da trasferire manualmente: utili, ma non trasformativi. È l’integrazione diretta con il sistema di pianificazione che permette alla previsione di tradursi in proposte d’ordine automatiche.
Domande frequenti
Il modello può prevedere bene in assenza di storico (nuovi prodotti, nuovi mercati)? È una delle sfide più comuni. Per i nuovi prodotti si può trasferire l’apprendimento da prodotti simili già esistenti. Per i nuovi mercati si possono usare dati di mercati comparabili. Ma la previsione senza uno storico proprio comporta sempre un’incertezza maggiore, che i modelli ben progettati comunicano esplicitamente insieme alla previsione.
Che cosa succede quando la domanda cambia in modo strutturale (una crisi, un cambiamento di mercato)? I modelli imparano dai dati storici. Un cambiamento strutturale senza precedenti nello storico, come una pandemia o una discontinuità di mercato inedita, fa perdere accuratezza al modello finché non viene riaddestrato con i dati del nuovo periodo. I sistemi ben progettati includono meccanismi di rilevamento del drift che segnalano quando il modello sta sbagliando le previsioni.
La previsione con l’IA può sostituire la conoscenza dell’esperto acquisti? Non la sostituisce, la integra. L’esperto acquisti conosce elementi di contesto che il modello non ha: la trattativa con un fornitore che può incidere sui tempi, l’evento locale che quest’anno spingerà le vendite ma che l’anno scorso non c’era, le informazioni di mercato assenti dai dati storici. Il sistema più efficace combina la previsione del modello con il giudizio dell’esperto.