Il costo nascosto di una previsione della domanda imprecisa
In qualsiasi azienda che gestisce scorte, personale o capacità produttiva, la previsione della domanda è una delle decisioni più ricorrenti e con il maggiore impatto economico. Si prende di continuo, con informazioni imperfette e sotto la pressione del tempo. E quando è sbagliata il costo è immediato: eccessi di stock che immobilizzano capitale e spazio, rotture di stock che causano vendite perse e clienti insoddisfatti, oppure personale dimensionato male rispetto alla domanda reale.
Fino a tempi relativamente recenti, la maggior parte delle aziende affrontava questa previsione basandosi sull’esperienza del buyer, su semplici medie storiche o, nel migliore dei casi, su modelli statistici di base come le medie mobili. I modelli di machine learning permettono di considerare un numero di variabili molto più ampio (stagionalità multiple, effetti di prezzo, eventi locali, condizioni meteo, tendenze sui social network) e di cogliere interazioni tra di esse che i metodi tradizionali non sono in grado di modellare.
Che cosa può fare l’IA per la previsione della domanda
Un sistema di previsione della domanda basato sul machine learning integra ed elabora contemporaneamente:
- Storico delle vendite: la base di qualsiasi previsione, ma con modelli in grado di scomporre più andamenti stagionali (settimanale, mensile, annuale, legato alle festività locali).
- Variabili esterne: previsioni meteo, calendario di eventi e festività, andamento delle ricerche online come indicatore anticipatore.
- Variabili interne all’azienda: promozioni pianificate, variazioni di prezzo, lanci di prodotto, apertura di nuovi punti vendita.
- Segnali di mercato: tendenze di settore, mosse della concorrenza quando sono osservabili.
I risultati documentati in implementazioni comparabili del settore mostrano, rispetto ai metodi di previsione precedenti, riduzioni degli eccessi di stock e degli episodi di rottura di stock; i risultati dipendono dalla variabilità della domanda, dalla qualità dei dati storici e dal settore.
I settori in cui la previsione della domanda ha più impatto
Commercio e retail: la gestione dell’assortimento nei negozi fisici e online richiede previsioni su più orizzonti temporali: settimane per la pianificazione degli acquisti, giorni per il riassortimento operativo. Nelle località turistiche la stagionalità estiva aggiunge un livello di complessità che i modelli semplici non colgono bene.
Logistica e distribuzione: le aziende di trasporto e distribuzione devono dimensionare flotte, percorsi e capacità di magazzino. Gli errori di previsione si traducono direttamente in costi di trasporto urgente o in asset sottoutilizzati.
Settore lattiero-caseario e agroalimentare: l’industria lattiero-casearia lavora con prodotti deperibili e con vincoli produttivi determinati dalla raccolta del latte. Una previsione della domanda precisa è essenziale per bilanciare produzione e distribuzione con margini ridotti.
Turismo e ospitalità: la previsione dell’occupazione, dei consumi nella ristorazione e della domanda di servizi permette di ottimizzare acquisti, personale e prezzi con una precisione molto superiore ai semplici metodi storici.
Come si implementa un sistema di previsione della domanda
Il processo inizia con l’analisi dei dati storici disponibili: qualità, completezza, granularità. Si definiscono poi l’orizzonte di previsione rilevante per l’azienda (giorni, settimane, mesi) e il livello di aggregazione (totale azienda, categoria, SKU, punto vendita).
Il modello viene addestrato, validato su dati storici tenuti da parte e valutato con metriche di business rilevanti: non solo l’errore statistico, ma anche l’impatto sui livelli di scorta e sulle rotture di stock simulate. L’integrazione con i sistemi gestionali esistenti (ERP, sistema acquisti) è il passaggio finale che trasforma le previsioni in azioni.
Domande frequenti
Con quale frequenza un sistema di forecasting con IA aggiorna le previsioni?
Dipende dalle esigenze dell’azienda. I sistemi più avanzati generano previsioni aggiornate ogni giorno o anche più spesso, incorporando le vendite effettive del giorno precedente. Per la maggior parte delle aziende, previsioni aggiornate ogni settimana sono un ottimo punto di partenza e rappresentano già un miglioramento significativo rispetto alla pianificazione mensile manuale.
Quanto storico delle vendite serve per addestrare il modello?
Almeno due anni completi, per cogliere le stagionalità annuali. Tre o più anni permettono al modello di distinguere le tendenze strutturali dalle variazioni occasionali. Se questo storico non è disponibile, esistono tecniche per integrarlo con dati di mercato o benchmark di settore.
La previsione della domanda con l’IA sostituisce la conoscenza del buyer?
No. Il sistema di IA gestisce la complessità dei dati storici e delle variabili esterne, ma la conoscenza del buyer su cambi di prodotto, strategia commerciale e contesto di mercato è un input prezioso da incorporare nel sistema. L’obiettivo è che il buyer dedichi la propria esperienza alle decisioni di maggior valore, non a costruire a mano previsioni per centinaia di articoli.