Prevedere la domanda con l'AI: da dove partire

In due righe

Per decidere non serve l'algoritmo: serve sapere quanto ti costa oggi sbagliare previsione.
La base di partenza è una previsione semplice in Excel, da usare come metro.
L'AI vale solo se batte in modo stabile quella previsione semplice.
Bastano dati puliti per almeno un anno intero, non big data.

Per usare l'intelligenza artificiale nella previsione della domanda in una PMI non si parte dall'algoritmo, ma da una previsione semplice fatta in Excel, che diventa il termine di paragone. Prima misuri quanto ti costa oggi sbagliare previsione, poi scegli il prodotto dove l'errore costa di più e solo lì fai lavorare un modello sui dati storici. Se il modello non batte in modo stabile la previsione semplice, non serve. I dati richiesti sono meno di quanti pensi, ma devono coprire almeno un anno intero.

Previsione della domanda e previsione delle vendite: non sono la stessa cosa

La previsione della domanda è la stima di quanto prodotto o servizio i clienti chiederanno in un periodo futuro. Non è la stessa cosa della previsione delle vendite, che stima cosa riuscirai a fatturare e non vede la domanda che non hai potuto soddisfare per mancanza di scorte. Quando un prodotto finisce e perdi vendite che avresti potuto fare, si chiama stockout. Per decidere quanto comprare o produrre serve la domanda, non il fatturato previsto. Qui il discorso resta sulle scorte e sul costo di sbagliarle. Chi vuole il metodo per la previsione commerciale può leggerlo in come fare una previsione di vendita in una PMI.

Quando conviene usare l'AI per prevedere la domanda: la griglia in tre domande

Prima di pensare a modelli, rispondi a tre domande. Hai molti codici con scorte ferme? Hai prodotti deperibili o con stagionalità forte? Hai lead time lunghi, cioè passa molto tempo tra l'ordine al fornitore e la merce in magazzino? Se rispondi sì a una di queste, l'errore di previsione costa e l'AI ha spazio per migliorare. Un modello di machine learning impara dai dati invece di seguire regole scritte a mano, e può tenere insieme molti fattori. Se il tema dell'AI in azienda è nuovo, il punto di partenza è da dove partire con l'intelligenza artificiale in azienda.

Metodo	Cosa fa	Dati che servono	Quando basta
Regola dell'anno scorso	Ripropone il dato dello stesso periodo dell'anno prima	Solo lo storico grezzo, nessuna elaborazione	Domanda stabile, pochi codici, margini comodi
Media stagionale (baseline)	Calcola in Excel la media mobile o stagionale per codice	12-24 mesi di vendite per codice	Prima baseline per misurare l'errore e decidere
Modello AI / machine learning	Impara dai dati e usa molti fattori (promo, meteo, eventi) per prevedere	24-36 mesi di storico pulito più variabili esterne	Molti codici, stagionalità forte, deperibili, lead time lunghi

Quanto ti costa sbagliare previsione: il calcolo in tre numeri

Facciamo un conto su un'azienda tipo. I numeri sono ipotesi per mostrare il calcolo, non medie di mercato.

Mettiamo un distributore con 1,5 milioni di fatturato e 800 codici a magazzino. Tiene scorte medie per 200.000 euro e paga il capitale immobilizzato al 6% all'anno: sono 12.000 euro di costo finanziario sulle scorte. L'overstock è questo: l'eccesso di scorte che immobilizza capitale e occupa spazio senza generare ricavi.

Aggiungi le mancate vendite: 40 ordini persi l'anno per stockout, con margine medio di 50 euro, fanno altri 2.000 euro. Il costo totale dell'errore di previsione è circa 14.000 euro l'anno.

Una riduzione dell'errore del 20% vale circa 2.800 euro l'anno. Da confrontare con uno strumento cloud che costa da 200 a 500 euro al mese, cioè da 2.400 a 6.000 euro l'anno. Il business case non è automatico, e questo è il punto: va misurato prima di comprare.

Se invece produci alimentari con 400 referenze e stagionalità forte, l'errore pesa due volte: sprechi per deperibilità e rotture di stock. In quel caso l'AI conviene quasi sempre, ma il conto va fatto comunque.

Da dove si parte: la previsione semplice prima del modello

Il modello AI deve battere una previsione semplice, non sostituirla a caso. La baseline è una previsione semplice, come la media stagionale, usata come termine di paragone. Si costruisce in tre passi.

Scegli il prodotto o la famiglia dove sbagliare costa di più, usando il calcolo della sezione precedente.
In Excel costruisci una previsione semplice: la media mobile stagionale o la regola dell'anno scorso.
Misura quanto sbaglia la baseline con il MAPE, l'errore percentuale assoluto medio, che indica in percentuale quanto la previsione si discosta dai valori reali.

Poi valuti un modello più sofisticato solo se l'errore costa abbastanza. Il modello deve fare meglio della baseline in modo stabile, non su un mese fortunato.

Quali dati servono davvero, e quanti

Una serie storica è una sequenza di dati registrati nel tempo, come le vendite mensili di un prodotto. Per la previsione servono serie storiche di vendite per codice, con data, quantità e prezzo, più i fattori esterni che contano per te: promozioni, meteo, festività. Il codice che identifica ogni prodotto in magazzino si chiama SKU. Serve almeno un anno intero per catturare la stagionalità, meglio due o tre. Non servono big data: il punto è la pulizia, non il volume. Le variabili essenziali sono le stesse indicate da Microsoft Learn: data, SKU, quantità, prezzo e fattori esterni. Su quanti dati bastano davvero, c'è una risposta più ampia in quanti dati servono davvero per usare l'AI.

Lo strumento

Delera Agent AI costruisce agenti su misura sui processi che oggi ti portano via ore ogni settimana.

Scopri Delera Agent AI

ARIMA, Prophet e XGBoost: i nomi da conoscere in una riga

I nomi che sentirai da un fornitore sono tre. ARIMA è il metodo statistico classico per le serie storiche. Prophet è un modello sviluppato da Meta che gestisce bene stagionalità e festività. XGBoost è un modello ad alberi decisionali, forte quando i fattori da considerare sono molti. Non serve saperli usare: serve riconoscerli per capire se chi ti propone un progetto sta parlando della tua azienda o sta elencando nomi. Secondo IBM Think, l'AI ha ridotto gli errori di forecasting fino al 50% in alcuni casi, ma la misura che conta è la tua baseline, non il caso migliore di qualcun altro.

I tre errori che costano più dell'AI stessa

Non comprare un tool enterprise quando hai venti dipendenti. Quei sistemi sono fatti per centinaia di SKU e team dedicati. Una PMI che li adotta finisce per pagare funzioni che non userà mai.
Non partire dal modello invece che dalla baseline. Se non hai una previsione semplice da battere, non puoi capire se il modello sta aggiungendo valore o solo complicando le cose.
Non fidarti di chi promette accuratezza al 90% senza misurarla sui tuoi dati. La percentuale va verificata sulla tua serie storica, non presa da una brochure.

Il punto di forza è proprio partire semplice. Secondo l'Osservatorio Innovazione Digitale nelle PMI del Politecnico di Milano, il 76% delle PMI italiane non ha investito né prevede di investire nell'AI, e solo il 7% ha avviato programmi strutturati di formazione. Chi parte con una baseline in Excel ha già un vantaggio competitivo.

Quanto costa, e chi lo fa: senza illudersi

I costi vanno da zero a migliaia di euro, ma il punto non è il prezzo del tool: è il valore dell'errore eliminato. Excel a costo zero costruisce la baseline. Gli strumenti cloud di forecasting costano indicativamente da 200 a 500 euro al mese, cioè da 2.400 a 6.000 euro l'anno. Un modello su misura può costare migliaia di euro, e ha senso solo se l'errore annuo vale di più. I numeri qui sono volatili: prezzi e percentuali di adozione vanno ricontrollati ogni trimestre. Se non sai da che processo partire, il criterio sta in quali processi automatizzare per primi.

Il passo più piccolo che puoi fare domani mattina: prendi un codice di magazzino con scorte alte e vendite irregolari, scarica due anni di storico, e costruisci la previsione semplice in Excel. Poi misurane l'errore. Solo dopo decidi se un modello AI vale il costo.

Da leggere anche

Domande frequenti

Quanti dati servono per prevedere la domanda con l’AI?

Per catturare la stagionalità serve almeno un anno intero di storico, meglio due o tre. Non servono big data: bastano le vendite per codice con data, quantità e prezzo, più le variabili che contano per te come promozioni, meteo o festività. Il punto è la pulizia dei dati, non il volume.

Che differenza c’è tra previsione delle vendite e previsione della domanda?

La previsione delle vendite stima cosa riuscirai a fatturare e non vede la domanda che non hai potuto soddisfare per mancanza di scorte. La previsione della domanda stima quanto i clienti avrebbero chiesto, incluso ciò che hai perso per stockout. Per decidere le scorte serve la seconda.

Quanto costa implementare la previsione della domanda con l’AI in una PMI?

Si parte da zero: una baseline in Excel non costa nulla. Gli strumenti cloud di forecasting vanno da poche centinaia a qualche migliaio di euro l’anno. Un modello su misura può costare migliaia di euro. La domanda giusta è un’altra: quanto vale l’errore di previsione che elimini.

L’AI può prevedere la domanda di un prodotto nuovo senza storico?

Sì, ma con meno precisione: il modello può usare come riferimento prodotti simili della stessa categoria, come fanno i modelli di classificazione. Per il lancio di un prodotto nuovo conviene partire dalle analogie, non aspettarsi la stessa accuratezza dei prodotti con storico.

Serve un data scientist per prevedere la domanda con l’AI?

No. Gli strumenti moderni gestiscono da soli la parte algoritmica. Servono dati puliti e qualcuno che conosca bene il business per giudicare se una previsione è sensata. Il primo passo, la baseline in Excel, lo può fare chiunque abbia lo storico delle vendite.

Da dove si parte concretamente?

Da tre passi: scegli il prodotto o la famiglia dove sbagliare costa di più, calcola quanto ti costa oggi l’errore tra scorte ferme e vendite perse, e costruisci una previsione semplice in Excel da usare come metro. Solo dopo valuti se un modello AI vale il costo.

Fonti