Un cliente importante anticipa un ordine, una macchina si ferma spesso o il magazzino accumula scorte: in ciascun caso, decidere solo guardando al passato può costare caro. L’analisi predittiva stima cosa potrebbe accadere usando dati storici e attuali, ma l’affidabilità dipende da quanto quei dati somigliano alle condizioni che l’azienda incontrerà davvero.
Una previsione utile collega un segnale a una decisione aziendale
- Obiettivo: stimare un esito futuro per scegliere in anticipo come agire.
- Primo controllo: confrontare il modello con previsioni semplici e con dati non usati per addestrarlo.
- Metodo per le serie temporali: testare il modello facendo avanzare gradualmente il periodo di previsione.
- Limite: una stima non è una certezza e può perdere affidabilità quando cambiano mercato, processi o clienti.
Una previsione serve quando cambia una decisione precisa
Un modello predittivo cerca relazioni nei dati per stimare un risultato futuro: per esempio, quante unità vendere, quali clienti potrebbero interrompere un contratto o quando un impianto rischia un guasto. La stima acquista senso quando è collegata a una scelta operativa, come regolare gli acquisti o pianificare un intervento.
La distinzione è meno astratta di quanto sembri. Un report descrittivo dice quante vendite sono state registrate; una previsione stima la domanda dei prossimi periodi; un sistema prescrittivo aggiunge una possibile azione, come suggerire quanto riordinare. Confondere previsione e decisione porta a dashboard piene di numeri che nessuno usa.
Per un’impresa italiana, la prima domanda non è quale algoritmo adottare, ma quale errore oggi genera costi evitabili. Un’azienda con ordini stagionali può concentrarsi sulle scorte; una realtà con macchinari critici può partire dai fermi; un servizio in abbonamento può stimare il rischio di abbandono. Il punto di partenza restringe anche i dati necessari.
Il divario digitale italiano non dice se una previsione funziona
Un dato di adozione può sembrare una misura di maturità, ma non dimostra che un modello produca risultati migliori. Secondo Istat, “Imprese e ICT - Anno 2025”, il 16,4% delle imprese italiane con almeno 10 addetti utilizzava almeno una tecnologia di intelligenza artificiale nel 2025, contro l’8,2% nel 2024. Il dato riguarda l’IA nel suo complesso, non la sola analisi predittiva.Per chi valuta un progetto, la conseguenza è pratica: l’adozione non sostituisce una verifica sul campo. Un modello deve essere misurato sul problema specifico dell’azienda, confrontando le sue stime con una baseline, cioè un riferimento semplice come la domanda dell’ultimo periodo o la media stagionale. Se non supera quel confronto in condizioni realistiche, la complessità aggiunta non è giustificata.
A mio giudizio, è più utile un progetto circoscritto con un esito verificabile che una piattaforma ambiziosa senza una decisione assegnata. La dimensione dell’investimento dovrebbe seguire la qualità dei risultati, non precederli.
Per le serie temporali il test deve rispettare l’ordine del tempo
Un modello può sembrare accurato se viene valutato con dati che, nella realtà, non avrebbe potuto conoscere. Per le serie temporali, mescolare casualmente osservazioni passate e future rischia di introdurre una fuga di informazione: il test finisce per offrire al modello indizi che non sarebbero disponibili al momento della previsione.
La validazione con origine mobile descritta in “Forecasting: Principles and Practice” evita questa distorsione: si addestra il modello sui dati disponibili fino a una certa data, si prevede il periodo successivo e poi si sposta in avanti il punto di partenza. Ripetendo il passaggio su più finestre, si osserva come cambia l’errore nel tempo, invece di affidarsi a un singolo test fortunato.
Per una previsione mensile delle vendite, per esempio, la verifica dovrebbe ricreare più volte la situazione in cui ci si troverebbe prima di chiudere il mese. Se il modello viene aggiornato ogni mese, anche il test deve rispecchiare quel ritmo; altrimenti la performance misurata potrebbe non corrispondere all’uso quotidiano.
Un errore ricorrente nei forecast può alterare gli investimenti
Un modello può sbagliare in modo sistematico, non soltanto oscillare attorno al risultato corretto. La ricerca della Banca d’Italia “A quantitative analysis of distortions in managerial forecasts” analizza gli errori nelle previsioni di vendita dei manager italiani e descrive una reazione attenuata agli shock di produttività: dopo uno shock positivo, l’impresa investe meno rispetto allo scenario con aspettative razionali; dopo uno negativo, investe di più.
Il risultato richiama un rischio spesso trascurato: il forecast non è neutrale solo perché è prodotto da un algoritmo. Se le previsioni storiche incorporano ritardi nelle reazioni manageriali, dati incompleti o criteri di budget distorti, un nuovo modello può riprodurre quelle distorsioni. Per questo conviene confrontare le stime con gli esiti osservati e chiedersi chi decide come interpretarle.
| Situazione | Possibile causa o effetto | Che cosa fare |
|---|---|---|
| Le vendite previste risultano sempre inferiori alle vendite effettive. | Il modello può non cogliere una crescita recente o una stagionalità cambiata. | Controllare gli errori per periodo e aggiornare il confronto con una baseline recente. |
| Il modello sembra accurato nel test, ma sbaglia dopo il lancio. | La valutazione potrebbe aver usato informazioni non disponibili al momento della previsione. | Ripetere il test rispettando l’ordine temporale e simulando l’orizzonte operativo. |
| Le stime peggiorano dopo un cambio di prezzi o canale. | Il rapporto tra dati passati e domanda attuale potrebbe essersi modificato. | Verificare gli errori dopo il cambiamento e ricalibrare il modello prima di automatizzare le decisioni. |
| La previsione è accurata, ma gli ordini non migliorano. | La stima potrebbe non essere collegata a soglie, responsabilità e tempi di azione. | Definire chi interviene, quando e con quale margine di discrezionalità. |
La qualità dei dati non basta se il momento della previsione è sbagliato
Un dato può essere corretto e comunque inutile se arriva troppo tardi. Per decidere un riordino, una previsione consegnata dopo la scadenza dell’ordine non aiuta; per la manutenzione, un allarme privo di tempo per pianificare l’intervento può generare solo urgenze. L’orizzonte della stima deve combaciare con il tempo necessario per agire.
Una regola operativa semplice aiuta a selezionare il caso d’uso: se la decisione si ripete con regolarità e i dati arrivano prima della scadenza, una previsione periodica può supportarla; se la decisione dipende da eventi rari o da condizioni che cambiano bruscamente, affianca la stima a controlli umani e scenari alternativi. Non fissare una soglia universale di errore: la tolleranza dipende dal costo di una previsione troppo alta o troppo bassa.
Prima del progetto, chiarisci almeno quattro aspetti: quale risultato prevedere, con quale anticipo, chi userà la stima e quale costo si vuole ridurre o quale ricavo proteggere. Poi misura gli errori separatamente nei casi che hanno conseguenze diverse: una media complessiva può nascondere sottostime gravi per alcuni prodotti o periodi.
Il primo modello dovrebbe guadagnarsi il diritto di restare
La partenza più solida è un processo circoscritto, con una previsione semplice come riferimento e una verifica su dati successivi a quelli usati per costruire il modello. Se il nuovo metodo non migliora il risultato operativo, o se nessuno può intervenire sulla base della stima, il progetto va corretto prima di estenderlo ad altri reparti.
Una previsione non elimina l’incertezza: la rende misurabile e, quando funziona, lascia più tempo per rispondere. La domanda finale non è quanto sia sofisticato l’algoritmo, ma quale decisione l’azienda riesca a prendere meglio grazie a quella stima.