La promozione parte venerdì, ma gli ordini ai fornitori vanno chiusi prima: quante unità serviranno davvero? Una previsione della domanda basata su vendite passate e segnali recenti offre un punto di partenza, ma può sbagliare quando cambiano prezzi, disponibilità o comportamento dei clienti.

Una previsione utile collega vendite, decisioni e scorte
- La domanda attesa va stimata per prodotto, canale e orizzonte temporale, non solo sul totale aziendale.
- Le vendite storiche non coincidono sempre con la domanda: rotture di stock e promozioni alterano i dati.
- Un modello semplice può essere preferibile a uno complesso se i dati sono pochi o disordinati.
- Le correzioni manuali vanno motivate e misurate, così da capire se migliorano davvero il forecast.
Una previsione aggregata può nascondere il prodotto che finirà a magazzino
Un totale mensile stabile sembra rassicurante, finché una variante vende molto più delle altre e resta senza scorte. La demand forecasting, o previsione della domanda, stima quante unità di prodotti o servizi saranno richieste in un periodo futuro e trasforma la stima in decisioni di acquisto, produzione e capacità.
Il livello di dettaglio va scelto in base alla decisione. Se riordini ogni singolo articolo, una previsione solo per famiglia merceologica può essere troppo grossolana; se pianifichi la capacità di un impianto, il dato aggregato può invece bastare. La granularità utile è quella che cambia una scelta operativa, non quella che produce il maggior numero di grafici.
Prima di scegliere l’algoritmo, separa domanda e vendite registrate
Un sistema può vendere meno di quanto i clienti avrebbero acquistato: basta che il prodotto sia esaurito. Se il dato storico registra solo gli scontrini, il modello potrebbe interpretare il periodo di stockout come un calo di interesse e programmare riordini insufficienti.
Lo stesso problema compare con sconti, lanci, festività e modifiche ai prezzi. Per leggere correttamente lo storico, annota almeno promozioni, indisponibilità, cambi di assortimento e variazioni dei canali; quando possibile, integra ordini inevasi o richieste non soddisfatte. Il modello non può ricostruire ciò che il dataset non contiene.
| Situazione | Possibile effetto sulla previsione | Intervento pratico |
|---|---|---|
| Prodotto esaurito | Vendite osservate inferiori alla domanda effettiva | Segnala i giorni senza stock e non trattarli come vendite normali |
| Promozione eccezionale | Picco che il modello può proiettare anche nei periodi ordinari | Marca l’evento e separa effetto promozionale e andamento di fondo |
| Articolo nuovo senza storico | Campione insufficiente per una stima basata solo sulle serie del prodotto | Usa articoli analoghi e rivedi la stima quando arrivano i primi dati |
| Ordini sporadici e molti periodi a zero | La media può suggerire una domanda regolare che non esiste | Valuta metodi per domanda intermittente e controlla il rischio di scorta |
Per gli articoli intermittenti la media mobile può suggerire un ritmo inesistente
Un ricambio venduto a intervalli irregolari non si comporta come un prodotto acquistato ogni settimana. Una media mobile distribuisce il volume nel tempo e può far sembrare continua una domanda che arriva invece a scatti; per questo esistono metodi pensati per serie intermittenti, tra cui il metodo di Croston.
Uno studio pubblicato sull’International Journal of Forecasting ha confrontato quattro metodi su 3.000 serie reali di domanda intermittente del settore automobilistico. Il dato non indica che Croston sia la scelta migliore per ogni azienda: mostra perché il tipo di domanda va classificato prima di confrontare i modelli. Se una serie ha molti periodi senza vendite, confronta le alternative con test sullo storico e considera anche il costo di eccedenze e mancate vendite.
Se il forecast cambia, chiedi una motivazione verificabile
Il responsabile commerciale conosce una promozione non ancora caricata nel sistema; il modello, invece, coglie schemi ricorrenti nei dati. Le due fonti possono completarsi, ma una modifica manuale senza motivazione rischia di trasformare un’ipotesi ottimistica in un ordine troppo grande.
Una ricerca di Fildes e Goodwin su 149 previsori e quattro casi aziendali conclude che gli aggiustamenti basati sul giudizio manageriale vanno limitati, motivati per iscritto e valutati dopo averne osservato gli effetti. Lo studio pubblicato da INFORMS sostiene una regola operativa semplice: registra forecast automatico, modifica, motivo e risultato effettivo. Se le correzioni di una persona non migliorano l’errore nel tempo, rivedi il processo invece di considerarle un passaggio obbligatorio.
Ritengo più utile un processo che rende visibile l’incertezza di una previsione di un numero preciso senza spiegazione. In una ricerca su oltre 6.000 imprese, lo Stanford Institute for Economic Policy Research ha rilevato problemi ricorrenti di errore, eccesso di ottimismo e precisione ingiustificata nelle previsioni aziendali; l’uso più ampio dei dati ha ridotto soprattutto rumore ed eccessiva precisione.
Per le imprese italiane il collo di bottiglia può essere il processo, non il software
Comprare una piattaforma non risolve automaticamente dati incompleti, responsabilità poco chiare o fogli Excel aggiornati in modi diversi. Il report dell’Osservatorio Supply Chain Planning del Politecnico di Milano, riferito alla ricerca 2024/2025 e pubblicato nel dicembre 2025, descrive in Italia un uso ancora prevalente di Excel e sistemi legacy, insieme a barriere culturali alla trasformazione.
La conseguenza pratica è partire da un processo circoscritto: pochi prodotti rappresentativi, una fonte dati concordata, un responsabile per gli aggiustamenti e revisioni regolari. Se i dati non sono affidabili, prima si sistema il flusso informativo; se sono coerenti ma il forecast non coglie promozioni o stagionalità, allora ha senso provare modelli più adatti.
La previsione va giudicata per le decisioni che abilita
Un errore medio più basso non garantisce da solo meno invenduto o meno ordini persi: il costo dei due errori cambia da prodotto a prodotto. Un articolo economico e facile da riordinare può tollerare una stima prudente; un ricambio con tempi lunghi di approvvigionamento richiede più attenzione alla disponibilità.
Definisci quindi una metrica di accuratezza insieme a una misura operativa, come scorte eccedenti, mancate vendite o livello di servizio. La prova finale è se il forecast aiuta a decidere meglio: quando non orienta acquisti, produzione o personale, anche una previsione elegante resta un numero da dashboard.