Prevedere la domanda invece di rincorrerla

Contesto

Il magazzino è pieno, eppure manca proprio l'articolo che ti chiedono. Chi compra deve decidere se anticipare un ordine, aspettare o accettare il rischio di restare senza merce. Il gestionale registra quello che è successo; la decisione su quello che succederà resta a chi conosce prodotti, clienti e fornitori.

Lo storico sul foglio di calcolo e l'esperienza di chi compra hanno valore. Per capire se una previsione diversa può aiutarti, dobbiamo misurare quanto sbaglia il metodo attuale e quali conseguenze hanno quegli errori. Senza questo confronto, anche un grafico convincente dice poco.

Qui descriviamo uno scenario rappresentativo di manifattura e distribuzione. Il prima/dopo indica il lavoro che proponiamo e che andrebbe verificato sul campo. Non documenta i risultati di un cliente reale.

La sfida

1. Le competenze servono anche per giudicare il risultato. Nel rapporto ISTAT pubblicato il 15 dicembre 2025, tra le imprese della rilevazione che hanno considerato l'AI senza adottarla, il 58,6% segnala competenze insufficienti, il 47,3% dubbi sulle implicazioni legali, il 45,2% problemi di disponibilità o qualità dei dati, il 43,2% preoccupazioni per privacy e protezione dei dati e il 43,0% costi elevati. Sono ostacoli riferiti a quel gruppo, non a tutte le imprese italiane.

2. Lo storico delle vendite non coincide con la domanda. Se un articolo era esaurito, le vendite registrate non raccontano quanto avresti potuto vendere. A questo si aggiungono codici cambiati senza collegamenti, promozioni non registrate e resi trattati in modo incoerente. Dobbiamo capire che cosa rappresenta ogni dato prima di usarlo: altrimenti il modello può scambiare un problema di registrazione per un cambiamento della domanda.

3. Una previsione può funzionare e restare inutilizzata. Il pilota produce numeri plausibili, ma chi compra continua a preparare gli ordini come prima. Se consultare la previsione richiede un passaggio aggiuntivo, senza chiarire quale decisione aiuta a prendere, l'uso quotidiano resta incerto. L'integrazione nel gestionale fa parte del lavoro da definire all'inizio.

4. Il costo continua dopo l'avvio. Ricalcolare le previsioni, controllare i dati, indagare gli errori e aggiornare il modello richiede risorse. Per valutare il progetto ti serve una stima che comprenda questo lavoro, con responsabilità e ipotesi esplicite.

I numeri da guardare

Concordiamo le misure prima di scegliere il modello. Devono permetterti di decidere se continuare, correggere il lavoro o fermarlo.

• Quanto sbaglia il metodo attuale sul tuo storico? Misuriamo sia l'entità dell'errore sia la tendenza a prevedere troppo o troppo poco.
• Quante rotture di stock hai avuto negli ultimi dodici mesi e su quali articoli? Distinguiamo le vendite perse documentabili da quelle che possiamo soltanto stimare.
• Quanto capitale è fermo in sovrascorta? Quali codici non si muovono da più di sei mesi e quali hanno invece una ragione per restare disponibili?
• Quante ore al mese servono per preparare e controllare i report usati per decidere?
• Quante proposte accetti o correggi, per quali motivi e con quali esiti osservabili?
• Quanto costa mantenere il sistema per un anno, includendo infrastruttura, assistenza e tempo delle persone?
• In quanti mesi potrebbe rientrare l'investimento, sulla base del margine incrementale stimato e dei costi ricorrenti?

Un errore medio più basso può nascondere previsioni peggiori sugli articoli che contano. Per questo guardiamo anche le singole famiglie. Il capitale liberato dal magazzino e il margine aggiuntivo restano voci distinte: sommarli come se fossero lo stesso beneficio falserebbe il conto.

L'approccio

1. Ricostruiamo un confronto verificabile. Usiamo lo stesso periodo e gli stessi articoli per confrontare metodo attuale e modello. In ogni prova includiamo soltanto le informazioni disponibili al momento della previsione: conoscere già il risultato renderebbe il confronto inutile. Se mancano le vecchie previsioni o le correzioni di chi compra, dichiariamo che cosa possiamo ricostruire e che cosa no. Se il modello non riduce l'errore secondo i criteri concordati, ci fermiamo prima dell'integrazione operativa.

2. Scegliamo un processo circoscritto. Una famiglia di prodotti, un magazzino o una linea consentono di esaminare gli scostamenti e ricostruirne le cause. Scegliamo un ambito utile al lavoro quotidiano, con dati verificabili e una persona responsabile della decisione. Un risultato ottenuto lì non dimostra che il metodo funzionerà su tutto il catalogo.

3. Portiamo la previsione nella proposta di riordino. Verifichiamo come inserirla nel gestionale e quali modifiche servono. La domanda prevista alimenta la proposta insieme a giacenze, ordini aperti, tempi dei fornitori e vincoli di acquisto. Non basta prevedere le vendite per sapere quanto ordinare. Chi compra mantiene la decisione finale e può correggere la proposta, registrando il motivo.

4. Misuriamo per otto settimane prima di valutare un'estensione. Ogni settimana confrontiamo previsioni, decisioni ed esiti già osservabili. Registriamo le correzioni per capire che cosa manca al modello: una promozione, un cliente perso, una consegna rinviata. Se il periodo non copre gli effetti della stagionalità o i tempi di approvvigionamento, le conclusioni restano parziali. Un pilota concluso non è un'autorizzazione automatica ad allargare.

Che cosa cambia

Puoi esaminare le proposte prima di emettere gli ordini, con una traccia del ragionamento e degli errori passati.

Quali articoli rischiano una rottura nelle prossime quattro settimane, considerando anche le consegne attese? Dove la scorta supera il fabbisogno stimato? Su quali famiglie la previsione sta peggiorando? Una correzione ha aiutato, oppure ha aumentato lo scostamento?

Organizziamo queste informazioni nel punto in cui decidi, rendendo visibili anche i dati mancanti e le ipotesi usate. La previsione rimane fallibile. Sapere dove è poco affidabile ti aiuta a scegliere quali proposte controllare con attenzione e quando usare il tuo giudizio.

Che cosa temono, e che cosa rispondiamo

«Facciamo il progetto pilota e poi resta lì, come le altre volte.» Il rischio esiste. Prima di iniziare concordiamo chi userà la previsione, per quale decisione e con quali criteri la giudicheremo. Il modello sbaglia e può sbagliare più del metodo attuale. Se dopo otto settimane non abbiamo evidenze sufficienti di utilità, non proponiamo di estenderlo. Fermarsi evita altri costi; non trasforma quanto speso in un ritorno ottenuto.

«I nostri dati non sono abbastanza buoni.» Può essere vero. Esaminiamo un campione dello storico e verifichiamo se le anomalie si possono correggere e se i dati mancanti si possono recuperare. La bonifica ha tempi e costi propri, da stimare prima di impegnarsi sul pilota. Se lo storico non consente un confronto attendibile, lo diciamo: attribuire un numero alla domanda non rende quel numero affidabile.

«E poi quanto ci costa tenerlo in piedi?» Prepariamo una stima annuale che includa elaborazioni, controlli, assistenza e manutenzione. Esplicitiamo da quali volumi e attività dipende e che cosa può farla cambiare. Concordiamo chi interviene quando i dati smettono di arrivare o gli errori aumentano: il tuo team, con documentazione e affiancamento, oppure noi con un incarico definito. L'autonomia va verificata durante il passaggio di consegne.

«Dove vengono trattati i dati?» I modelli girano su AWS Bedrock con profili di inferenza dell'Unione Europea; i dati sono trattati nell'Unione Europea. Il trattamento avviene anche al di fuori dei tuoi sistemi. Nel progetto definiamo quali dati inviare, per quale uso e come gestire accessi e conservazione. La localizzazione europea non esaurisce questi aspetti.

Come lo affrontiamo oggi

Partiamo da una decisione concreta: che cosa ordini oggi e su quali informazioni ti basi? Nel workshop di scoping esaminiamo lo storico disponibile, il metodo attuale e gli errori che incidono sul lavoro. Da lì definiamo se ci sono le condizioni per un confronto utile, quali dati mancano e quali costi vanno stimati.

Può emergere che il problema sia nei tempi dei fornitori o nei dati di magazzino. In quel caso proponiamo di intervenire lì. Una previsione ha senso se ti aiuta a decidere e se il beneficio giustifica il costo di mantenerla.

• Integrazione AI nei sistemi che usi già
• Odoo e gestionali integrati
• Il metodo AIRA

Parliamone: 30 minuti, senza impegno, per capire quale decisione vuoi migliorare e se vale la pena esaminare i dati.