Previsione della domanda e gestione delle scorte con l'intelligenza artificiale: dati, metodo e limiti

Chi gestisce un magazzino conosce il dilemma. Se ordina troppo, si ritrova scaffali pieni di articoli che non girano, soldi immobilizzati e, a volte, merce da svendere. Se ordina troppo poco, il cliente trova lo scaffale vuoto e va dal concorrente. La risposta tradizionale è l'esperienza: chi lavora da anni "sente" cosa servirà in primavera o quanto venderà prima di una festività. L'esperienza è preziosa, ma ha limiti: non regge con migliaia di codici, non si trasmette facilmente a chi arriva dopo, e si fa trascinare dai ricordi più vivi, per esempio dall'ultima volta che si è rimasti senza una merce. L'intelligenza artificiale non sostituisce questa esperienza: la affianca con un'analisi sistematica dello storico delle vendite. In questa guida spieghiamo quali dati servono, quali metodi si usano, cosa si può chiedere realisticamente e dove invece una previsione non può arrivare. Non installiamo né colleghiamo sensori o dispositivi: lavoriamo sui dati che ci fornisci, estratti dal tuo gestionale o da fogli di calcolo, e ti restituiamo un'analisi e un responso.

Il problema in numeri semplici

Ogni articolo in magazzino ha un costo nascosto: l'immobilizzo di capitale, lo spazio occupato, il rischio di deperimento o obsolescenza, la gestione. Ogni rottura di stock ha un altro costo: la vendita persa, il cliente che si rivolge altrove, a volte una penale. Un buon sistema non cerca di azzerare uno dei due rischi, ma di trovare il punto di equilibrio per ogni articolo, perché non tutti pesano nello stesso modo. Una semplice vite a basso costo e alta rotazione richiede una regola; un articolo costoso, a lenta rotazione e con fornitore lontano, un'altra.

Alcuni indicatori di base servono a orientarsi:

• Indice di rotazione. Quante volte, in un periodo, le scorte "si rinnovano": il rapporto tra le vendite (al costo) e il valore medio delle giacenze.
• Copertura. Per quanti giorni, alle vendite attuali, basta la giacenza che hai.
• Livello di servizio. La quota di richieste che riesci a soddisfare subito dalla giacenza.
• Scorta di sicurezza. La quantità in più tenuta per assorbire variazioni della domanda e ritardi del fornitore.
• Punto di riordino. Il livello di giacenza al quale conviene emettere l'ordine, calcolato dalla domanda prevista durante il tempo di consegna (lead time) più la scorta di sicurezza.

Sono concetti noti della logistica, e non servono a nulla finché le previsioni di domanda sono impreciste. È qui che l'analisi dei dati può aiutare.

I dati che servono, e dove si trovano

La buona notizia è che quasi tutte le aziende hanno già ciò che serve. Gli ingredienti, in ordine di importanza:

1. Storico delle vendite o dei prelievi per articolo e per data. Righe di fatture, bolle, ordini o movimenti di magazzino, con data, codice, quantità, cliente o canale. Più indietro si va, meglio è, perché serve vedere almeno due cicli stagionali completi: in pratica due anni, o più per prodotti molto stagionali.
2. Giacenze nel tempo. Serve per capire quando la vendita è mancata solo perché lo scaffale era vuoto. Una merce che "non vende" in luglio potrebbe semplicemente essere finita a giugno.
3. Anagrafica articoli. Famiglia, fornitore, prezzo, data di inserimento, sostituzioni, articoli equivalenti.
4. Tempi di consegna dei fornitori e minimi d'ordine. Le condizioni reali, non quelle teoriche: quanto tempo passa davvero dall'ordine all'arrivo, in quali lotti si ordina.
5. Eventi e promozioni. Quando hai fatto sconti, campagne, listini speciali o grandi ordini singoli: spiegano picchi che altrimenti sembrerebbero domanda "normale".
6. Informazioni esterne utili. Calendari di festività, stagioni, giorni lavorativi, eventi locali, cantieri avviati: a seconda del settore, alcune di queste spiegano le oscillazioni.

Tutto questo si estrae in genere dal gestionale con un'esportazione in Excel o in un file di testo (CSV). Non serve cambiare programma né collegare nulla all'inizio: spesso un file ben fatto basta per una prima analisi. Una nota sulla riservatezza: dati commerciali e anagrafiche clienti vanno trattati con attenzione, come descritto nella guida su dati aziendali, GDPR e intelligenza artificiale; per molte previsioni i nomi dei clienti non servono e si possono lasciare fuori dall'estrazione.

Prima di tutto, mettere ordine: la classificazione degli articoli

Prevedere ogni codice con la stessa cura è inutile e costoso. Si parte dividendo il magazzino in gruppi.

• Analisi ABC. Si ordinano gli articoli per valore venduto in un periodo: una piccola quota di codici (gruppo A) genera gran parte del fatturato, una fascia intermedia (B) un'altra parte, la lunga coda (C) il resto. Si dedica più attenzione ad A.
• Analisi XYZ. Si classificano gli articoli per regolarità della domanda: X per consumi stabili, Y per consumi con oscillazioni stagionali o di tendenza, Z per consumi irregolari e imprevedibili.

Incrociando le due si ottengono nove caselle, ciascuna con un trattamento diverso. Un articolo AX (importante e regolare) si presta a una previsione precisa e a un riordino quasi automatico. Un articolo CZ (poco importante e irregolare) conviene gestirlo con regole semplici o con acquisto su ordine. Un articolo AZ (importante ma imprevedibile) richiede attenzione manuale e magari accordi con il fornitore o con il cliente. Questa fase non richiede nemmeno l'AI: spesso, già da sola, mostra dove si annida il problema.

Come si prevede la domanda

I metodi variano da semplici a sofisticati, e il più elaborato non è sempre il migliore.

• Medie mobili e livellamento. Metodi statistici classici per domande regolari. Veloci, comprensibili, spesso sufficienti per gli articoli stabili.
• Modelli con stagionalità e tendenza. Riconoscono che a dicembre si vende più che a marzo, e che un prodotto cresce nel tempo. Adatti ai prodotti con cicli annuali, come abbigliamento, giardinaggio, materiali edili, bevande.
• Modelli di apprendimento automatico. Considerano molte variabili insieme (promozioni, calendario, prezzo, andamento di prodotti correlati) e imparano da molte serie storiche. Utili con tanti articoli e dati ricchi, ma più difficili da spiegare e da controllare.
• Metodi per domanda intermittente. Per codici venduti di rado, con molti periodi a zero, esistono tecniche specifiche: non ha senso prevedere "0,3 pezzi al giorno" come se fossero vendite regolari.
• Correzioni per vendite mancate. Quando lo scaffale era vuoto, il dato di vendita sottostima la domanda reale: si corregge o si esclude quel periodo dal calcolo.

Il ruolo dell'intelligenza artificiale non è fare "magie", ma aiutare in tre passaggi: preparare e pulire i dati (codici duplicati, unità di misura diverse, resi, ordini annullati), scegliere per ogni gruppo di articoli il metodo che sbaglia meno su dati passati, e spiegare in italiano i risultati e le eccezioni, in modo che chi acquista capisca perché una cifra è stata proposta.

Misurare la qualità della previsione

Una previsione si valuta confrontandola con ciò che è realmente accaduto. Si prende lo storico, si "nasconde" l'ultimo periodo, si prevede e si confronta con i dati veri: è un test che si può fare prima di fidarsi. Gli indicatori usati più spesso sono lo scarto medio percentuale (come MAPE) e lo scarto ponderato sulle quantità (come WAPE), che misurano quanto la previsione si discosta in media dalla realtà. Due raccomandazioni: la valutazione va fatta per gruppo di articoli, perché un errore del dieci per cento sugli articoli stabili e uno del cinquanta su quelli irregolari non si confrontano, e deve essere confrontata con un metodo semplice di riferimento, per esempio "vendo come l'anno scorso": se il metodo nuovo non fa meglio, non ha senso adottarlo.

Cosa ricevi, in pratica

Un'analisi utile produce documenti che chi acquista può usare subito, non grafici da ammirare.

• Proposta di riordino. Per ogni articolo: giacenza attuale, domanda prevista nel tempo di consegna, scorta di sicurezza, quantità suggerita, margine di incertezza. L'ordine resta una decisione tua, con la possibilità di modificare o scartare ogni riga.
• Allarme rotture. Elenco degli articoli a rischio di esaurimento prima dell'arrivo della prossima merce, ordinati per importanza.
• Articoli fermi. Codici che da molti mesi non girano o girano pochissimo, con il valore immobilizzato e proposte di intervento: promozione, reso al fornitore, accorpamenti, non riordino.
• Stagionalità spiegata. Quali famiglie di prodotti hanno un picco e quando, per anticipare gli acquisti e organizzare gli spazi.
• Anomalie. Vendite fuori dal normale (un grande ordine una tantum, un errore di registrazione) che falserebbero le previsioni.
• Relazione in linguaggio comune. Cosa funziona, cosa non si riesce a prevedere, dove servono più dati.

Tre scenari tipici (ipotetici)

• Un distributore di materiali per l'edilizia. Migliaia di codici, forte stagionalità, ordini grandi legati a cantieri. Si parte dal gruppo A, con previsioni stagionali e un'attenzione speciale agli ordini singoli grandi, che si segnalano e si escludono dal calcolo della domanda "normale". Il risultato atteso è un riordino più preciso per i codici principali e una lista di prodotti fermi da smaltire.
• Un negozio di articoli per la casa con e-commerce. Due canali di vendita, picchi legati a promozioni e festività. Si separano gli storici dei canali, si tiene conto delle campagne e si prevede per famiglie di prodotto, con attenzione alle novità che non hanno storico.
• Un produttore che acquista componenti. La domanda dei componenti deriva dagli ordini di produzione, non dalle vendite al pubblico: si parte dal piano e dagli ordini dei clienti, e l'analisi dei consumi storici serve a calibrare scorte di sicurezza e lotti d'acquisto. Per questa situazione c'è un legame con quanto descritto nella guida sulla manutenzione predittiva con i dati che hai già, dove si usa lo stesso approccio: valorizzare lo storico.

Dove la previsione non arriva

• Prodotti nuovi. Senza storico, si può solo usare analogie con articoli simili. È una stima, con un grado di incertezza alto.
• Eventi eccezionali. Emergenze, interruzioni di fornitura, crisi di settore, cambi normativi: nessun modello li prevede, e i periodi anomali nello storico vanno trattati con cura.
• Cambi di listino o di strategia. Se aumentano i prezzi, cambi canale o fornitore, il passato rappresenta meno il futuro.
• Dati sporchi. Codici cambiati, giacenze non aggiornate, resi non registrati: se i dati sono sbagliati, anche il modello migliore dà risposte sbagliate. Per questo la prima fase è sempre di verifica dei dati.
• Domanda influenzata da persone. Un venditore che spinge un articolo, una promessa verbale a un cliente: informazioni che non stanno nei dati e che chi lavora in azienda deve integrare.

Per questo la previsione è una proposta, non un ordine automatico: restano a chi lavora in azienda l'ultima parola e la responsabilità sugli acquisti.

Un percorso realistico per partire

1. Scegli un perimetro piccolo: una famiglia di prodotti, un magazzino, un canale. Meglio un'area ben fatta di tutto il catalogo fatto male.
2. Estrai i dati di almeno due anni e le giacenze, con una descrizione di come sono stati registrati.
3. Pulisci e classifica (ABC/XYZ), anche in un foglio di calcolo, e discuti con il magazzino i casi anomali.
4. Prova all'indietro: prevedi un periodo passato e confrontalo con la realtà, per decidere se il metodo è affidabile.
5. Affianca per qualche ciclo di acquisto: usa le proposte come secondo parere accanto alle decisioni abituali, e confronta i risultati.
6. Estendi e rivedi: a nuove famiglie, con aggiornamenti periodici dei dati e controllo degli errori.

Per un quadro generale su come iniziare e quali domande farsi, c'è la guida come iniziare con l'intelligenza artificiale in azienda; per capire se l'investimento ha senso, quella sul ritorno economico di un progetto di AI; per gli errori più comuni, quella su errori delle PMI con l'AI.

Come lavoriamo

Analizziamo i dati che ci fornisci, estratti dal tuo gestionale o da fogli di calcolo, e ti consegniamo previsioni, proposte di riordino e una relazione chiara; la parte tecnica, come la costruzione di analisi ricorrenti collegate al tuo gestionale, si imposta su misura in base alle esigenze. Non installiamo né monitoriamo sensori o dispositivi in magazzino: ci basta ciò che già registri. Operiamo in tutto il Nord e il Centro Italia, in buona parte da remoto. Non indichiamo cifre in questa guida: dipendono da numero di articoli, qualità dei dati e frequenza degli aggiornamenti, e si stabiliscono con un preventivo. Per le soluzioni dedicate alle aziende commerciali vedi Intelligenza artificiale per commercio e PMI; per quelle industriali, Intelligenza artificiale per l'industria.

Il primo incontro conoscitivo di persona è gratuito entro 30 km su strada da Lodi Vecchio (controlla la distanza su calcola la distanza); oltre quel limite le spese di uscita sono a carico del cliente, oppure ci si conosce in videochiamata. Scrivici o chiama: 0371 464 186 oppure 347 368 2954; in alternativa il modulo contatti.

Domande frequenti