Previsione della domanda con l’IA: valutazione e criteri di adozione

La domanda che stabilisce se ha senso

Il punto di partenza non è se l’IA sia in grado di prevedere la domanda: può farlo in quasi tutte le attività che dispongono di dati storici. La vera domanda è se l’errore di previsione attuale stia generando un costo misurabile e se ridurlo produca abbastanza valore da giustificare l’investimento.

Se il team di pianificazione lavora con lo stesso MAPE di tre anni fa, probabilmente il problema non è la tecnologia: nessuno ha quantificato quanto costa l’errore. Prima di valutare se l’IA abbia senso, occorre calcolare quanto si perde per rotture di stock, quanto capitale è immobilizzato nelle scorte di sicurezza e quanto costano le produzioni d’urgenza. Quella cifra rappresenta il tetto del valore disponibile.

Valutazione dell’opportunità

La previsione della domanda con l’IA aggiunge più valore quando si verificano alcune di queste condizioni: elevata variabilità della domanda che i metodi statistici semplici non colgono; molti SKU con andamenti diversi, difficili da gestire manualmente; variabili esterne rilevanti (stagionalità, promozioni, eventi, meteo) che il team di pianificazione incorpora in modo poco coerente.

La difficoltà sta nel quantificare l’impatto di un forecast migliore. Una riduzione del MAPE che in termini assoluti sembra piccola può avere un effetto molto rilevante sul costo delle scorte o sulle rotture di stock, a seconda del margine e del costo di immobilizzo.

Requisiti dei dati

Storico della domanda. Serve uno storico pulito, preferibilmente per combinazione SKU-sede e con granularità settimanale o giornaliera. Come riferimento generale, più cicli stagionali sono rappresentati nei dati storici, meglio il modello coglierà quegli andamenti.

Variabili esterne. Le variabili che il team di pianificazione già utilizza manualmente (promozioni passate, calendari degli eventi, dati di mercato) devono essere disponibili in formato strutturato, perché il modello possa apprendere da esse. Se esistono solo nella testa delle persone, il primo passo è registrarle.

Dati puliti. Gli eventi eccezionali e non rappresentativi (rotture di stock che distorcono la domanda registrata, ordini occasionali anomali) vanno etichettati o eliminati dallo storico di addestramento. Un modello addestrato su una domanda che include le rotture di stock impara a sottostimare.

Integrazione con la pianificazione. Il forecast generato dall’IA deve arrivare al sistema in cui si prendono le decisioni: ERP, APS o il foglio di calcolo del team. Senza integrazione, il modello funziona in parallelo senza un impatto reale.

Struttura dei costi e complessità

Le voci di costo abituali sono la preparazione e la validazione dei dati storici, lo sviluppo e la calibrazione del modello, l’integrazione con i sistemi di pianificazione e il costo ricorrente di monitoraggio e riaddestramento periodico. Nei progetti di previsione della domanda il costo di integrazione con i sistemi esistenti supera spesso quello di sviluppo del modello.

La complessità tecnica varia molto in base al numero di SKU, alla granularità richiesta e alla necessità di incorporare variabili esterne in tempo reale oppure di lavorare in batch settimanale.

Valutazione dei rischi

Rischio tecnico. I modelli di forecast tendono all’overfitting sullo storico recente e faticano davanti ai cambi di andamento (lancio di prodotti, cambi di canale di vendita, discontinuità del mercato). Una buona progettazione prevede meccanismi per rilevare quando il modello ha smesso di essere valido.

Rischio di adozione. Il rischio maggiore nella previsione della domanda non è tecnico: è che il team di pianificazione continui a usare i metodi precedenti e che il modello di IA lavori in parallelo senza influire sulle decisioni. L’adozione richiede che il modello sia stabilmente più preciso del processo attuale e che i pianificatori si fidino del ragionamento del sistema.

Rischio di integrazione. Un ERP con dati poco affidabili produce forecast poco affidabili. Se i dati di input sono frammentati tra più sistemi, il progetto di forecast comporta implicitamente una fase di miglioramento della qualità del dato non sempre prevista nel perimetro iniziale.

Indicatori di successo

• MAPE (errore percentuale assoluto medio) rispetto al metodo di previsione attuale, misurato in produzione e non in backtesting
• Livello di servizio (% di ordini evasi senza rottura di stock) prima e dopo
• Giorni di copertura delle scorte (DIO) e rotazione del magazzino
• Tasso di rottura di stock per categoria
• Eccedenze di magazzino e scarti nei prodotti a vita limitata

Un aspetto critico: il MAPE misurato in backtesting è sistematicamente migliore di quello in produzione. Separare il periodo di valutazione da quello di addestramento e misurare le prestazioni reali è indispensabile per prendere decisioni di investimento fondate.

Come genera ROI

I meccanismi di valore della previsione della domanda sono tre: la riduzione delle scorte di sicurezza (stesso livello di servizio con meno stock immobilizzato), la riduzione delle rotture di stock (vendite che oggi si perdono per mancanza di prodotto disponibile) e la riduzione delle produzioni d’urgenza e dei costi logistici straordinari.

Il ROI reale si concretizza solo se le previsioni generate dall’IA influiscono sulle decisioni effettive di acquisto, produzione e distribuzione. Un modello tecnicamente valido che non cambia le decisioni operative non genera ritorno.

Domande frequenti

Che differenza c’è tra una previsione statistica e una basata sull’IA? I metodi statistici classici (ARIMA, Holt-Winters) modellano la serie storica di ciascuno SKU in modo indipendente. I modelli di machine learning e deep learning possono apprendere andamenti comuni a più SKU, incorporare variabili esterne in modo non lineare e adattarsi meglio a domande intermittenti o irregolari. La differenza di prestazioni dipende dal caso: per prodotti con domanda stabile e stagionale i metodi classici restano competitivi; per cataloghi con migliaia di SKU dagli andamenti eterogenei, i modelli di machine learning hanno un vantaggio strutturale.

Il modello va riaddestrato di continuo? Il riaddestramento periodico fa parte della normale manutenzione di qualsiasi modello di forecast. La frequenza dipende dalla velocità con cui cambiano gli andamenti della domanda: nei settori con lanci frequenti o promozioni intense, il riaddestramento mensile è abituale. Il costo di questa manutenzione va incluso nella valutazione del ROI come costo ricorrente.