Dalla previsione della domanda alla gestione degli stock, il forecasting del sell out sta passando da modelli statici a sistemi capaci di apprendere e aggiornarsi continuamente. Il machine learning consente di aumentare la granularità delle previsioni, mentre l’AI apre la strada al continuous forecasting.

Nella grande distribuzione e nel largo consumo, prevedere quanto verrà venduto non è soltanto una questione di accuratezza statistica. Una previsione influenza gli ordini ai punti vendita, la produzione, la logistica, la gestione degli stock, le promozioni e, in ultima analisi, la capacità dell’azienda di soddisfare la domanda evitando al tempo stesso eccedenze e sprechi. Per questo il sell out forecasting sta diventando una componente sempre più importante della pianificazione.

Il paradigma, però, sta cambiando. I modelli tradizionali partono prevalentemente dallo storico e producono previsioni che vengono aggiornate secondo intervalli prestabiliti. L’evoluzione del machine learning sta rendendo possibile un approccio diverso: modelli dinamici che apprendono dai nuovi dati e modificano progressivamente le proprie previsioni. La conseguenza più rilevante è il passaggio da un forecast statico a una pianificazione capace di adattarsi continuamente alle condizioni del mercato.

L’accuratezza non basta: conta la stabilità

Quando si parla di forecast accuracy, per le aziende del largo consumo un livello intorno al 70-80% può rappresentare un obiettivo positivo, ma concentrarsi soltanto sulla percentuale di accuratezza rischia di essere fuorviante.

Un modello che raggiunge un buon risultato in una settimana e ne produce uno molto diverso nella settimana successiva può essere meno utile di un sistema leggermente meno accurato, ma più stabile e prevedibile nel tempo. Il vero scopo del forecasting è infatti supportare le decisioni. La previsione deve permettere all’azienda di individuare le situazioni ordinarie e, soprattutto, evidenziare le eccezioni che richiedono un intervento specifico. Un esempio è lo stockout: una vendita inferiore alle attese non significa necessariamente che la domanda sia diminuita. Potrebbe essere semplicemente mancato il prodotto a scaffale.La qualità del forecast dipende inoltre dalla natura della categoria. Alcuni prodotti presentano una domanda relativamente regolare e quindi sono più semplici da prevedere. Altri sono condizionati da stagionalità, promozioni, shelf life limitata o dall’andamento delle materie prime.

Una previsione, tre orizzonti temporali

Non esiste un unico forecast valido per ogni decisione. La pianificazione del sell out può essere articolata su tre differenti orizzonti.

Nel breve periodo, generalmente da una a quattro settimane, la previsione ha una funzione soprattutto operativa. Serve a pianificare gli ordini verso i punti vendita, organizzare i rifornimenti e ridurre il rischio di stockout.

Nel medio periodo, indicativamente da uno a tre mesi, il forecast assume una funzione più logistica. Permette di anticipare aumenti o riduzioni della domanda e di adeguare di conseguenza produzione e supply chain.

Nel lungo periodo, invece, la previsione è maggiormente collegata alla pianificazione commerciale: promozioni, negoziazione dei volumi con i buyer e fornitori e introduzione di nuovi prodotti.

Lo stesso prodotto, quindi, può richiedere approcci differenti a seconda della distanza temporale dalla decisione che l’azienda deve prendere.

La categoria determina la complessità del forecast

Anche la tipologia di prodotto modifica radicalmente il problema.

Nel grocery, dove la domanda può essere relativamente regolare e la shelf life generalmente lunga, è possibile ottenere previsioni con maggiore facilità. La situazione cambia per le categorie stagionali o fortemente influenzate dalle promozioni. Ancora più complessa è la pianificazione dei prodotti freschi, come carne, yogurt e latticini, dove la shelf life introduce un ulteriore vincolo: bisogna evitare contemporaneamente la rottura di stock e l’eccesso di prodotto destinato a scadere.

Esistono poi categorie il cui comportamento è influenzato da variabili esterne. L’olio d’oliva, per esempio, può essere fortemente condizionato dall’andamento del costo delle materie prime. Questo significa che un unico modello applicato indistintamente a tutte le categorie non rappresenta necessariamente la soluzione più efficace. La capacità di adattare il forecasting alle caratteristiche specifiche del prodotto diventa quindi fondamentale.

Dal panettone allo yogurt: la stessa logica cambia con il prodotto

La stagionalità rende particolarmente evidente questa differenza. Prendiamo il caso del panettone. Sei-dodici mesi prima del periodo natalizio, la previsione supporta la pianificazione delle promozioni, la negoziazione dei volumi con i fornitori e la definizione delle campagne pubblicitarie.

A due o tre mesi dal Natale, il focus si sposta sulla logistica: occorre preparare i magazzini per sostenere i picchi di vendita di novembre e dicembre. Nelle settimane immediatamente precedenti le festività, invece, il forecast diventa uno strumento operativo per monitorare il sell out e ridurre il rischio di rotture di stock nei giorni di maggiore domanda, come l’ultima settimana prima di Natale.

Per yogurt e latticini la logica è differente. Nel lungo periodo entrano in gioco gli accordi annuali con i fornitori e l’introduzione di nuove referenze. Nel medio periodo occorre considerare le variazioni stagionali della domanda. Nel breve periodo, la shelf life limitata rende particolarmente importante determinare con precisione le quantità da ordinare. Il principio è lo stesso: la previsione deve adattarsi alla decisione che deve supportare.

Il salto tecnologico: dal foglio Excel al machine learning

La complessità descritta rende evidente il limite di approcci basati esclusivamente su strumenti tradizionali. L’aumento della capacità computazionale e l’evoluzione del machine learning hanno reso possibile costruire algoritmi dinamici in grado di apprendere progressivamente dai nuovi dati e affinare le previsioni per le diverse categorie.
Questi sistemi non si limitano a leggere lo storico delle vendite, possono analizzare variabili differenti e contribuire a distinguere la domanda effettiva dalle anomalie. Una vendita inferiore alle attese, per esempio, può essere il risultato di una reale riduzione della domanda oppure di una vendita persa causata da uno stockout, da un errore di inventario o dalla cannibalizzazione generata da una promozione.

Comprendere questa differenza è essenziale: utilizzare una vendita persa come se rappresentasse la reale domanda del consumatore rischia infatti di compromettere anche le previsioni successive. La tecnologia permette inoltre di applicare logiche differenti alle diverse categorie e di scegliere il livello di dettaglio più appropriato, fino ad arrivare, quando necessario, al singolo punto vendita.

Forecasting e promozioni: simulare prima di decidere

La capacità predittiva diventa particolarmente interessante quando viene applicata alla pianificazione promozionale. Un retailer può utilizzare il modello per confrontare il comportamento atteso delle vendite in presenza di una determinata promozione con quello che potrebbe verificarsi in assenza dell’iniziativa.

Lo storico rimane una componente importante, ma l’intelligenza artificiale consente di tenere conto anche di bias e outlier, cioè di elementi anomali o variabili capaci di influenzare significativamente il risultato. Questo apre alla possibilità di confrontare differenti strategie promozionali prima che vengano implementate.

Il concetto è quello degli scenari what if: cosa accadrebbe se cambiassero le condizioni della promozione? Quale potrebbe essere l’impatto sulle vendite? E quali sarebbero le eventuali vendite perse o gli effetti di cannibalizzazione? La previsione smette così di essere soltanto una fotografia del futuro atteso e diventa uno strumento per confrontare possibili decisioni.

La granularità diventa una variabile strategica

Uno degli sviluppi più interessanti riguarda il livello al quale viene effettuata la previsione. Nella GDO, le attività promozionali vengono tradizionalmente organizzate per aree geografiche. Un volantino può quindi essere definito per una determinata zona senza differenziare necessariamente l’offerta per ciascun punto vendita. Una maggiore personalizzazione potrebbe produrre vantaggi, ma per molto tempo la complessità operativa e la quantità di dati necessari hanno rappresentato un limite.

Il machine learning cambia questa equazione, rendendo tecnicamente più accessibile una pianificazione maggiormente granulare. Arrivare al singolo punto vendita può essere particolarmente utile, per esempio, per tenere conto della concorrenza presente nella specifica area di influenza del negozio. Questo non significa, tuttavia, che spingersi sempre fino alla singola SKU sia necessariamente la scelta migliore. La logica può essere diversa a seconda della categoria. Nel caso della pasta, per esempio, una promozione può essere applicata all’intera famiglia del formato da un chilogrammo, senza distinguere necessariamente tra penne, farfalle e mezze penne.
La vera opportunità offerta dalla tecnologia non è quindi imporre una granularità massima, ma scegliere quella più utile rispetto allo specifico contesto.

Il valore del machine learning sta anche nelle eccezioni

Un ulteriore elemento distintivo del machine learning è la capacità di lavorare sulle anomalie che possono alterare il forecast. Stockout e vendite perse sono esempi particolarmente significativi. Identificare che cosa ha determinato una performance inferiore alle attese consente di evitare che un’anomalia venga interpretata come un cambiamento strutturale della domanda.
Lo stesso vale per le promozioni. Il modello può analizzarne gli effetti sia nella fase di pianificazione sia successivamente, verificando l’efficacia dell’iniziativa e identificando eventuali fenomeni di cannibalizzazione. Nel tempo, il sistema può inoltre apprendere le specificità del singolo business. Questa capacità di elaborare rapidamente grandi quantità di dati rende possibile un livello di analisi che sarebbe difficilmente sostenibile attraverso processi esclusivamente manuali.

Implementazione: un percorso più graduale di quanto si immagini

L’introduzione di questi sistemi non richiede necessariamente una trasformazione radicale dell’architettura IT o dei processi aziendali. Il principio è valorizzare il patrimonio informativo che l’organizzazione possiede già, introducendo progressivamente nuovi strumenti di analisi e previsione. Anche il percorso di implementazione può essere incrementale.

Nel primo mese si raccolgono, analizzano e strutturano i dati necessari.

Nel secondo si sviluppa un progetto pilota, eventualmente concentrato su alcune categorie o su un numero limitato di punti vendita.

Nel terzo si procede con il fine tuning del modello e con l’estensione progressiva del processo.

In circa tre-quattro mesi è quindi possibile arrivare ai primi risultati tangibili, senza dover necessariamente affrontare un cambiamento traumatico dell’intero sistema.

Verso il continuous forecasting

Il prossimo passaggio evolutivo riguarda l’intelligenza artificiale. La crescente volatilità delle variabili macroeconomiche, l’evoluzione dei comportamenti dei consumatori e le disruption tecnologiche rendono sempre più importante poter prendere decisioni rapidamente. In questo scenario emerge il concetto di continuous forecasting: previsioni che non vengono aggiornate soltanto a intervalli prestabiliti, ma che possono evolvere continuamente sulla base dei nuovi segnali disponibili, arrivando potenzialmente a essere aggiornate anche di ora in ora.
La prospettiva è quella di sistemi sempre più auto-correttivi, capaci di integrare anche fonti dati non convenzionali, dal sentiment sui social ai dati satellitari, e di produrre simulazioni di scenario in tempi molto rapidi. Questo non significa sostituire la decisione umana con un algoritmo, al contrario, la distinzione dei ruoli diventa più chiara: l’intelligenza artificiale può gestire la complessità computazionale e l’elaborazione di grandi quantità di informazioni, mentre le persone continuano a essere centrali nell’interpretazione del contesto e nelle decisioni strategiche.

Dal forecast statico alla capacità di adattarsi

L’evoluzione del sell out forecasting non consiste quindi semplicemente nell’ottenere una percentuale di accuratezza più elevata. Il vero cambiamento riguarda la capacità di costruire previsioni stabili, dinamiche e coerenti con la specificità di prodotto, periodo e punto vendita.
Il machine learning rende possibile lavorare su granularità differenti, distinguere domanda ed eccezioni, analizzare le promozioni e correggere progressivamente i modelli. L’AI porta questo percorso verso una dimensione ulteriore, nella quale il forecast può diventare un processo continuo anziché un’attività periodica. Per il largo consumo, il vantaggio competitivo sarà quindi sempre più legato alla capacità di trasformare i dati in previsioni utilizzabili e, soprattutto, di aggiornare rapidamente quelle previsioni quando cambiano le condizioni del mercato.