Cos’è la previsione della domanda? Metodi e come farla

La previsione della domanda consiste nello stimare quanto si venderà di un determinato articolo in un periodo futuro, in modo da poter decidere quanto acquistare e quanto tenere a magazzino.

Ogni azienda lo fa. La maggior parte lo fa in modo implicito: qualcuno guarda lo scaffale, pensa al mese precedente ed effettua un ordine. La previsione formale sostituisce questo approccio con un metodo che può essere esaminato, misurato e migliorato.

Il motivo per cui è importante non è che si possano ottenere previsioni accurate. Non è possibile, e qualsiasi processo che presuma il contrario porterà a delusioni. È importante perché l’entità dell’errore determina la quantità di scorte di sicurezza necessaria, e le scorte di sicurezza sono costose. Una migliore previsione è l’unico modo per mantenere meno scorte senza ridurre la disponibilità.

Cos’è la previsione della domanda

Una previsione è composta da tre parti, e quelle che falliscono solitamente ne omettono due.

Un numero. Le unità previste in un periodo definito.

Un periodo. La prossima settimana, il prossimo mese, il prossimo trimestre. L’accuratezza diminuisce man mano che l’orizzonte si allunga, quindi l’orizzonte dovrebbe corrispondere a ciò per cui ti serve: una previsione a fini di riordino deve coprire solo il tempo di approvvigionamento (lead time) più il periodo di revisione.

Un intervallo di confidenza. Quanto il numero potrebbe essere errato. Una previsione di 500 unità che plausibilmente potrebbero variare da 400 a 600 è un input di pianificazione molto diverso da una che potrebbe variare da 200 a 800, anche se entrambe hanno la stessa cifra centrale. L’intervallo è ciò che dimensiona il tuo buffer, e una previsione senza di esso non ti fornisce alcuna base per decidere quanta protezione mantenere.

Le previsioni differiscono anche per livello. Una previsione per la domanda totale di una categoria è molto più affidabile di quella per un singolo SKU in un singolo colore, perché la variazione si annulla man mano che si aggregano i dati. È utile saperlo perché spiega perché i tuoi numeri di alto livello possono sembrare accurati mentre le previsioni dei singoli prodotti sono costantemente errate.

I principali metodi di previsione

Previsione ingenua (Naïve). Il prossimo periodo è uguale al precedente. Genuinamente utile come base di riferimento: se il tuo metodo sofisticato non riesce a superarla, la sofisticazione non sta dando i suoi frutti.

Media mobile. La media degli ultimi periodi, che attenua la variazione casuale. Semplice ed efficace per prodotti stabili, ma lenta a rispondere a cambiamenti reali perché i periodi passati hanno lo stesso peso di quelli recenti.

Media mobile ponderata. Come sopra, ma i periodi recenti contano di più. Risponde più velocemente ai cambiamenti pur mantenendo un certo livellamento.

Livellamento esponenziale. I pesi diminuiscono geometricamente nel passato, controllati da un singolo fattore di livellamento. Un fattore più alto risponde più velocemente al cambiamento ed è più instabile; uno più basso è stabile e lento. Questo è il pilastro della previsione pratica, e le varianti gestiscono esplicitamente trend e stagionalità.

Scomposizione di trend e stagionalità. Si divide lo storico in un livello di base, un trend e un pattern stagionale ricorrente, si proietta ciascuno di essi e si ricombinano. Necessario per qualsiasi cosa genuinamente stagionale, che rappresenta la maggior parte dei beni di consumo.

Regressione. Mette in relazione la domanda con le variabili che la guidano: prezzo, spesa di marketing, meteo, un indicatore economico anticipatore. Potente dove esiste una reale relazione causale, e fuorviante dove una correlazione casuale viene scambiata per tale.

Metodi qualitativi. Input del team di vendita, intenzioni dei clienti, giudizio degli esperti. Indispensabili dove non esiste uno storico: nuovi prodotti, nuovi mercati, un canale appena aperto. Sono anche i più inclini all’ottimismo, motivo per cui vale la pena registrare le previsioni e valutarle in seguito.

Approcci di machine learning. Sempre più disponibili nei software di pianificazione, sono realmente migliori dove hai molti prodotti, lunghi storici e molteplici variabili influenti. Richiedono molti più dati di quelli che la maggior parte delle operazioni possiede e non risolvono gli input errati.

Tipi di previsione della domanda

Le previsioni vengono classificate in diversi modi, e le etichette sono utili perché vengono usate come abbreviazioni nelle conversazioni di pianificazione.

Per orizzonte temporale.

• Breve termine — da giorni a pochi mesi. Guida il riapprovvigionamento, i punti di riordino e il personale. Qui l’accuratezza è raggiungibile e il ritorno è immediato.
• Medio termine — da un trimestre a un anno. Guida gli impegni di acquisto, gli accordi con i fornitori e gli acquisti stagionali.
• Lungo termine — un anno o più. Guida le decisioni sulla capacità: spazio in magazzino, attrezzature, organico. La precisione non è né attesa né utile in questo intervallo; contano direzione e magnitudo.

Per ambito.

• Previsione a livello macro guarda all’esterno, alle condizioni in cui si inserisce la tua domanda: l’economia, la categoria, il mercato. Utile per il contesto e raramente azionabile da sola.
• Previsione a livello micro guarda a un prodotto, canale o cliente specifico. È qui che vengono prese le decisioni operative.

Per approccio.

• Previsione passiva assume la continuità: ciò che è accaduto continuerà ad accadere, corretto per trend e stagione. Si adatta alle aziende stabili ed è l’impostazione predefinita corretta per la maggior parte della pianificazione delle scorte, perché non fa assunzioni eroiche.
• Previsione attiva integra ciò che intendi cambiare: una promozione, un nuovo canale, un aumento di prezzo, un lancio di prodotto. È necessaria ogni volta che il passato è una guida scarsa, ed è anche dove l’ottimismo fa più danni, perché un piano viene scambiato per una previsione.

Per metodo.

• Qualitativo — giudizio, input delle vendite, opinione degli esperti. Necessario per nuovi prodotti senza storico, e il meno affidabile dove esistono dati.
• Quantitativo — medie mobili, livellamento esponenziale, regressione, scomposizione stagionale. Affidabile dove lo storico è disponibile e la domanda è ragionevolmente stabile.
• Basato su AI e machine learning — modelli che considerano molte variabili contemporaneamente e trovano pattern che una semplice serie storica perderebbe: meteo, prezzi, comportamento dei concorrenti, traffico web, sovrapposizione promozionale. Danno i loro frutti su larga scala, su un elevato numero di SKU con molta storia, e non sostituiscono dati puliti. Un modello addestrato su uno storico vendite che include periodi di rottura di stock non segnalati imparerà la cosa sbagliata più velocemente e con più sicurezza di quanto farebbe un foglio di calcolo.

Il punto pratico: la maggior parte delle aziende ha bisogno di una previsione quantitativa passiva, a livello micro e a breve termine per la maggior parte del proprio assortimento, con una previsione attiva sovrapposta per la manciata di linee in cui qualcosa sta cambiando deliberatamente. Ricorrere a metodi sofisticati prima che quello base funzioni è l’errore di sequenza più comune e costoso in questo settore.

Come prevedere la domanda in pratica

1. Pulisci prima lo storico. Questo passaggio determina se tutto ciò che segue vale la pena di essere fatto.

La correzione critica riguarda le rotture di stock (stockout). Lo storico delle vendite registra ciò che hai venduto, non ciò che i clienti volevano. Un periodo in cui eri senza scorte mostra vendite basse, e inserire questo dato in una previsione dice al modello che la domanda è più bassa di quanto sia in realtà, proprio per il prodotto che ti ha già deluso. Segnala i periodi di rottura di stock ed escludili o stima la domanda persa.

Elimina anche gli eventi una tantum: un singolo ordine massiccio che non si ripeterà, una liquidazione, un errore nei dati. Lascia i pattern ricorrenti genuini come le promozioni, ma contrassegnali in modo che siano intesi come promozioni piuttosto che come base.

2. Scegli il livello. Prevedi al livello su cui agirai. Se ordini per SKU, hai bisogno di previsioni a livello di SKU, ma potresti costruirle prevedendo la categoria e suddividendo in base alla quota recente, che è spesso più stabile rispetto alla previsione di ogni SKU indipendentemente.

3. Scegli un metodo per gruppo di prodotti. Le linee stabili ad alto volume si adattano al livellamento esponenziale. Le linee stagionali necessitano di scomposizione stagionale. I prodotti a rotazione lenta ed erratica sono spesso gestiti al meglio con una media semplice e un buffer generoso, perché i metodi sofisticati si adattano al rumore.

4. Applica il giudizio e registralo. Adatta per cose che lo storico non può conoscere: un nuovo inserimento a catalogo, l’uscita di un concorrente, un cambio di prezzo, una promozione. Registra l’adeguamento separatamente dalla previsione statistica in modo da poter verificare in seguito se i tuoi interventi hanno aiutato. Molti non lo fanno.

5. Misura l’errore. Senza questo non è un processo, è un’abitudine.

6. Rivedi e adatta regolarmente. Mensilmente per la maggior parte delle operazioni. Il punto è cogliere i prodotti il cui pattern è cambiato, non perfezionare numeri che andavano già bene.

Misurare l’accuratezza della previsione

Tre misure coprono la maggior parte delle esigenze.

MAPE — mean absolute percentage error (errore percentuale medio assoluto). L’errore medio come percentuale della domanda effettiva. Intuitivo e ampiamente utilizzato. Il suo punto debole è che si distorce notevolmente con volumi bassi: sbagliare di due unità su una previsione di tre rappresenta un errore del 67% che non ha alcun significato.

MAD — mean absolute deviation (deviazione media assoluta). L’errore medio in unità, ignorando la direzione. Utile perché alimenta direttamente il calcolo dello stock di sicurezza.

Bias (distorsione). L’errore medio con la direzione mantenuta. È quello più spesso trascurato e frequentemente il più informativo. Se i tuoi errori si attestano in media vicino allo zero, sei tanto spesso in eccesso quanto in difetto — si tratta di rumore, che le scorte cuscinetto gestiscono. Se sono costantemente positivi o negativi, hai un problema sistematico e nessuna quantità di stock di sicurezza correggerà una previsione che è sempre troppo bassa.

Misura per gruppo di prodotti piuttosto che in aggregato, perché un buon numero complessivo nasconde regolarmente alcune linee mal previste che stanno causando danni reali.

Confronta con la baseline ingenua. Se il tuo metodo non batte il “come il mese scorso”, semplifica.

Perché non è mai perfetta (e va bene così)

Le previsioni sono sbagliate. Le domande utili sono quanto sono sbagliate, in quale direzione e se l’errore è abbastanza stabile da poterci pianificare attorno.

Ecco perché la previsione e lo stock di sicurezza sono la stessa conversazione. La previsione ti fornisce la domanda attesa; l’errore di previsione ti fornisce la variabilità che lo stock di sicurezza esiste per assorbire. Migliora la previsione e il buffer richiesto diminuisce a parità di livello di servizio. Questo è l’intero argomento commerciale per investire nella previsione, ed è misurabile.

Accetta anche che alcuni prodotti siano genuinamente imprevedibili. Articoli a rotazione molto lenta, articoli per progetti una tantum, qualsiasi cosa guidata da eventi esterni che nessuno può anticipare. Per questi, la risposta onesta è una strategia diversa — make to order, mantenere stock presso il fornitore, accettare lead time più lunghi — piuttosto che un modello migliore.

Prevedere la domanda stagionale e promozionale

Due modelli causano la maggior parte delle difficoltà ed entrambi richiedono una gestione esplicita, piuttosto che sperare che un metodo generale li assorba.

La stagionalità è un modello ripetitivo legato al calendario. L’errore è trattare un picco stagionale come crescita. Una media mobile applicata a un prodotto che vende quattro volte tanto a dicembre inseguirà il picco verso l’alto a gennaio, ordinando troppo, per poi inseguirlo verso il basso durante la primavera.

Gestirla correttamente significa separare il fattore stagionale dal livello sottostante. Calcola il rapporto tra la domanda di ogni periodo e la media annuale su diversi anni e otterrai una serie di indici stagionali — dicembre 2.4, gennaio 0.6, e così via. Prevedi il livello sottostante, quindi applica l’indice per il periodo che stai prevedendo.

Due avvertenze. Hai bisogno di almeno due cicli completi di storico prima che gli indici stagionali abbiano un significato, e tre è meglio. E la stagionalità cambia — la Pasqua si sposta, le settimane di picco commerciale migrano man mano che le abitudini di acquisto cambiano, e un indice calcolato su dati di cinque anni fa potrebbe descrivere un modello che non esiste più.

Le promozioni sono il problema maggiore nella maggior parte delle aziende, perché sono sia sostanziali che auto-inflitte. Una promozione può moltiplicare la domanda diverse volte per una settimana, e quel picco rimane poi nel tuo storico distorcendo ogni previsione successiva.

Le discipline che aiutano:

• Contrassegna i periodi promozionali nei dati in modo che la previsione statistica possa escluderli o correggerli.
• Prevedi l’incremento promozionale separatamente dalla domanda di base, utilizzando i risultati di promozioni passate comparabili piuttosto che una percentuale che qualcuno ritiene corretta.
• Tieni conto del calo successivo. Le promozioni spesso anticipano la domanda piuttosto che crearla, quindi le settimane successive corrono al di sotto della baseline. Prevedere il picco ignorando il calo ti lascia sovrastoccato due volte.
• Ottieni il calendario promozionale in anticipo. La causa più comune di rotture di stock promozionali è che il magazzino scopre la promozione nello stesso momento dei clienti.

Chi possiede la previsione

La previsione fallisce a livello organizzativo più spesso di quanto fallisca tecnicamente, e il modello è coerente.

Le vendite prevedono in modo ottimistico, perché obiettivi e previsioni vengono confusi e nessuno vuole prevedere al di sotto dell’obiettivo. Le operazioni prevedono in modo conservativo, perché sostengono il costo dell’eccesso di scorte e la colpa delle rotture di stock. La finanza vuole un numero che corrisponda al piano. Ognuno produce una cifra diversa e l’azienda finisce per operare su quella che appartiene alla persona che ha discusso più duramente.

Cosa funziona meglio:

Un numero, posseduto da una funzione. Solitamente pianificazione o operazioni, con input strutturato dalle vendite piuttosto che una previsione di vendita separata che corre in parallelo.

Separare la previsione dall’obiettivo. Un obiettivo è ciò che intendi raggiungere. Una previsione è ciò che ti aspetti che accada. Confonderli garantisce che la previsione sia distorta verso l’alto, e lo stock segue.

Valuta gli aggiustamenti. Quando qualcuno sovrascrive la previsione statistica, registralo e rivedi in seguito se la sovrascrittura ha migliorato l’accuratezza. Questo è scomodo ed è il modo più veloce per scoprire il giudizio di chi vale la pena applicare e quello di chi no.

Rendi visibile il costo. L’errore di previsione ha un prezzo — eccesso di scorte, svalutazioni, spedizioni urgenti, vendite perse. Attaccare quella cifra al processo è solitamente ciò che trasforma la previsione da un compito amministrativo in qualcosa che le persone prendono sul serio.

Come la previsione si collega al resto

• I punti di riordino utilizzano la domanda prevista durante il lead time.
• Lo stock di sicurezza è dimensionato in base all’errore di previsione.
• Gli acquisti impegnano capitale sulla base della previsione, che è dove gli errori diventano costosi.
• La pianificazione della capacità di magazzino dipende dal volume previsto, e sbagliare si traduce in mancanza di spazio a novembre.
• La pianificazione della manodopera segue il volume degli ordini previsti piuttosto che le unità.
• Le relazioni con i fornitori migliorano quando condividi le previsioni, perché possono pianificare la produzione e mantenere lo stock appropriato.

Quest’ultimo punto è sottoutilizzato. Un fornitore a cui viene data visibilità dei tuoi requisiti previsti può solitamente accorciare e stabilizzare il proprio lead time, il che riduce il tuo requisito di stock di sicurezza più di quanto farebbe un modello migliore.

Un esempio pratico

Prendi un prodotto con dodici mesi di storico e analizza cosa comporta effettivamente una previsione.

Le vendite mensili sono all’incirca: 210, 195, 230, 240, 215, 225, 260, 250, 245, 280, 520, 310.

L’osservazione immediata è che novembre a 520 non fa parte del modello sottostante — è un picco stagionale. Prevedere dicembre da una media mobile a tre mesi di settembre, ottobre e novembre dà (245 + 280 + 520) ÷ 3 = 348, il che porta a ordinare eccessivamente perché tratta il picco come la nuova normalità.

Gestirla correttamente:

Separa il mese stagionale. Escludendo novembre, gli undici mesi rimanenti hanno una media di circa 241 unità con una lieve tendenza al rialzo. Quel 241 è il tuo livello sottostante.

Calcola l’indice stagionale. Novembre a 520 rispetto a una baseline di 241 dà un indice di circa 2.2. Se un anno precedente ha mostrato un rapporto simile, puoi fidarti; con solo un anno di storico, trattalo come provvisorio.

Prevedi il livello in avanti. La tendenza durante l’anno è leggermente al rialzo — circa 200 all’inizio, 260 in autunno escluso il picco — quindi una previsione di livello ragionevole per il mese prossimo è intorno a 265.

Applica l’indice se rilevante. Dicembre non è il mese di picco qui, quindi la previsione rimane vicino a 265.

Stima l’errore. La deviazione mese su mese dalla tendenza sottostante è di circa 20 unità, quindi una deviazione standard vicino a 20 è una cifra di lavoro ragionevole. A un livello di servizio del 95%, lo stock di sicurezza è circa 1.65 × 20 × la radice quadrata del lead time in mesi.

Il punto di analizzare il processo è che la maggior parte del lavoro è giudizio su cosa significhi lo storico, non aritmetica. Decidere che novembre è stagionale piuttosto che crescita è la decisione che determina se il prossimo ordine è corretto, e nessun metodo prende quella decisione per te su un anno di dati.

Approfondimenti

• Cos’è lo stock di sicurezza — dimensionato direttamente in base all’errore di previsione.
• Cos’è il punto di riordino — dove viene applicata la previsione.
• Tecniche di gestione dell’inventario — il toolkit più ampio.
• Cos’è un esaurimento scorte — il fallimento che la previsione riduce.
• Cos’è la rotazione dell’inventario — ciò che una migliore previsione migliora.
• Come gestire l’inventario — il processo in cui si inserisce.

Il concetto chiave in sintesi

La previsione della domanda stima le vendite future per permetterti di decidere cosa acquistare; poiché la previsione non sarà mai esatta, il dato che conta di più è l’entità e la direzione dell’errore, poiché determina quanto stock di sicurezza è necessario mantenere.

Domande frequenti

Cos’è la previsione della domanda? La stima della domanda futura per un prodotto in un periodo definito, al fine di decidere quanto stock acquistare e mantenere.

Quali sono i principali metodi di previsione della domanda? Medie mobili, medie mobili ponderate, livellamento esponenziale, scomposizione di trend e stagionalità, regressione rispetto a variabili causali e giudizio qualitativo. La maggior parte delle operazioni utilizza il livellamento esponenziale per linee stabili e la scomposizione stagionale per tutto ciò che presenta un modello ricorrente.

Quanto dovrebbe essere accurata una previsione della domanda? Non esiste una cifra universale, poiché l’accuratezza dipende dalla variabilità della domanda. Il test utile consiste nel verificare se il proprio metodo supera una previsione ingenua del tipo “uguale al periodo precedente” e se l’errore è imparziale anziché costantemente alto o basso.

Qual è la differenza tra MAPE e bias? Il MAPE misura la dimensione media dell’errore indipendentemente dalla direzione. Il bias misura se gli errori tendono costantemente in una direzione. Una previsione può avere un MAPE accettabile e un bias grave, che è il problema più dannoso perché lo stock di sicurezza non corregge una tendenza sistematica.

Come posso prevedere la domanda per un nuovo prodotto? Non essendoci uno storico, ci si affida agli analoghi — prodotti simili al lancio — combinati con input qualitativi dalle vendite e dati su preordini o richieste. Aspettati errori significativi inizialmente e rivedi la previsione settimanalmente anziché mensilmente finché non emerge un modello.

Perché dovrei escludere i periodi di esaurimento scorte dallo storico? Perché le vendite durante un esaurimento scorte registrano la disponibilità anziché la domanda. Includerle insegna alla previsione che la domanda è inferiore a quella reale, proprio sui prodotti che sono già terminati.

Quanto lontano nel tempo dovrei prevedere? Abbastanza da coprire il lead time più il periodo di revisione, e non oltre per scopi di ordinazione. Orizzonti più lunghi sono necessari per la pianificazione della capacità, del budget e dei fornitori, ma dovrebbero essere intesi come esercizi separati con tolleranze più ampie, piuttosto che come il numero su cui basare gli ordini.

Una migliore previsione riduce l’inventario? Sì, indirettamente e in modo misurabile. Lo stock di sicurezza è dimensionato in base all’errore di previsione, quindi ridurre l’errore riduce il buffer necessario per lo stesso livello di servizio. Questa è la motivazione finanziaria più chiara per investire nel processo di previsione.

Scritto da

↑ Torna in alto

Warehouse Wise

Warehouse Wise è una libreria gratuita e indipendente di guide sulla gestione dell'inventario, lo stoccaggio e l'evasione degli ordini, pensata per chi svolge il lavoro sul campo: nuovo personale di magazzino e di inventario, piccole e medie imprese di vendita al dettaglio ed e-commerce, e chiunque gestisca scorte e voglia comprenderne appieno le dinamiche. Ogni guida spiega il termine, mostra un esempio pratico con numeri reali quando necessario, e va dritta al punto. Siamo indipendenti: non vendiamo software o attrezzature, non accettiamo commissioni per segnalazioni e le nostre guide non sono influenzate da sponsorizzazioni.