Metodi di previsione delle scorte: 5 modi per prevedere la domanda
Scopri 5 metodi collaudati di previsione delle scorte, come funziona ciascuno e quando usarlo. Confronta gli approcci e scegli quello giusto per la tua azienda.

Se ordini troppo, bruci cassa. Se ordini troppo poco, perdi la vendita a favore di chi ha la merce a scaffale. Ogni azienda che gestisce magazzino vive tra questi due errori, e la distanza tra l'uno e l'altro dipende da una sola decisione: quale metodo di previsione delle scorte sta dietro ai tuoi ordini di acquisto.
Chiedi a una sala piena di operatori quale metodo usano e ti risponderanno con nomi di prodotti. Un foglio di calcolo. Un modulo dell'ERP. Un componente aggiuntivo comprato da qualcuno in amministrazione. Nessuno nomina il calcolo. È questo il divario da colmare. Uno strumento di previsione è solo il mezzo con cui si applica un metodo, ed è il metodo a decidere se le tue scorte di sicurezza sono dimensionate sulla realtà o sulle speranze.
Ecco cinque metodi di previsione delle scorte, presentati come una scala decisionale e non come scuole rivali. Ognuno è un riferimento che il successivo deve battere. Per ciascuno vedrai di cosa ha bisogno, dove si rompe e in quali condizioni vale davvero il suo costo.
1. Previsione con media mobile
La media mobile è un punto di partenza comune, e se lo merita. Scegli una finestra (3, 6 o 12 periodi), calcoli la media della domanda effettiva al suo interno e la usi come previsione per il periodo successivo. Quando si chiude un nuovo periodo, la finestra avanza e il valore si aggiorna da solo.
Uno studio sulla supply chain dell'Università dell'Arkansas descrive la previsione a serie storiche come la base della maggior parte dei sistemi di riordino, con l'obiettivo di individuare trend e stagionalità sotto il rumore delle vendite. La media mobile svolge la versione più semplice di questo compito: elimina i picchi occasionali senza richiedere un modello.
Finestre semplici o ponderate
Le medie mobili semplici danno lo stesso peso a ogni periodo. Quelle ponderate danno più influenza ai periodi recenti, il che conta quando la domanda sale o scende a gradini anziché restare stabile. Scegli la versione ponderata quando il mese scorso dice più sul prossimo mese di quanto faccia lo scorso trimestre.
Prendiamo un negozio online di cartoleria che calcola la media delle vendite di quaderni degli ultimi tre mesi per fissare i punti di riordino di una linea stabile, e un panificio che ogni lunedì calcola la media di quattro settimane di vendite di pane per dimensionare l'ordine di farina. Stesso metodo, finestre diverse, entrambi facili da spiegare a un addetto agli acquisti.
Prima di sceglierne una, prova tre lunghezze di finestra sugli ultimi dodici mesi di dati. La finestra migliore è di solito più corta di quanto suggerisca l'istinto.
- Confronta con il metodo naïve: se le vendite dell'ultimo periodo prevedono bene quanto la tua media, la media non giustifica la sua complessità.
- Abbina la scorta di sicurezza: il livellamento toglie il picco dalla previsione, non dalla domanda.
- Separa le famiglie di prodotto: un quaderno e un'agenda stagionale non dovrebbero condividere la stessa finestra.
Usala quando i tuoi articoli si vendono in modo costante, hai almeno sei periodi di storico puliti e ti serve un riferimento che qualsiasi interlocutore possa seguire. È anche il valore che ogni metodo successivo deve battere. Un pilota di 30 giorni sulle scorte per i retailer mostra con quanta rapidità un riferimento come questo evidenzia quali SKU richiedono più di una media.
2. Livellamento esponenziale (metodo Holt-Winters)
Il livellamento esponenziale mantiene l'abitudine di fare la media, ma smette di trattare allo stesso modo dati vecchi e nuovi. Ogni osservazione pesa esponenzialmente meno con il passare del tempo, quindi la previsione si orienta su ciò che accade ora senza reagire in modo eccessivo a una settimana anomala.
Holt-Winters aggiunge due componenti: un termine di trend e uno stagionale, applicati in forma additiva o moltiplicativa a seconda che le oscillazioni stagionali crescano con i volumi. Per questo i cataloghi retail stagionali passano qui gran parte della loro vita.
Perché in gioco c'è più accuratezza
Dare peso ai dati recenti garantisce reattività, e la reattività ha un prezzo. Uno studio sulla ricerca nel commercio all'ingrosso e nel controllo delle scorte riporta un risultato di Syntetos e colleghi: una riduzione dell'1% dell'accuratezza della previsione può corrispondere a un aumento del 10-15% dei costi di giacenza a parità di livelli di servizio. Parametri impostati troppo lenti ti lasciano con troppa merce durante un cambio di domanda; troppo veloci, e insegui il rumore fino a innescare l'effetto frusta.

Tre abitudini mantengono il modello affidabile:
- Almeno due anni: fornisci almeno due cicli stagionali completi, altrimenti la componente stagionale va a tentoni.
- Verifica l'ottimizzatore: lascia che il software calcoli le costanti di livellamento, poi controlla che la forma stagionale corrisponda all'anno che hai vissuto.
- Segnala le promozioni come eventi: una campagna di tre settimane altera il riferimento per mesi se la lasci filtrare nello storico.
Usalo quando la domanda ha una forma stagionale che si ripete e puoi fornire due cicli puliti. Per capire come si eseguono e si confrontano i modelli di livellamento nella pratica, leggi come prevedere i tassi di insolvenza con i modelli di livellamento.
3. Modelli a serie storiche ARIMA e SARIMA

Il livellamento tratta lo storico come una media ponderata. ARIMA pone ai dati una domanda più difficile: la domanda di oggi dipende da quella di ieri, dalla stessa settimana dell'anno scorso e dagli errori commessi in precedenza dal modello? Il passaggio di integrazione differenzia la serie finché il trend non si stabilizza, e SARIMA aggiunge termini stagionali per i cicli settimanali e annuali. Dove Holt-Winters ti consegna una linea più liscia, ARIMA ti consegna un modello del processo stesso della domanda.
L'intervallo attorno alla previsione è il risultato che rende.
Gli intervalli battono i numeri singoli
Uno studio sull'ottimizzazione del riassortimento modella la domanda per SKU, i tempi di consegna dei resi e i tempi di consegna del riassortimento come variabili casuali, lavora con previsioni per quantili anziché con una sola stima e propone un Ratio of Forecast Uncertainty per monitorare come l'incertezza si propaga tra le fasi della supply chain. La distinzione conta al momento dell'ordine d'acquisto. Una previsione di 1.000 unità significa una cosa se l'intervallo plausibile va da 850 a 1.150, e un'altra se va da 500 a 1.700.
Due buyer possono leggere la stessa previsione e prendere decisioni opposte. Una catena di supermercati regionale modella la domanda settimanale di latticini con stagionalità sia settimanale sia annuale, così il picco delle festività compare nell'ordine e non dopo. Un distributore di elettronica fissa la scorta di sicurezza dei componenti al 90° percentile dell'intervallo, dimensionata su un obiettivo di servizio anziché su due settimane fisse di copertura. Stessi strumenti, diversa domanda di policy.
Per usarlo bene serve disciplina:
- Verifica la stazionarietà con un grafico e con un test formale, poi differenzia solo quanto serve. Una differenziazione eccessiva introduce rumore che il modello poi deve spiegare.
- Escludi gli ultimi tre mesi e valuta il modello su quel periodo prima di fidarti.
- Traduci gli intervalli in policy: scegli il percentile giustificato da margine, posizione di cassa e impegno di servizio.
- Automatizza la selezione del modello per i cataloghi ampi. La regolazione manuale degli ordini non regge con 400 SKU.
Il compromesso è lo sforzo richiesto. ARIMA esige dati stazionari, un'attenta scelta dell'ordine e uno storico sufficiente a stimare i termini stagionali, e continua a leggere solo il passato della serie stessa. Per questo è il riferimento che i metodi causali devono superare: un fattore come prezzo o promozione entra nel modello solo se prevede meglio dello storico della domanda stessa.
Usalo quando la tua serie presenta un'autocorrelazione che lo smoothing non coglie e ti serve un intervallo affidabile per dimensionare la scorta di sicurezza rispetto a un obiettivo di livello di servizio.
4. Previsione con regressione causale
Finora tutti i metodi ricavano la domanda dal proprio storico. La regressione causale pone un'altra domanda: cosa muove la domanda, e di quanto? Le fornisci i fattori che il tuo team già monitora, come prezzo, entità dello sconto, promozioni, festività, meteo e attività dei concorrenti, e stima l'incremento prodotto da ciascuno.
Il risultato è un coefficiente che si può discutere, ed è proprio questo il punto. Uno sconto non si limita ad alzare la previsione: la alza di una quantità dichiarata, ed è quella quantità che serve al tuo ordine d'acquisto.
Inserisci il calendario promozionale nel modello
Ipotizziamo che un retailer di articoli per la casa voglia sapere come uno sconto del 20 percento più una campagna email nel weekend muoverà le vendite di piccoli elettrodomestici da cucina. La regressione stima l'effetto combinato, così il buyer ordina in base a un evento pianificato e non alla media mensile dell'anno scorso. Un distributore di bevande che include la temperatura prevista può rifornirsi in anticipo prima di un'ondata di caldo invece di rincorrerla.
Regola pratica: testa un fattore alla volta su un periodo di holdout. Un fattore che non migliora l'accuratezza su dati che il modello non ha visto è una storia, non un segnale.

- Parti da ciò che registri: flag promozionali, variazioni di prezzo e calendari delle festività. Molti team hanno più fattori utilizzabili di quanto pensino.
- Aggiorna i coefficienti: la risposta dei clienti cambia dopo una mossa sui prezzi o l'ingresso di un nuovo concorrente, e coefficienti obsoleti possono portare a sovrastock.
- Separa il pianificato dal non pianificato: le campagne entrano come input; un post virale o il recupero dopo una rottura di stock entrano come flag di evento.
Usalo quando promozioni e prezzi determinano una quota rilevante dei tuoi volumi e quando devi dimensionare le scorte per una campagna prima che parta, non dopo.
5. Previsione della domanda con machine learning
Il machine learning cambia l'unità di modellazione. Invece di adattare un modello per ogni prodotto, ne addestri uno solo su migliaia di combinazioni SKU-punto vendita e lo lasci apprendere i pattern comuni: quali articoli rispondono al meteo, quali ai cicli di paga, quali a una promozione di due settimane prima.
Il gradient boosting funziona bene sui dati di vendita tabellari. Le reti neurali si giustificano quando il catalogo è enorme e i segnali interagiscono in modi impossibili da specificare a mano.
Dove il discorso sull'accuratezza si complica
Uno studio che ha valutato 7.500 serie di domanda e 13 metodi di previsione ha rilevato che il valore della precisione previsionale dipende dalle caratteristiche del prodotto, dalla politica di scorta, dai costi di mantenimento, dai costi di vendita persa, dagli intervalli di revisione e dai tempi di consegna. Lo stesso lavoro osserva che le PMI farmaceutiche si affidano spesso a previsioni basate sul giudizio, anche con ordini intermittenti significativi, citando come ostacoli dati storici imprecisi, personale specializzato limitato e scarsa adozione tecnologica.
L'implicazione è scomoda per chi insegue la classifica. Un modello che vince sulle metriche di errore può perdere sul costo quando i costi di mantenimento sono bassi e le rotture di stock sono costose. E un metodo che sembra forte sugli articoli a domanda intermittente può ottenere buoni punteggi solo perché la maggior parte dei periodi ha domanda zero.
- Batti la baseline: una media mobile o Holt-Winters è il tuo gruppo di controllo. Se il machine learning non lo supera sui dati di holdout, non metterlo in produzione.
- Valida nel tempo, non a caso: addestra sui periodi più vecchi, testa su quelli più recenti.
- Valuta per segmento: l'errore sui tuoi 50 SKU principali conta più di quello sulla coda lunga.
- Tratta separatamente l'intermittenza: gli articoli con molti zeri richiedono regole di valutazione proprie.

ELECTE, piattaforma di analisi dati basata su AI per le PMI, esegue sei metodi di previsione sui tuoi dati, li confronta tra loro e seleziona il più accurato, sostituendo il confronto manuale. Per i cataloghi ricchi di promozioni, vedi come tenere conto dei picchi di domanda dei flash sale.
Usalo quando hai uno storico denso e dettagliato su molti prodotti e prove che supera la tua baseline in termini di costi e servizio, non solo sulla carta.
I 5 metodi di previsione delle scorte in sintesi
Metodo | Ideale per | Dati necessari | Gestisce la stagionalità | Difficoltà |
|---|---|---|---|---|
Previsione con media mobile | Domanda stabile e baseline semplici | Poco storico di vendite recente | No | Facile |
Livellamento esponenziale (metodo Holt-Winters) | Domanda con trend e andamenti stagionali | Dati di vendita di almeno due cicli stagionali | Sì | Media |
Modelli di serie storiche ARIMA e SARIMA | Domanda autocorrelata con andamenti temporali | Serie storiche lunghe e pulite | Sì, con SARIMA | Avanzata |
Previsione con regressione causale | Prevedere gli effetti di promozioni, prezzi e altri fattori | Storico di vendite e dati affidabili sui fattori | Sì, con variabili stagionali | Media |
Previsione della domanda con machine learning | Cataloghi ampi con fattori di domanda complessi | Ampio storico di vendite pulito e dati di input rilevanti | Sì, con variabili di calendario o stagionali | Avanzata |
Punti chiave: scegli il metodo che i tuoi dati possono sostenere
Considera ogni gradino come la baseline che il successivo deve battere. Una media mobile è economica e trasparente, quindi fissa il valore che ogni modello successivo deve migliorare. Aggiungi Holt-Winters quando la stessa forma stagionale si ripresenta; usa ARIMA o SARIMA quando ti serve un intervallo difendibile per i livelli di servizio; passa alla regressione causale quando promozioni e variazioni di prezzo guidano i volumi; ricorri al machine learning solo dopo che ha vinto su un set di controllo.
Applica questa scala allo stesso modo a ogni ciclo:
- Verifica lo storico delle vendite: conta i periodi puliti e gli SKU con lunghe serie di zeri.
- Scegli il metodo più semplice adatto all'andamento della domanda.
- Valida sugli ultimi tre mesi, senza suddivisione casuale.
- Automatizza il confronto, così la baseline vincente cambia al variare delle condizioni.
ELECTE collega fonti di contabilità, banca e fogli di calcolo, le mantiene aggiornate, esegue sei metodi di previsione sui dati in tempo reale, li confronta tra loro e seleziona il più accurato. Ottieni previsioni di domanda, cassa e stipendi con dashboard che puoi esportare o condividere con un clic. Visita ELECTE per vedere in pochi minuti la previsione sul tuo storico di vendite.

Commenti
Ancora nessun commento — inizia tu la conversazione.