Le aziende italiane usano ancora Excel per il demand forecasting. Scopri come passare a un processo digitale con IA e migliorare davvero la tua supply chain.
Demand Forecasting: perché l’Excel non basta più
Nel 2024 l’Osservatorio Supply Chain Planning del Politecnico di Milano ha rilevato un dato che fa riflettere: la maggior parte delle aziende italiane usa ancora Excel o sistemi legacy per prevedere la domanda. In parallelo, però, i vertici parlano di Intelligenza Artificiale, automazione e supply chain “data-driven”. Qualcosa non torna.
Qui sta il punto: la previsione della domanda è il cuore della logistica. Se il forecast è sbagliato, si paga il conto in tre modi molto concreti:
- magazzini pieni di prodotto fermo;
- rotture di stock nei momenti di picco;
- costi di trasporto e produzione che esplodono per recuperare errori di pianificazione.
In questa serie “IA nella Logistica Italiana: Supply Chain Excellence” il demand forecasting è il tassello che collega davvero strategia commerciale, pianificazione produttiva e gestione logistica. Oggi vediamo come passare “oltre i fogli Excel” e costruire un processo di previsione digitale, supportato da Intelligenza Artificiale, ma fondato su organizzazione, dati e competenze.
1. Perché digitalizzare il Demand Forecasting nella logistica italiana
La trasformazione digitale del demand forecasting serve non per moda, ma per affrontare tre problemi molto concreti che chi gestisce supply chain in Italia conosce fin troppo bene.
1.1 Volatilità della domanda e stagionalità estrema
Il contesto italiano è complesso: forti stagionalità (pensiamo a Natale, saldi, Black Friday, Ferragosto), ondate promozionali della GDO, nuove abitudini di acquisto online. La domanda cambia più in fretta della capacità dei fogli Excel di adattarsi.
Un modello statistico avanzato o un algoritmo di machine learning può:
- riconoscere pattern ricorrenti (stagionalità settimanale, mensile, annuale);
- filtrare picchi anomali (per esempio un picco una tantum causato da una promozione eccezionale);
- aggiornarsi con frequenza molto più alta rispetto alle macro manuali in Excel.
1.2 Costi logistici fuori controllo
Ogni punto percentuale di errore in più nel forecast impatta su:
- scorte: più sicurezza a magazzino = più capitale immobilizzato;
- trasporti: più urgenze, più viaggi non ottimizzati;
- produzione: turni straordinari, cambi setup non pianificati.
In molte aziende italiane ho visto lo stesso schema: forecast gestito con strumenti basici, poi un enorme sforzo “eroico” lato logistica per rimediare. È esattamente il contrario di una supply chain eccellente.
1.3 Complessità di rete e omnicanalità
Retail fisico, eCommerce, marketplace, export: canali che crescono in parallelo. Senza un demand forecasting strutturato e digitale, ogni canale “tira la coperta dalla sua parte”, e la logistica subisce.
Un processo digitale di previsione della domanda permette di:
- integrare dati da più canali in un unico modello;
- gestire diversi livelli di granularità (per punto vendita, area, canale, cliente);
- simulare scenari di crescita o promozioni su singoli canali.
2. I ruoli chiave nel Demand Forecasting moderno
L’errore più frequente? Pensare che il forecasting sia solo un problema di software. In realtà è prima di tutto un processo organizzativo. L’Osservatorio Supply Chain Planning evidenzia che le aziende più mature hanno definito un vero e proprio demand forecasting team con ruoli chiari.
2.1 Demand Planner: il regista
Il Demand Planner è la figura che orchestra il processo:
- coordina i dati provenienti da vendite, marketing, logistica;
- governa i modelli previsionali (statistici o AI);
- valida il forecast, gestendo eccezioni e casi particolari;
- dialoga con produzione, acquisti e distribuzione per trasformare il forecast in piani operativi.
Non è “la persona che aggiorna l’Excel”: è il punto di riferimento tra business e tecnologia.
2.2 Funzione commerciale e marketing: il contesto
Senza il contributo di Sales e Marketing, anche il modello di IA migliore resta cieco su:
- lanci di nuovi prodotti;
- campagne promozionali non ancora a sistema;
- cambi di assortimento o di posizionamento prezzo;
- accordi specifici con la GDO o con grandi clienti.
Per questo molte aziende evolvono verso processi tipo Sales & Operations Planning (S&OP) o Integrated Business Planning (IBP), dove il forecast viene discusso e finalizzato in modo strutturato tra funzioni diverse.
2.3 Data & IT: la spina dorsale tecnologica
Senza dati puliti, il forecasting con IA diventa un esercizio accademico. Il team Data/IT è responsabile di:
- progettare le data platform dove raccolgo vendite, stock, anagrafiche, prezzi, promozioni;
- garantire qualità e storicizzazione dei dati;
- integrare gli algoritmi di forecast con gli altri sistemi (ERP, WMS, TMS).
In molte aziende italiane, il punto di blocco non è tanto la volontà quanto la dipendenza da sistemi legacy difficili da integrare. Qui serve una roadmap chiara, non improvvisazioni.
2.4 Il ruolo del giudizio umano sugli output dell’IA
L’Osservatorio sottolinea un aspetto decisivo: il vantaggio competitivo sta nel giudizio umano sull’output dell’IA, non nell’algoritmo in sé.
Questo significa che:
- l’IA fa il “lavoro pesante” sui numeri (milioni di righe storiche, centinaia di SKU);
- il Demand Planner e il team valutano se gli output hanno senso rispetto alle dinamiche di mercato;
- le eccezioni vengono gestite con regole chiare, non a colpi di “sensazioni”.
Chi vince non è chi ha il modello più complesso, ma chi riesce a integrare velocemente il giudizio esperto nel processo decisionale.
3. Dallo spreadsheet allo stack tecnologico per il Demand Forecasting
Superare Excel non significa buttare via tutto, ma inserire il foglio di calcolo dentro un ecosistema più strutturato, in cui il cuore del forecasting vive altrove.
3.1 Lo stato attuale in Italia: Excel & legacy ancora dominanti
Secondo le analisi dello studio, oggi in Italia prevalgono:
- Excel e fogli di calcolo come strumento principale di forecast;
- moduli base di ERP e sistemi legacy, spesso poco flessibili;
- aggiornamenti dei modelli poco frequenti (mensili o addirittura trimestrali).
I limiti sono evidenti:
- versioni multiple e incoerenti dello stesso forecast;
- difficoltà di collaborazione tra funzioni;
- impossibilità di scalare su volumi di dati elevati o frequenze giornaliere.
3.2 Come si costruisce uno stack tecnologico moderno
Uno stack di Demand Forecasting moderno per la supply chain italiana di solito include:
-
Data Platform (on-premise o cloud):
- raccoglie dati storici di vendita, stock, promozioni, prezzi, lead time trasporti;
- gestisce la “pulizia” dei dati (outlier, valori mancanti, errori di anagrafica).
-
Motore di forecasting (statistico + AI/ML):
- modelli classici (ARIMA, modelli stagionali, regressioni);
- algoritmi di machine learning per pattern complessi, cluster di prodotti, serie con poco storico.
-
Interfaccia applicativa per i planner:
- dashboard per visualizzare forecast, errori, trend;
- funzionalità di collaborazione (commenti, note, versioni);
- gestione delle eccezioni (alert, override controllati).
-
Integrazione con sistemi operativi:
- ERP per ordini di acquisto e produzione;
- WMS per politiche di stock e riordino;
- TMS per pianificazione trasporti e capacità.
In questo scenario, l’Excel può rimanere come strumento di analisi ad hoc, non come “motore ufficiale” del processo.
3.3 Frequenza di aggiornamento e automazione
Un aspetto spesso sottovalutato è la frequenza di aggiornamento dei modelli previsionali:
- con Excel, aggiornare i modelli ogni settimana o ogni giorno è oneroso e rischioso;
- con una piattaforma digitale, l’aggiornamento può diventare automatico, anche giornaliero o addirittura orario, se serve.
Questo abilita una supply chain molto più reattiva, tipica di chi lavora con logistica omnicanale, eCommerce e consegne rapide.
4. Dove entra davvero l’IA nel Demand Forecasting
L’Intelligenza Artificiale non è “una scatola magica che prevede il futuro”, ma una serie di metodi matematici e statistici evoluti che aiutano su tre aree chiave.
4.1 Pulizia, arricchimento e segmentazione dei dati
Prima ancora di prevedere, l’IA può:
- identificare e correggere outlier nelle serie storiche;
- classificare prodotti, clienti, canali in cluster con comportamenti simili;
- integrare fonti esterne (meteo, calendari eventi, indicatori economici) nei modelli.
Questo migliora drasticamente la qualità del dato su cui si allenano i modelli di forecast.
4.2 Previsioni più granulari e specifiche
Con l’IA diventa realistico generare forecast a livelli che con Excel sono ingestibili, per esempio:
- per SKU x punto vendita x giorno;
- per cliente chiave;
- per combinazioni di canale / regione / categoria prodotto.
Non tutte le aziende hanno davvero bisogno di questa granularità ovunque, ma nei nodi critici della supply chain italiana (hub distributivi, magazzini regionali, grandi centri urbani) può fare una differenza enorme.
4.3 Demand Sensing e reazione quasi real-time
Sempre più player stanno sperimentando forme di demand sensing: utilizzo di segnali a breve termine (vendite giornaliere, stock-out, click online, dati POS) per correggere il forecast di medio periodo.
Per la logistica questo significa:
- adeguare piani di trasporto e rifornimento durante la settimana;
- riequilibrare stock tra magazzini in base alla domanda emergente;
- ridurre le rotture di stock in campagne promozionali intense.
È qui che la supply chain diventa davvero “intelligente” e agentica: sistemi che non solo calcolano, ma propongono azioni operative ai planner.
5. Come iniziare il percorso: una roadmap pragmatica
La trasformazione digitale del Demand Forecasting non si fa in un trimestre. Però si può partire bene e vedere risultati tangibili già nel primo anno.
5.1 Fare una fotografia dell’esistente
Primo passo: capire dove si è oggi. Qualche domanda guida utile:
- Dove nasce oggi il forecast? In Excel? Nell’ERP? In più sistemi?
- Chi lo tocca e chi lo decide (sales, supply chain, finance)?
- Con che frequenza viene aggiornato?
- Qual è l’errore medio di forecast sulle famiglie principali?
Senza questa fotografia, ogni progetto di IA rischia di diventare un esperimento isolato.
5.2 Definire il perimetro pilota
Non serve partire da tutta l’azienda. Meglio scegliere un pilota ben definito, ad esempio:
- una linea di prodotto ad alta rotazione;
- un canale specifico (eCommerce, GDO, export);
- una regione con criticità logistiche.
Su quel perimetro si può:
- mettere in piedi una prima data pipeline pulita;
- testare diversi modelli (statistici e ML);
- coinvolgere i Demand Planner e la funzione commerciale nella validazione.
5.3 Costruire competenze interne
L’IA nella logistica non può restare “in mano al fornitore”. Le aziende che performano meglio hanno:
- Demand Planner formati su concetti base di statistica e AI;
- figure di Data Analyst / Data Scientist vicine alla funzione Supply Chain;
- sponsor interni forti, spesso a livello di direzione operativa o generale.
La tecnologia si compra, la competenza la si costruisce. Ed è questa che fa davvero la differenza nel medio periodo.
5.4 Integrare il forecasting nel disegno complessivo della Supply Chain
Il demand forecasting non è un progetto “a sé”: è parte della Supply Chain Excellence.
Ha impatto su:
- dimensionamento dei magazzini e delle scorte;
- scelta dei modelli di trasporto (linee dedicate, groupage, cross-docking);
- definizione dei livelli di servizio al cliente.
Nella serie “IA nella Logistica Italiana” questo tassello si connette con ottimizzazione dei percorsi, gestione magazzino e trasporto intelligente: senza forecast robusto, tutti gli altri algoritmi lavorano su basi fragili.
Conclusione: dall’AI hype alla Supply Chain che decide meglio
Il demand forecasting oltre gli spreadsheet non è un discorso teorico: è una leva concreta per ridurre costi logistici, migliorare il servizio e stabilizzare operazioni in un contesto italiano sempre più volatile.
La realtà è più semplice di quanto sembri:
L’IA non sostituisce il Demand Planner, lo rende molto più incisivo nelle decisioni.
Per chi guida logistica, pianificazione o operations, i prossimi passi sono chiari:
- mappare processo e strumenti attuali di forecast;
- individuare un pilota dove introdurre modelli avanzati (statistici + IA);
- costruire competenze interne e integrare il forecasting nei processi S&OP / IBP;
- collegare il nuovo forecast a magazzino, trasporti e produzione per vedere l’effetto reale sui KPI.
Se la tua azienda vuole davvero puntare alla Supply Chain Excellence con l’IA, questo è uno dei cantieri da aprire subito. Non per avere l’algoritmo più sofisticato, ma per prendere decisioni migliori, prima della concorrenza.