AI per prevedere la domanda: dalle serie temporali alle decisioni sulle scorte

Prevedere la domanda non significa indovinare un numero con sicurezza assoluta. Significa usare le informazioni disponibili per preparare una decisione sulle scorte, esplicitando ciò che rimane incerto. I modelli AI per serie temporali ampliano gli strumenti a disposizione delle imprese, ma la qualità della decisione dipende anche da come sono registrati vendite, indisponibilità, promozioni e tempi di approvvigionamento.

Il contributo dei modelli preaddestrati

Un riferimento di ricerca è Chronos: Learning the Language of Time Series, di Ansari e coautori, pubblicato su arXiv nel marzo 2024 e aggiornato nel novembre dello stesso anno. Il lavoro studia modelli preaddestrati per previsioni probabilistiche su serie temporali. Il risultato è interessante come approccio trasferibile tra dati diversi; non garantisce accuratezza sulle vendite di una specifica azienda.

La possibilità di partire da un modello già addestrato non elimina l'analisi dei dati. Occorre sapere che cosa rappresenta ogni osservazione, con quale frequenza viene registrata e quali correzioni vengono applicate. Un reso può essere registrato nel giorno della vendita o in quello del rientro. Un ordine annullato può rimanere nello storico. Differenze di questo tipo cambiano il fenomeno che il sistema sta imparando a prevedere.

Vendite osservate e domanda non coincidono sempre

Consideriamo un esempio ipotetico: un articolo vende poco per una settimana perché è rimasto indisponibile. Se il modello vede soltanto le vendite, può interpretare quel periodo come scarso interesse. Una nuova previsione bassa può portare a ordinare poco e prolungare il problema. Per interpretare la serie servono quindi informazioni sulle giacenze e sui giorni nei quali il prodotto poteva effettivamente essere acquistato.

Anche le promozioni richiedono attenzione. Un picco legato a un evento eccezionale non va trattato automaticamente come una crescita permanente. La domanda futura dipende dalle condizioni previste: prezzo, canale, calendario e disponibilità. Quando queste informazioni non sono note, è più utile presentare scenari distinti che inserire ipotesi nascoste. Le ipotesi devono essere riconoscibili da chi usa la previsione.

Una prova che rispetti il calendario

Per valutare il sistema si può simulare una serie di decisioni nel passato. A ogni data si utilizzano soltanto informazioni disponibili in quel momento e si confronta la previsione con ciò che è accaduto dopo. Questo procedimento evita di mescolare casualmente passato e futuro. L'orizzonte deve corrispondere alla decisione: prevedere domani serve poco se il materiale impiega diverse settimane ad arrivare.

La baseline dovrebbe includere una regola semplice, come ripetere il valore di un periodo comparabile o usare una media coerente con la stagionalità. Il modello più complesso deve dimostrare un vantaggio rispetto a questo riferimento. I risultati vanno letti per famiglie di prodotto: articoli stabili, novità, vendite intermittenti e fine serie possono richiedere trattamenti diversi. Una media complessiva può nascondere dove il sistema peggiora.

Dalla previsione alla scelta sulle scorte

Due errori numericamente uguali possono avere conseguenze diverse. Sovrastimare un prodotto deperibile e sottostimare un ricambio essenziale non hanno lo stesso effetto. La decisione deve quindi considerare costi di eccedenza, indisponibilità, tempi e vincoli di acquisto. Non è corretto dedurre automaticamente la quantità da ordinare dal solo valore centrale previsto: la previsione è un ingresso del processo, non l'intera politica di approvvigionamento.

Gli intervalli possono aiutare a mostrare l'incertezza, ma devono essere verificati sullo storico. Un intervallo molto stretto che esclude spesso il valore reale comunica una precisione inesistente. Un intervallo larghissimo può essere poco utilizzabile. Il responsabile dovrebbe vedere anche i casi anomali e poter aggiungere un'informazione documentata, distinguendo la previsione del modello dalla successiva correzione umana.

Il possibile collegamento con ELAI Nexus

La pagina pubblica di ELAI Nexus descrive il collegamento tra materiali, magazzino e commesse. Questo contesto suggerisce domande utili per un futuro progetto di previsione: quali materiali dipendono da attività pianificate, quali hanno domanda ricorrente e quali registrazioni sono affidabili? Non costituisce l'annuncio di un modulo di forecasting già disponibile. Prima di introdurlo sarebbe necessario verificare dati, tempi e responsabilità operative.

Una prova limitata potrebbe partire da poche famiglie rappresentative, mantenendo il processo attuale come confronto. Si registrerebbero previsioni, decisioni effettive e ragioni delle correzioni, senza automatizzare subito gli ordini. L'obiettivo sarebbe capire dove il nuovo strumento migliora la pianificazione e dove serve ancora conoscenza del contesto. È questo collegamento tra previsione e decisione che rende l'AI utile alla vita dell'impresa.

Articolo preparato con assistenza AI e verifica delle fonti indicate. Esempi applicativi ipotetici salvo diversa indicazione. Fonti consultate il 20 settembre 2026.

Copertina illustrativa generata con AI; non rappresenta persone, sedi o installazioni reali di EL-AI.