Nel 2000 Cisco aveva un sistema di forecast vendite considerato il migliore del settore. Era costruito su dati storici, modelli di regressione e input manuali dei sales manager, ma non vide arrivare la svolta del mercato: nel marzo 2001 la bolla dot-com esplose. Il risultato fu una svalutazione di 2,2 miliardi di dollari di inventario in un solo trimestre, conseguenza di un modello che non sapeva riconoscere un cambio di regime.
Il problema non era tecnico ma concettuale. Il modello estrapolava il passato senza considerare che il futuro potesse essere strutturalmente diverso. Da qui una lezione di fondo: il forecast non è una profezia, è una stima con margini di errore espliciti e assunzioni dichiarate. Serve a decidere meglio in condizioni di incertezza, non a indovinare.
Perché il forecast conta: la scienza decisionale
Rispondere alla domanda “Quanto fattureremo il prossimo trimestre?” con un numero costruito su metodi statistici confrontati ti permette di pianificare risorse, investimenti e strategie. Rispondere “Boh, speriamo bene” significa decidere al buio.
Amazon Web Services, per esempio, calibra ogni trimestre la capacità dei server con modelli di forecast della domanda. Un errore del 10% in eccesso si traduce in capitale sprecato; un errore del 10% in difetto significa clienti persi. Anche solo migliorare l’accuratezza del 2% vale centinaia di milioni.
Lo stesso principio vale per le aziende di ogni dimensione: prevedere meglio è una competenza che si impara.
Approccio 1: media mobile, semplicità e robustezza
La media mobile calcola la media delle vendite degli ultimi N periodi per prevedere il prossimo. Ha oltre un secolo di storia e resta in uso perché è robusta e facile da interpretare.
Come funziona
La previsione per il periodo t+1 è la media delle vendite degli ultimi N periodi:
Forecast(t+1) = Media(Vendite degli ultimi N periodi)
Per esempio, con vendite mensili di 100.000, 120.000, 110.000, 130.000, 125.000, 135.000 euro negli ultimi 6 mesi, la media mobile a 3 mesi è (130.000 + 125.000 + 135.000) / 3 = 130.000 euro.
La scelta di N influenza la reattività e la stabilità:
- N piccolo (2-3): reagisce rapidamente ma è sensibile agli outlier
- N grande (6-12): più stabile ma lento a cogliere cambiamenti
Quando usarla
| Pro | Contro |
|---|---|
| Facile da calcolare e interpretare | Non cattura trend o stagionalità |
| Implementabile rapidamente in Excel | Reagisce lentamente a cambiamenti strutturali |
| Robusta agli errori di dati | Tutti i dati hanno lo stesso peso |
Adatta a business stabili con domanda costante e poca stagionalità.
Approccio 2: regressione lineare, cogliere il trend
Quando le vendite mostrano un trend crescente o decrescente, la regressione lineare stima una retta che descrive l’andamento e la proietta nel futuro.
Come funziona
Vendite = a + b × Tempo
Dove a è il livello base e b la crescita media per periodo. Per esempio, se b = 5.000, le vendite crescono in media di 5.000 euro al mese.
Potenziare con variabili esplicative
Aggiungendo variabili come budget marketing, temperatura o giorni lavorativi, la regressione multipla spiega meglio le vendite. Walmart, per esempio, integra le previsioni meteo per anticipare le vendite stagionali.
Quando usarla
| Pro | Contro |
|---|---|
| Cattura trend di crescita o declino | Assume linearità spesso non reale |
| Facile da spiegare e interpretare | Non gestisce stagionalità |
| Può includere variabili causali | Sensibile agli outlier |
Ideale per business con un trend chiaro e poca stagionalità, o come baseline.
Approccio 3: ARIMA e SARIMA, lo standard industriale
Per i business con trend e stagionalità il modello di riferimento è ARIMA. Combina componenti autoregressive, differenziazione per la stazionarietà e media mobile degli errori. SARIMA aggiunge la stagionalità.
Come funziona
- AR: dipendenza dalle vendite passate
- I: rimozione del trend per stazionarietà
- MA: correzione basata sugli errori precedenti
Quando usarla
| Pro | Contro |
|---|---|
| Gestisce trend e stagionalità | Richiede dati storici lunghi (24+ mesi) |
| Fornisce intervalli di confidenza | Più complesso da configurare |
| Interpretabile e consolidato | Assume continuità del passato nel futuro |
Adatto a business con dati storici sufficienti e pattern stagionali.
Misurare l’accuratezza: MAPE e MAE
Per confrontare modelli diversi si usano metriche come il MAE (errore medio assoluto) e il MAPE (errore percentuale medio). Un MAPE tra 5-10% è eccellente, tra 10-20% accettabile, sopra il 20% segnala un modello poco affidabile.
L’errore concettuale: precisione vs accuratezza
Un forecast non è un numero esatto, è una stima con un intervallo di confidenza. La falsa sicurezza di un punto preciso senza margine è più pericolosa dell’incertezza dichiarata. La NASA, per esempio, usa i “coni di incertezza” nelle traiettorie spaziali.
Conclusione: iterare per migliorare
Prevedere il futuro con precisione assoluta è impossibile. Prevederlo abbastanza bene da decidere meglio è possibile, ed è misurabile. Inizia con la media mobile, passa alla regressione quando c’è un trend, sali a SARIMA quando i dati sono più maturi. Non ti serve il modello più complesso, ti serve quello più adatto al caso e onesto sull’incertezza.
La disciplina del forecast è la disciplina di decidere sotto incertezza, tenendo insieme semplicità, interpretabilità e accuratezza.
Approfondisci le tecniche avanzate nel nostro modulo matematica per l’analisi dati.