Ogni ecommerce fa previsioni di vendita, anche quando crede di non farle: ogni riordino al fornitore è una scommessa su quanto si venderà. La differenza tra chi usa un metodo e chi va a sensazione si misura in capitale immobilizzato e rotture di stock, le due facce dello stesso errore di stima. Gli strumenti per fare meglio esistono a ogni fascia di prezzo, dal foglio di calcolo al software dedicato: la scelta dipende da dati disponibili, ampiezza del catalogo e da quanto la stagionalità morde.
Le tre famiglie di strumenti
La prima famiglia sono le funzioni dei gestionali: molti ERP e gestionali evoluti includono riordino a punto di scorta, medie mobili delle vendite e proposte d’acquisto. Sono previsioni semplici, spesso medie degli ultimi periodi proiettate in avanti, ma hanno il pregio di vivere dove stanno già i dati di magazzino: per cataloghi stabili e domanda regolare bastano, e conviene attivarle prima di comprare altro.
La seconda famiglia sono i tool dedicati di demand planning e inventory optimization, nati per l’ecommerce e integrati con le piattaforme principali: leggono lo storico ordini, riconoscono stagionalità e trend, calcolano scorte di sicurezza per livello di servizio e generano piani di riordino per fornitore, con prezzi tipicamente a canone mensile crescente con il numero di referenze. È la fascia giusta quando il catalogo supera qualche centinaio di referenze attive, i fornitori hanno tempi di consegna lunghi, tipico di chi importa, o la stagionalità è forte: lì l’errore di stima costa più del canone.
La terza famiglia è il fai da te evoluto: fogli di calcolo con modelli di media mobile e destagionalizzazione, o per chi ha competenze tecniche le librerie open source di forecasting applicate all’export degli ordini. Costa zero in licenze e molto in disciplina: funziona in mani esperte su cataloghi piccoli, degrada in fretta quando le referenze crescono.
Quali dati servono, davvero
Nessuno strumento supera la qualità dei dati che riceve. Il requisito minimo è uno storico ordini pulito di almeno 12 mesi, meglio 24 per riconoscere la stagionalità, con i dati a livello di singola referenza e non di categoria. Tre inquinanti classici vanno trattati prima di fidarsi delle previsioni: le rotture di stock del passato, che il modello legge come cali di domanda mentre erano vendite perse; le promozioni, che creano picchi non ripetibili se non vengono etichettate; i resi, da nettare per non sovrastimare la domanda vera, specie nella moda.
C’è poi il problema dei prodotti nuovi, senza storico: qui i modelli lavorano per analogia con referenze simili, e il giudizio umano resta la componente principale. La regola operativa più sana è usare il software per la massa del catalogo e riservare l’attenzione manuale al 20% di referenze che fa l’80% del fatturato, le stesse su cui un errore pesa davvero. Le metriche per capire se le stime stanno funzionando, dall’accuratezza al livello di servizio, si inseriscono nel cruscotto generale descritto nella guida ai KPI di un ecommerce.
Come scegliere e come misurare i risultati
Tre criteri separano l’acquisto giusto da quello inutile. Il primo è l’integrazione: lo strumento deve leggere ordini e giacenze in automatico dalla piattaforma o dal gestionale, perché un forecast alimentato a mano muore in tre settimane. Il secondo è la spiegabilità: le proposte di riordino devono essere ispezionabili, con la logica visibile, perché un buyer non seguirà mai a lungo un numero che non capisce. Il terzo è il costo commisurato all’errore: il canone si giustifica quando vale meno del capitale liberato dalla riduzione delle scorte e delle vendite recuperate dalle mancate rotture di stock, due numeri che si possono stimare prima dell’acquisto guardando lo storico.
La misura del successo è una sola: l’accuratezza della previsione confrontata mese per mese con il venduto reale, referenza per referenza, e il suo miglioramento nel tempo. Chi parte da zero fa bene a costruire prima la base di misurazione, il tema della guida su AI, analisi dei dati e previsioni di vendita, e ad affiancare le previsioni a un cruscotto di controllo che renda visibili gli scostamenti: il software migliora le stime, ma è la routine di confronto tra previsto e venduto che migliora l’azienda.
Domande frequenti
Come si fa una previsione di vendita per un ecommerce?
Si parte dallo storico ordini per referenza degli ultimi 12-24 mesi, si ripuliscono rotture di stock, promozioni e resi, e si applica un modello che riconosca trend e stagionalità, dalla media mobile destagionalizzata dei fogli di calcolo agli algoritmi dei software dedicati. La previsione va poi confrontata ogni mese con il venduto reale per correggere il tiro: senza questa routine nessun modello resta affidabile.
Quanto costa un software di previsione delle vendite?
Le funzioni base di riordino sono spesso incluse nei gestionali già in uso, quindi a costo zero. I tool dedicati di demand planning per ecommerce lavorano a canone mensile, crescente con il numero di referenze e le integrazioni, dall’ordine delle decine alle centinaia di euro al mese. Il canone si giustifica quando il capitale liberato dalle scorte e le vendite recuperate superano il costo.
Quanti dati storici servono per previsioni affidabili?
Il minimo pratico è un anno di ordini a livello di singola referenza; due anni permettono di distinguere la stagionalità dal trend. Sotto questa soglia, o per i prodotti nuovi senza storico, i modelli lavorano per analogia con articoli simili e la stima resta in gran parte un giudizio umano informato. Più dello storico lungo conta lo storico pulito, senza i picchi artificiali di promozioni e stock-out.
L’AI migliora davvero le previsioni di vendita?
Sì, sui cataloghi ampi con domanda variabile: i modelli di machine learning colgono stagionalità multiple, effetti di prezzo e correlazioni tra prodotti che i metodi a media mobile non vedono, e i tool moderni li includono senza richiedere competenze statistiche. Il vantaggio si annulla però su dati sporchi o scarsi: prima si sistema la base dati, poi si compra l’algoritmo.
