Prevedere le scorte di magazzino con l'AI

Troppa merce in magazzino immobilizza soldi e spazio, e a volte scade. Troppo poca significa vendite perse e clienti che vanno altrove. Molte piccole aziende riordinano a sensazione, guardando gli scaffali o ricordando cosa è successo l'anno prima.

La previsione della domanda è uno degli usi più solidi dell'AI, molto prima dei chatbot. Funziona bene quando ci sono dati di vendita puliti e regolari. Non serve un progetto enorme: per molti articoli bastano i dati del gestionale e uno strumento che riconosca tendenze e stagionalità. Il punto debole sono le novità e gli eventi rari, dove serve il giudizio di chi conosce il mercato.

I passi

1. Esporta dal gestionale lo storico di vendite per articolo, con data e quantità, insieme alle giacenze attuali.
2. Pulisci i dati: togli resi, vendite eccezionali una tantum e periodi di rottura di stock che falsano la domanda reale.
3. Dividi gli articoli in gruppi: quelli che vendono con regolarità, quelli stagionali e quelli che vendono raramente.
4. Per gli articoli regolari e stagionali usa uno strumento di previsione e confronta la stima con ciò che è successo davvero nelle settimane passate.
5. Aggiungi tempi di consegna dei fornitori e scorta di sicurezza, e ricava per ogni articolo quando e quanto riordinare.
6. Fai rivedere le proposte a chi compra, che aggiunge promozioni, fiere, novità e segnali dal mercato.

Gli strumenti

• Excel, con la funzione di previsione che stima l'andamento futuro tenendo conto della stagionalità.
• Moduli di previsione e riordino presenti in molti gestionali e software di magazzino.
• ChatGPT o Claude con analisi dei dati, per esplorare lo storico e preparare i calcoli.
• Soluzioni su misura con modelli di previsione, quando gli articoli sono molti e i dati abbondanti.

Quanto tempo serve

La preparazione dei dati è la parte lunga: alcuni giorni la prima volta, soprattutto se lo storico è disordinato. Una volta impostato, l'aggiornamento delle previsioni diventa un'attività periodica breve.

I rischi e come evitarli

• Previsioni costruite su dati sporchi: se lo storico contiene rotture di stock, il modello sottostima la domanda.
• Fidarsi del modello sugli articoli nuovi o rari, dove non ha abbastanza storia per stimare.
• Ignorare eventi esterni come un cambio di prezzo, un concorrente che chiude o una moda passeggera.
• Automatizzare gli ordini senza un controllo umano: un errore si moltiplica su molti articoli.

Un esempio

Un ingrosso di prodotti per la pulizia professionale riordinava a occhio, con magazzino pieno di alcuni articoli e mancanze frequenti su altri. Giorgio ha esportato lo storico, ha usato la previsione di Excel sugli articoli più venduti e ha confrontato le stime con le settimane passate. Ora riceve un elenco di proposte di riordino che corregge quando sa di una gara d'appalto in arrivo da un cliente.

Altri compiti spiegati passo per passo sono in Compiti con l'AI.