Previsione della domanda
Come prevedere la domanda in modo strategico con i dati
CASO DI APPLICAZIONE
Giobert S.p.A. è un’azienda italiana con oltre sessant’anni di storia, specializzata nella progettazione e produzione di sistemi di chiusura, maniglie, nottolini e componenti meccatronici per il settore automotive.
Con sedi produttive in Italia e in Brasile, opera a stretto contatto con i principali OEM e Tier1 a livello internazionale, offrendo soluzioni complete dallo sviluppo alla produzione in serie.
Nel suo percorso di innovazione continua, Giobert ha scelto di esplorare le potenzialità dell’intelligenza artificiale e del machine learning per ottimizzare la previsione della domanda e rafforzare la propria competitività.
La sfida
Ridurre l’incertezza nelle decisioni operative e commerciali
In un contesto manifatturiero dove la puntualità e l’efficienza sono fattori critici, una stima imprecisa della domanda può generare impatti significativi su tutta la supply chain: stock in eccesso, carenze di magazzino, sprechi operativi e ritardi produttivi.
Per Giobert, la sfida era duplice: da un lato migliorare la gestione delle scorte e la pianificazione degli acquisti, dall’altro dotarsi di strumenti più agili per rispondere alle fluttuazioni del mercato, supportando strategie commerciali più mirate e tempestive.
L’analisi dei dati
Una base concreta per decisioni predittive
L’analisi si è basata su due dataset storici: ordini e vendite, ristrutturati e normalizzati per permettere un’elaborazione coerente. Dopo un accurato processo di feature engineering e analisi esplorativa (EDA), sono emersi pattern ricorrenti:
-
una forte stagionalità primaverile della domanda, con picchi tra marzo e giugno;
-
significative differenze nei volumi tra giorni feriali e weekend, coerenti con un modello B2B;
-
un disallineamento temporale tra ordini e vendite nei mesi di inizio e fine anno, utile per calibrare meglio le strategie di approvvigionamento.
Queste evidenze hanno confermato l’opportunità di introdurre modelli predittivi, soprattutto per gli articoli con storico regolare e stagionalità marcata.
La soluzione
Un approccio incrementale e modellazione su misura
Sono stati testati diversi algoritmi di previsione, a partire dal modello Naive Seasonal per identificare baseline stagionali, fino a soluzioni più evolute come Prophet, Theta e LightGBM. Il lavoro ha evidenziato:
-
risultati promettenti per alcuni articoli, con previsioni perfette o molto accurate su serie regolari;
- difficoltà nel modellare articoli con dati discontinui o comportamenti poco ricorrenti;
- la necessità di ampliare la profondità storica e integrare covariate esterne (festività, promozioni, giacenze) per aumentare la stabilità delle previsioni.
Il progetto ha rappresentato per Giobert un primo passo verso una gestione predittiva della domanda: una direzione che può essere estesa in futuro a supporto di decisioni operative, logistiche e commerciali, abilitando un vero controllo strategico dei dati.
