Gestire una Supply Chain (la catena di approvvigionamento) o pianificare le vendite e le operazioni (S&OP) può sembrare complesso, ma l’obiettivo è semplice: avere il prodotto giusto, al momento giusto, al minor costo possibile. Per chi si avvicina per la prima volta a questi temi, il punto di partenza fondamentale è comprendere come si decide “quanto ordinare”.

1. Da dove si parte: il modello di Wilson

Chi si avvicina per la prima volta alla gestione delle scorte incontra quasi inevitabilmente il modello EOQ, conosciuto anche come modello di Wilson. È un concetto nato oltre un secolo fa, ma ancora oggi costituisce il punto di partenza fondamentale per chiunque voglia ottimizzare il magazzino — anche senza essere un esperto di logistica.

EOQ sta per Economic Order Quantity, ovvero la quantità di prodotti da ordinare ogni volta per minimizzare i costi totali. L’idea è semplice: ordinare poco ma spesso costa di più in spese di gestione degli ordini; ordinare tanto ma raramente costa di più in spazio e capitale immobilizzato. Il modello trova il punto di equilibrio tra questi due estremi.

💡 In parole semplici: il modello di Wilson risponde alla domanda “quante unità devo ordinare ogni volta?” cercando il punto in cui il costo degli ordini e il costo di stoccaggio si bilanciano al minimo.

I tre ingredienti del modello

• D (Domanda) = volume totale di unità richieste in un periodo (es. anno)
  • S (Costo fisso per ordine) = spesa indipendente dalla quantità (setup, amministrazione, trasporto)
  • H (Costo di mantenimento unitario annuo) = costo per tenere una singola unità in magazzino per un anno (spazio, capitale, obsolescenza)

Il limite principale

Il modello di Wilson funziona bene in condizioni stabili, ma assume che la domanda e i tempi di consegna siano costanti e prevedibili. Nel mondo reale, invece, le richieste variano, i fornitori possono ritardare, i mercati cambiano. Ecco perché — pur restando un punto di partenza imprescindibile — il modello tradizionale ha bisogno di essere aggiornato con strumenti più flessibili.

2. Sistemi S&OP: pianificare insieme vendite e operazioni

Chi si avvicina alla pianificazione aziendale si imbatte spesso in un’altra sigla: S&OP, che sta per Sales & Operations Planning. Non è solo un processo di logistica: è il momento in cui chi vende e chi produce si siedono allo stesso tavolo per allineare i piani.

In pratica, l’S&OP risponde a domande come: “Quante unità riusciremo a vendere il prossimo trimestre? Abbiamo la capacità produttiva per farlo? Dobbiamo aumentare le scorte o ridurle?”

💡 Un buon processo S&OP evita il classico problema dell’azienda che produce tanto ma vende poco — o viceversa. Allinea aspettative e risorse prima che i problemi diventino costosi.

L’AI sta rendendo questi processi più accurati e reattivi: invece di riunioni mensili basate su fogli Excel, oggi esistono sistemi che aggiornano i piani in tempo reale man mano che arrivano nuovi dati.

3. Come l’AI migliora le previsioni di domanda

La precisione delle previsioni è tutto. Ogni errore si traduce in costi: troppo stock immobilizza capitale, troppo poco significa clienti insoddisfatti e vendite perse.

Esistono diversi modelli di previsione, da quelli classici a quelli basati su AI. Vediamoli in modo accessibile:

Modelli classici — semplici e trasparenti

• Media mobile e smorzamento esponenziale (SES): danno più peso ai dati recenti rispetto a quelli vecchi. Ottimi per prodotti stabili, facili da capire e da controllare.
• Holt-Winters: tiene conto sia del trend (la domanda sta crescendo o calando?) sia della stagionalità (picchi estivi, Natale, ecc.). Ideale per prodotti con andamenti ciclici.
• ARIMA/SARIMA: modelli statistici più sofisticati, capaci di catturare dipendenze complesse nei dati storici. Richiedono competenze per essere impostati correttamente.
• Prophet (Meta): sviluppato da Meta, gestisce automaticamente stagionalità, festività e anomalie nei dati. Robusto anche con dati incompleti.

3.1 Modelli AI avanzati

I sistemi basati su Machine Learning e Reinforcement Learning vanno oltre la statistica tradizionale: imparano dai dati, si aggiornano in tempo reale con informazioni provenienti da sensori IoT (dispositivi connessi in magazzino o nei veicoli), e ottimizzano le quantità d’ordine in funzione degli obiettivi economici dell’azienda.

⚠️ Attenzione: i modelli AI, per quanto potenti, non sono infallibili. Possono generare previsioni errate — le cosiddette “allucinazioni” — quando i dati di input sono incompleti, distorti o di scarsa qualità. Ogni output dell’AI deve essere verificato da chi conosce il contesto reale dell’azienda.

4. Un esempio concreto: cosa succede quando l’AI viene messa alla prova

Un produttore automobilistico europeo ha deciso di testare un sistema di AI per la gestione delle scorte, addestrando un modello di Reinforcement Learning su un “gemello digitale” — una replica virtuale della propria supply chain.

I risultati, dopo soli tre mesi:

• Scorte medie ridotte del 22%
• Disponibilità a scaffale aumentata del 9%
• Ritorno sull’investimento già positivo nel primo trimestre

Questi numeri mostrano che l’AI non è solo teoria: quando è ben implementata e controllata, genera impatto reale e misurabile.

5. Il fattore umano: perché l’AI non basta da sola

Un timore comune è che l’IA sostituisca l’uomo. In realtà, l’obiettivo è potenziare chi gestisce i processi, 

Uno degli errori più comuni nell’adottare sistemi AI è pensare che bastino la tecnologia e i dati. In realtà, il vero fattore critico di successo è la governance: chi supervisiona il sistema, chi lo capisce, chi interviene quando qualcosa non torna.

Il ruolo del middle management

I responsabili logistica, i demand planner, i buyer: queste figure non vengono sostituite dall’AI, bensì vengono potenziate. Sono loro che conoscono il contesto (un fornitore inaffidabile, una promozione imminente, un cambio di mercato) e che devono validare le previsioni prima che diventino ordini reali.

Controllare l’AI: un obbligo, non un’opzione

⚠️ I modelli AI lavorano sui dati che ricevono. Se i dati sono sbagliati, le previsioni saranno sbagliate — e il costo può essere molto alto: ordini in eccesso, rotture di stock, clienti persi. La supervisione umana non è una fase opzionale: è parte integrante del sistema.

Per questo, i migliori progetti di AI in supply chain includono sempre:

• Dashboard di monitoraggio che rendono visibili le previsioni e le loro basi logiche.
• Metriche di accuratezza come il wMAPE (errore percentuale medio ponderato), per misurare oggettivamente quanto il modello si avvicina alla realtà.
• Cicli di feedback per correggere il modello quando si discosta troppo dai risultati reali.
• Formazione continua per chi usa questi strumenti ogni giorno.

6. Come iniziare: un approccio pratico

Non serve trasformare tutto in una volta. Chi si avvicina per la prima volta all’ottimizzazione del magazzino o all’S&OP assistito dall’AI può seguire un percorso graduale:

• Parti dalla conoscenza di base: capire il modello di Wilson è già un passo avanti rispetto a gestire le scorte “a occhio”.
• Definisci metriche chiare: cosa vuoi migliorare? Il livello di servizio? Il capitale immobilizzato? Il numero di rotture di stock?
• Inizia con un pilota circoscritto: una famiglia di prodotti, un magazzino, un fornitore. Misura i risultati prima di scalare.
• Non delegare tutto all’algoritmo: mantieni il controllo. L’AI è un supporto alle decisioni, non un sostituto del giudizio umano.
• Coinvolgi le persone giuste: chi conosce i dati, chi conosce il mercato, chi prende le decisioni operative. Senza di loro, il miglior algoritmo del mondo produce poco valore.

Conclusione

La gestione intelligente del magazzino non è più appannaggio di grandi multinazionali con team dedicati. Modelli come quello di Wilson offrono una base logica accessibile a tutti; i sistemi AI moderni amplificano quella logica con capacità predittive che fino a pochi anni fa erano impensabili.

Ma la tecnologia da sola non basta. Il valore reale emerge quando le persone — con la loro esperienza, il loro senso critico e la loro responsabilità — guidano e controllano i sistemi. Chi adotta questo approccio ibrido — uomo e macchina, insieme — costruisce un vantaggio competitivo duraturo.

💡 La supply chain del futuro non la costruisce l’AI da sola. La costruisce chi sa usarla — con metodo, controllo e buon senso.