{"id":844,"date":"2021-06-23T10:21:00","date_gmt":"2021-06-23T08:21:00","guid":{"rendered":"https:\/\/brentasoft.com\/blog\/demand-planning-erp-guida-2021\/"},"modified":"2021-06-23T10:21:00","modified_gmt":"2021-06-23T08:21:00","slug":"demand-planning-erp-guida-2021","status":"publish","type":"post","link":"https:\/\/brentasoft.com\/blog\/demand-planning-erp-guida-2021\/","title":{"rendered":"Demand planning ERP: la guida 2021"},"content":{"rendered":"

Il demand planning ERP<\/strong> \u00e8 la disciplina che permette alle aziende manifatturiere e distributive di prevedere quanto, quando e dove venderanno i propri prodotti, allineando produzione, acquisti, magazzino e logistica alla domanda futura. Dopo lo shock pandemico del 2020-2021, che ha messo in ginocchio supply chain globali e fatto saltare gli stock di tutto, dalle mascherine ai semiconduttori, le PMI italiane stanno riscoprendo l’importanza di una pianificazione della domanda fondata sui dati.<\/p>\n

Questa guida fa il punto sullo stato dell’arte 2021 del demand planning: cosa offre un ERP standard rispetto a una piattaforma dedicata, quali metriche di accuracy monitorare (MAPE, bias), quali tecniche statistiche e di machine learning sono mature, come funzionano i processi S&OP e IBP, quali sono le sei piattaforme leader sul mercato (SAP IBP, Oracle Demantra, Kinaxis RapidResponse, John Galt Solutions, Logility, Galileo) e quali errori evitare nelle PMI manifatturiere italiane.<\/p>\n

\"Supply<\/p>\n

Demand planning: cosa \u00e8 e perch\u00e9 serve<\/h2>\n

Il demand planning \u00e8 il processo strutturato attraverso il quale un’azienda costruisce una previsione di vendita per orizzonti temporali multipli (giornaliero, settimanale, mensile, trimestrale) e per livelli di dettaglio differenti (SKU, famiglia di prodotto, canale, geografia, cliente). L’obiettivo non \u00e8 “indovinare” il futuro, ma ridurre l’incertezza fino a un livello che renda economicamente sostenibili le decisioni operative: quanto produrre, quanto stoccare, quanto ordinare ai fornitori, quanto personale schedulare.<\/p>\n

Una buona previsione di domanda alimenta tre flussi decisionali a cascata. Il primo \u00e8 la pianificazione della produzione<\/strong> (master production schedule, MRP, capacity planning): senza forecast, la fabbrica si muove a vista o sulla base di ordini confermati, ipotecando reattivit\u00e0 e costi unitari. Il secondo \u00e8 la gestione delle scorte<\/strong>: lotti di riordino, scorte di sicurezza e punti di riordino sono tutti calcolati in funzione della domanda media e della sua variabilit\u00e0. Il terzo \u00e8 la pianificazione finanziaria<\/strong>: cash flow, budget di acquisto, ricavi attesi nascono dal forecast commerciale.<\/p>\n

Senza demand planning, una PMI manifatturiera italiana tipica vive in uno stato cronico di doppio errore: rotture di stock<\/em> sui prodotti pi\u00f9 richiesti (clienti persi, OTIF in caduta) e obsolescenze<\/em> sui prodotti meno richiesti (capitale circolante immobilizzato, write-off a fine anno). I due fenomeni convivono nello stesso magazzino perch\u00e9 l’allocazione delle risorse non \u00e8 guidata da una visione probabilistica della domanda.<\/p>\n

ERP standard vs piattaforme dedicate<\/h2>\n

La domanda che si pone ogni controller o supply chain manager italiano nel 2021 \u00e8: il mio ERP basta? La risposta dipende da volumi, complessit\u00e0 di mix e maturit\u00e0 dei processi.<\/p>\n

I principali ERP (SAP S\/4HANA, Oracle E-Business Suite, Microsoft Dynamics 365, Odoo, Zucchetti Ad Hoc, TeamSystem Alyante) includono tutti, in versioni pi\u00f9 o meno evolute, un modulo di previsione della domanda. Tipicamente offrono modelli statistici di base (media mobile, smoothing esponenziale, Holt-Winters) applicati allo storico di vendita e calcolano automaticamente proposte di riordino. Per molte PMI con poche centinaia di SKU stabili, questo \u00e8 sufficiente.<\/p>\n

Il limite degli ERP standard emerge quando la complessit\u00e0 cresce: migliaia di SKU, stagionalit\u00e0 complesse, promozioni frequenti, lanci di nuovi prodotti, canali multipli (B2B, e-commerce, GDO), reti di distribuzione internazionali. In questi scenari, le piattaforme dedicate (best-of-breed) offrono motori di forecasting pi\u00f9 sofisticati, gestione collaborativa multi-utente, simulazioni what-if, integrazione di segnali esterni (POS, Google Trends, dati meteo) e workflow S&OP strutturati.<\/p>\n

Nella pratica, l’architettura pi\u00f9 diffusa nelle medie aziende \u00e8 ibrida: l’ERP rimane il sistema di record per anagrafiche, ordini, fatture e bill of material; la piattaforma di demand planning gira come satellite, riceve lo storico via integrazione, calcola il forecast e lo restituisce all’ERP che lo utilizza per MRP e calcolo dei riordini. Per le PMI con ERP open source come Odoo, \u00e8 spesso pi\u00f9 conveniente sviluppare moduli ERP Odoo<\/a> custom di demand planning, oppure realizzare gestionali personalizzati<\/a> integrati nativamente con il resto del flusso operativo.<\/p>\n

Forecast accuracy: MAPE, bias, segnali di allarme<\/h2>\n

Misurare l’accuracy del forecast \u00e8 il prerequisito per migliorarlo. Le due metriche universali nel 2021 sono MAPE e bias.<\/p>\n

Il MAPE<\/strong> (Mean Absolute Percentage Error) misura l’errore percentuale medio in valore assoluto: per ciascun periodo, si calcola |actual – forecast| \/ actual, e si fa la media. Un MAPE del 15% significa che, in media, la previsione devia del 15% dal valore reale, in eccesso o in difetto. Soglie di riferimento tipiche per il settore manifatturiero: sotto il 10% \u00e8 eccellente, 10-20% \u00e8 buono, 20-30% \u00e8 accettabile, sopra il 30% indica processi immaturi o domanda strutturalmente erratica.<\/p>\n

Il bias<\/strong> misura invece l’errore sistematico: somma algebrica degli scarti (actual – forecast) divisa per il numero di periodi, oppure tracking signal calcolato come errore cumulato diviso per MAD (mean absolute deviation). Un bias positivo indica forecast cronicamente sotto-stimato (la domanda reale supera sistematicamente le previsioni), un bias negativo indica sovra-stima cronica. Mentre il MAPE pu\u00f2 migliorare con tecniche statistiche, il bias spesso rivela problemi organizzativi: sales force che gonfia i forecast per ottenere pi\u00f9 stock, marketing che ignora segnali di rallentamento, finance che impone budget irrealistici dall’alto.<\/p>\n

Altre metriche complementari: WMAPE<\/strong> (weighted MAPE, pesa gli SKU ad alto volume), RMSE<\/strong> (penalizza errori grandi), forecast value added<\/strong> (misura quanto il processo di revisione manuale migliora o peggiora il forecast statistico di base, e troppo spesso lo peggiora).<\/p>\n

I segnali di allarme da monitorare in dashboard: MAPE in trend di peggioramento mese su mese, bias persistente nello stesso senso per pi\u00f9 di tre periodi, accuracy molto bassa sui top SKU (effetto Pareto: l’80% del fatturato spesso si concentra sul 20% degli articoli e proprio l\u00ec serve massima precisione), divergenza tra forecast statistico e forecast revisionato manualmente.<\/p>\n

\"Analista<\/p>\n

Tecniche statistiche tradizionali<\/h2>\n

Nel 2021 il cuore del forecasting nelle PMI \u00e8 ancora rappresentato dalle tecniche statistiche classiche, ben documentate da decenni e implementate in tutti gli ERP e nelle piattaforme dedicate.<\/p>\n

Le medie mobili<\/strong> (semplici e ponderate) sono il punto di partenza per serie storiche stabili senza trend n\u00e9 stagionalit\u00e0. Lo smoothing esponenziale<\/strong> (single, double Holt, triple Holt-Winters) \u00e8 invece lo strumento pi\u00f9 diffuso per gestire trend e stagionalit\u00e0: assegna pesi decrescenti esponenzialmente alle osservazioni passate, dando pi\u00f9 importanza ai dati recenti. Holt-Winters in particolare scompone la serie in tre componenti (livello, trend, stagionalit\u00e0) e funziona molto bene su prodotti maturi con pattern stagionali consolidati.<\/p>\n

I modelli ARIMA<\/strong> (Auto Regressive Integrated Moving Average) e SARIMA (con componente stagionale) richiedono pi\u00f9 competenze per essere parametrizzati correttamente, ma offrono prestazioni superiori su serie complesse. Sono diventati pi\u00f9 accessibili grazie agli algoritmi di auto-tuning (auto.arima) integrati nei principali tool.<\/p>\n

La regressione<\/strong> entra in gioco quando la domanda \u00e8 guidata da variabili esterne misurabili: prezzo, promozioni, festivit\u00e0, temperatura, eventi. Modelli lineari multipli o GLM permettono di stimare l’impatto di ciascun driver e simulare scenari (“se aumento il prezzo del 5%, la domanda cala del X%”). Quando la relazione \u00e8 non lineare, si passa a modelli pi\u00f9 sofisticati (random forest, gradient boosting, reti neurali), che tuttavia richiedono volumi di dati e competenze data science non sempre disponibili nelle PMI.<\/p>\n

Una pratica consolidata \u00e8 il champion-challenger<\/strong>: si fa girare in parallelo il modello attualmente in produzione (champion) e uno o pi\u00f9 modelli alternativi (challenger), e periodicamente si confrontano le accuracy out-of-sample per decidere se promuovere il challenger.<\/p>\n

Demand sensing e ML-based forecasting (limiti 2021)<\/h2>\n

Il termine demand sensing<\/strong> indica l’uso di dati di domanda quasi in tempo reale (ordini in entrata, POS, traffico web, social) per correggere il forecast a brevissimo termine (1-4 settimane). \u00c8 particolarmente utile in settori come retail, FMCG ed e-commerce, dove la domanda pu\u00f2 cambiare rapidamente in risposta a promozioni o eventi inattesi. Le piattaforme leader (Kinaxis, SAP IBP, Logility) offrono moduli di demand sensing che integrano questi segnali tramite API e ricalibrano automaticamente il forecast a breve.<\/p>\n

Il machine learning<\/strong> applicato al forecasting \u00e8 uno dei trend pi\u00f9 discussi nel 2021. Algoritmi come gradient boosting (XGBoost, LightGBM), reti neurali ricorrenti (LSTM) e modelli ibridi possono catturare relazioni non lineari e interazioni tra variabili che le tecniche statistiche classiche faticano a rappresentare. Su dataset ricchi e con orizzonti corti, l’ML pu\u00f2 ridurre il MAPE del 10-30% rispetto a Holt-Winters.<\/p>\n

I limiti reali nel 2021 vanno per\u00f2 conosciuti. L’ML richiede grandi volumi di dati storici puliti (almeno 2-3 anni di osservazioni), competenze data science interne o consulenziali, infrastruttura cloud per training e deployment, e un processo di MLOps per monitorare drift e degradazione delle performance. Per la maggior parte delle PMI italiane, partire dall’ML senza prima aver consolidato un buon forecast statistico \u00e8 prematuro: l’80% dei guadagni di accuracy viene da processi solidi (data quality, segmentazione SKU, pulizia outlier, gestione delle promozioni), non dall’algoritmo. Va ricordato anche che l’AI conversazionale generativa \u00e8 ancora poco matura e non gioca alcun ruolo nei flussi di previsione operativi del 2021.<\/p>\n

S&OP (Sales & Operations Planning) e IBP (Integrated Business Planning)<\/h2>\n

Il forecast statistico, per quanto raffinato, \u00e8 solo l’input di un processo decisionale pi\u00f9 ampio. Il S&OP<\/strong> \u00e8 il ciclo mensile (talvolta settimanale) attraverso cui sales, marketing, operations e finance allineano le previsioni di domanda con le capacit\u00e0 di offerta e gli obiettivi finanziari. Le cinque fasi canoniche del ciclo S&OP sono: data gathering, demand planning, supply planning, pre-S&OP meeting, executive S&OP meeting.<\/p>\n

L’IBP<\/strong> (Integrated Business Planning) \u00e8 l’evoluzione naturale dell’S&OP: estende il processo a orizzonti temporali pi\u00f9 lunghi (12-36 mesi), include scenari di lanci nuovi prodotti, M&A, espansioni internazionali, e collega esplicitamente il piano operativo alla pianificazione finanziaria di gruppo. SAP ha popolarizzato il termine con la sua piattaforma IBP, ma il framework \u00e8 applicabile con qualunque tool.<\/p>\n

Senza un processo S&OP\/IBP funzionante, il forecast rimane un esercizio tecnico isolato: il commerciale ha la sua previsione, l’operations ha la sua, la finance ha il suo budget, e nessuno parla con gli altri. Il valore reale del demand planning emerge quando il forecast diventa numero unico aziendale<\/em> (one number forecast) condiviso e committed da tutte le funzioni.<\/p>\n

\"Team<\/p>\n

Le 6 piattaforme leader 2021<\/h2>\n

SAP Integrated Business Planning (IBP)<\/strong> \u00e8 il riferimento per le grandi multinazionali con SAP S\/4HANA come ERP. Cloud-first, supporta forecast statistico, demand sensing, S&OP collaborativo, supply planning, inventory optimization. Forte integrazione nativa con il resto dell’ecosistema SAP. Costi elevati (typicamente 6-7 cifre annui), tempi di implementazione lunghi.<\/p>\n

Oracle Demantra<\/strong> (oggi parte della suite Oracle Value Chain Planning) \u00e8 una piattaforma matura, particolarmente forte nel demand sensing e nella gestione di promozioni complesse (CPG, retail). Esiste sia on-premise sia cloud. Ottima integrazione con Oracle EBS e JD Edwards.<\/p>\n

Kinaxis RapidResponse<\/strong> si distingue per il suo motore in-memory che permette simulazioni what-if quasi in tempo reale anche su scenari globali. Adottato da aziende complesse del settore high-tech, automotive, life sciences. Modello SaaS, time-to-value pi\u00f9 rapido rispetto a SAP IBP.<\/p>\n

John Galt Solutions<\/strong> (Atlas Planning Suite) \u00e8 apprezzato dalle medie aziende per il rapporto valore\/prezzo e la facilit\u00e0 di implementazione. Forte enfasi su accuracy del forecast statistico e demand collaboration con clienti chiave.<\/p>\n

Logility<\/strong> offre una suite completa che copre demand, inventory, S&OP, supply chain analytics. Storicamente forte nel manufacturing e nella distribuzione USA, ha clientela rilevante anche in Europa.<\/p>\n

Galileo Demand Planning<\/strong> (Galileo Network) \u00e8 una soluzione italiana radicata nelle PMI manifatturiere e distributive del Nord Italia, con buon rapporto qualit\u00e0-prezzo, supporto in italiano e implementazioni rapide. Da menzionare anche Slimstock, soluzione olandese molto diffusa nella distribuzione, con modulo Slim4 specifico per inventory optimization.<\/p>\n

Per ulteriori approfondimenti, la voce Wikipedia su Demand Planning<\/a> offre una panoramica neutra dei concetti fondamentali e dei principali frameworks usati a livello internazionale.<\/p>\n

Integrazione con ERP, CRM, e-commerce<\/h2>\n

Il demand planning non vive in un silo. Per funzionare, deve scambiare dati con tre sistemi minimi: l’ERP per ordini storici, anagrafica articoli, distinte base, magazzino; il CRM per pipeline commerciale, opportunit\u00e0 in essere, forecast del sales team; le piattaforme e-commerce e i canali GDO\/B2B per ordini in entrata in tempo reale.<\/p>\n

L’integrazione API<\/a> tra questi sistemi \u00e8 oggi un requisito non negoziabile. Le piattaforme moderne espongono REST API e webhook che permettono sincronizzazioni near-real-time. Quando il sistema di demand planning \u00e8 ben integrato, ogni nuovo ordine cliente, ogni variazione di prezzo, ogni nuova promozione si riflette automaticamente nei modelli predittivi e nelle proposte di riordino.<\/p>\n

La gestione magazzino<\/a> \u00e8 il punto di atterraggio operativo del forecast: i livelli di stock minimo e massimo, i lotti di riordino e le scorte di sicurezza vengono ricalcolati periodicamente in funzione della domanda prevista e della sua variabilit\u00e0 (deviazione standard, coefficient of variation). Senza questo collegamento, il miglior forecast del mondo rimane un esercizio teorico che non genera valore operativo.<\/p>\n

Pandemia e shock supply chain: lezioni 2020-2021<\/h2>\n

Il biennio 2020-2021 ha imposto una revisione profonda delle pratiche di demand planning. La pandemia ha generato pattern di domanda mai osservati: collasso improvviso in alcuni settori (HoReCa, abbigliamento formale, viaggi), esplosione in altri (e-commerce, home fitness, prodotti di igiene, hardware per smart working), e rimbalzi violenti nelle riaperture. I modelli statistici tradizionali, addestrati su storici “normali”, hanno mostrato i propri limiti: i forecast pre-COVID erano sistematicamente sbagliati, e include ciecamente i mesi pandemici nel training set ha distorto i modelli per i mesi successivi.<\/p>\n

Le lezioni operative emerse: marcare gli outlier<\/em> nelle serie storiche e gestirli esplicitamente (esclusione, sostituzione con valori “normalizzati”, oppure modellazione con variabili dummy); aumentare il peso del giudizio umano<\/em> nei mesi di alta incertezza, riducendo l’automazione cieca; introdurre scenari multipli<\/em> (best, base, worst case) anzich\u00e9 un singolo numero; accorciare i cicli di revisione<\/em> da mensili a settimanali nei periodi turbolenti; diversificare la base fornitori<\/em> per ridurre il rischio single-source.<\/p>\n

Sul fronte supply, la crisi dei semiconduttori del 2021 e i problemi logistici globali (containers, blocco del canale di Suez a marzo 2021) hanno mostrato come il demand planning isolato non basti: serve integrazione stretta con supply planning, capacity planning e risk management.<\/p>\n

Costi indicativi 2021 (range \u20ac)<\/h2>\n

I costi di una soluzione di demand planning variano enormemente in funzione di taglia, complessit\u00e0 e modello di delivery. Range tipici 2021 per il mercato italiano:<\/p>\n