Un gruppo FMCG con decine di migliaia di SKU distribuiti in mercati multipli affronta la sfida più classica e più costosa del largo consumo: prevedere una domanda volatile su un assortimento enorme e geograficamente frammentato. Ogni errore di previsione si pagava due volte — con lo stock di sicurezza in eccesso da una parte e con le rotture di stock dall'altra.
La soluzione ha unito la piattaforma di planning SAP IBP con il modello di forecasting Prior Labs TabPFN, introducendo il demand sensing settimanale: una previsione che si aggiorna ogni settimana sulla base dei segnali più recenti, invece di restare ferma su un piano mensile costruito su dati vecchi.
Benchmark di settore osservati
- Fino a −30–35% di forecast error (MAPE)
- Riduzione significativa dello stock di sicurezza
- Riduzione dei write-off su prodotti a bassa rotazione
- Risparmio nell'ordine di milioni di euro su grandi assortimenti nel primo anno
La catena causale è lineare e per questo potente. Una previsione più accurata permette di tenere meno scorta di sicurezza a parità di livello di servizio; meno scorta significa meno capitale immobilizzato e meno prodotti che scadono o diventano obsoleti, cioè meno write-off. Il risparmio che si materializza nel primo anno è la somma di questi effetti, non un singolo colpo di fortuna.
Perché TabPFN nel largo consumo
Il largo consumo ha decine di migliaia di SKU, molti dei quali con domanda irregolare o intermittente, dove i modelli statistici tradizionali faticano. TabPFN, essendo pre-addestrato su un'enorme varietà di pattern, gestisce meglio proprio questi casi difficili, senza richiedere un tuning manuale per ciascuna serie — impensabile su 50.000 referenze. Dentro SAP IBP, questo significa portare l'AI avanzata nel processo di planning senza moltiplicare il lavoro dei demand planner.
Su 50.000 SKU nessun team umano può fare tuning serie per serie. Serve un modello che generalizzi bene di default, e poi l'intelligenza umana per le eccezioni che contano davvero.
La gestione di 30 mercati
La complessità geografica ha imposto un disegno attento. Mercati diversi hanno stagionalità, calendari promozionali e comportamenti d'acquisto differenti. Il modello è stato configurato per cogliere queste differenze invece di appiattirle in una media globale fuorviante. Allo stesso tempo, la governance del processo è rimasta centralizzata: un'unica logica di planning, alimentata da dati locali, evita che 30 mercati costruiscano 30 forecast incoerenti tra loro.
Il ruolo delle persone
Il demand sensing settimanale non sostituisce il demand planner: lo riposiziona. Liberato dalla manutenzione dei modelli, il planner si concentra sulle eccezioni — il lancio di un nuovo prodotto, una promozione aggressiva di un competitor, un evento che il modello non può conoscere. È in questi momenti che la conoscenza umana del mercato vale di più, e ora c'è il tempo per applicarla.
La lezione trasversale del progetto è che l'accuratezza del forecast non è un fine in sé: è il mezzo attraverso cui si liberano capitale, spazio di magazzino e tempo delle persone. La riduzione dell'errore conta perché si trasforma in risparmio concreto e in un servizio più stabile verso i clienti.
Il valore oltre il primo anno
Il risparmio del primo anno è solo l'inizio. Il demand sensing è una capacità che si consolida: man mano che il modello accumula storia e i processi si rodano, l'accuratezza tende a migliorare ulteriormente e i benefici si stabilizzano. Inoltre, una previsione più affidabile a monte migliora tutto ciò che sta a valle — produzione, acquisti, logistica — in un effetto a catena difficile da quantificare ma reale. Per un gruppo FMCG su 30 mercati, avere un'unica logica di planning alimentata da dati locali e modelli che generalizzano bene è un asset strategico, non un semplice strumento operativo: è la base su cui costruire decisioni di supply chain più rapide e più sicure.
