- Home
- Sviluppo & AI
- Delphi
Previsioni di vendita con l'AI, per ordinare, spendere e assumere con meno tentoni.
Delphi è il servizio con cui prevedo vendite, ordini e domanda del tuo e-commerce o della tua PMI, per prodotto, categoria e paese. Da lì ricavo le decisioni che ci stanno sopra: scorte, budget pubblicitario, personale e cassa. Ogni previsione arriva con una fascia di probabilità e con una prova fatta sui tuoi dati passati.
Primo colloquio gratuito · risposta entro 24 ore · leggi lo studio con i dati veri
Legge gli ordini da
Shopify
Prima la decisione, poi la previsione.
Una previsione serve solo se cambia qualcosa che fai. Scegli la decisione che hai davanti: ti dico che cosa prevedere, su che orizzonte e quale parte della fascia di probabilità guardare.
Scorte: guarda il lato alto della fascia
- Che cosa prevedere
- Le unità vendute per prodotto (o per categoria, se i prodotti sono tanti), per magazzino o per paese.
- Orizzonte
- Almeno il tempo di consegna del fornitore più l'intervallo tra un riordino e il successivo.
- Quale fascia usare
- Una fascia alta (la 90%, per esempio) se restare senza prodotto ti costa più dell'invenduto. Con merce deperibile o poco spazio, resta vicino alla mediana.
- Che cosa serve nel CSV
- Data, prodotto, unità vendute; se ci sono, promozioni e prezzi dei giorni che verranno.
Pubblicità: parti dalla mediana
- Che cosa prevedere
- Ordini o fatturato per categoria e per paese, con il calendario delle tue promozioni come informazione nota in anticipo.
- Orizzonte
- Le settimane che coprono il prossimo ciclo di budget, non di più: più il periodo è lungo, più la fascia si allarga.
- Quale fascia usare
- La mediana per distribuire il budget. La fascia all'80% ti dice quanto margine dare al tetto di spesa, senza costruirlo sui giorni migliori.
- Che cosa serve nel CSV
- Ordini e ricavi giornalieri, campagne e promozioni già fissate, festività.
Personale: guarda i giorni di picco
- Che cosa prevedere
- Gli ordini al giorno (il carico di lavoro), non il fatturato: un ordine piccolo costa lo stesso tempo di imballaggio di uno grande.
- Orizzonte
- Il tempo che hai per cambiare i turni o chiamare un rinforzo. Dipende da come sei organizzato: lo stabiliamo insieme.
- Quale fascia usare
- Lato alto per i giorni di punta, perché un reparto sotto organico si vede subito. Mediana per dimensionare la squadra di base.
- Che cosa serve nel CSV
- Ordini giornalieri, per canale se vendi su più canali, e le date di saldi e campagne.
Cassa: guarda il lato basso della fascia
- Che cosa prevedere
- Gli incassi per settimana o per mese, ricavati dalle vendite e dai tempi di pagamento del tuo canale.
- Orizzonte
- Quanto in là devi vedere per pagare fornitori, tasse e stipendi con tranquillità. Più è lungo, meno la mediana basta da sola.
- Quale fascia usare
- Il lato basso della fascia: è lì che si decide se i pagamenti di fine mese reggono anche in un periodo debole.
- Che cosa serve nel CSV
- Incassi o vendite storiche, scadenze note, date delle promozioni.
È un orientamento, non una previsione sui tuoi numeri: quelli li misuriamo insieme, con il backtest.
Si parte dai tuoi dati, e si prova prima di fidarsi.
Il lavoro ha quattro passi. Il secondo è quello che mi interessa di più: prima di usare una previsione voglio sapere quanto ha sbagliato quando la risposta era già nota.
Analisi dei dati storici
Guardo l'export di WooCommerce, di GA4 o del gestionale: quanto storico c'è, che stagionalità ha, dove ci sono buchi, resi o giorni di chiusura da trattare a parte.
Cosa riceviUn giudizio onesto su cosa si può prevedere e cosa no.
Backtest sui tuoi dati
Faccio finta di essere in un giorno del passato, prevedo quello che è successo dopo e confronto con la realtà, su più finestre. Lo misuro contro un metodo semplice, come «stessa settimana scorsa».
Cosa riceviErrore misurato, copertura delle fasce, confronto con il metodo semplice.
Previsioni periodiche
Se il backtest convince, preparo le previsioni a scadenze regolari con le fasce di probabilità, dall'1 al 99%, e un report che spiega cosa è cambiato rispetto all'ultima volta.
Cosa riceviPrevisioni per prodotto, categoria o paese, con il report.
Integrazione e decisioni
Porto i risultati dove li usi già: CSV, Google Sheets, Looker Studio. Poi li traduciamo in scelte: riordino delle scorte, budget pubblicitario, turni, cassa.
Cosa riceviNumeri nel tuo foglio o nella tua dashboard, e regole chiare per usarli.
Sotto c'è Timestral di Mistral AI, un modello di base open source per serie storiche, che uso con una riga di comando in Python che ho sviluppato io. I pesi del modello girano in locale: i dati del cliente non passano da servizi di previsione esterni.
Cosa è successo su 739 giorni di un e-commerce reale.
Ho provato Delphi su Online Retail II, un insieme di dati pubblici dell'UCI (licenza CC BY 4.0) con le vendite di un negozio online britannico. Il confronto è con «stessa settimana scorsa».
- 12%di errore in meno, in media, con il modello più grande (MASE 0,88)
- 31%in meno su un singolo paese (MASE 0,69)
- 85%dei valori reali caduti dentro le fasce all'80%
- 13 sper prevedere 5 serie con backtest, su un Mac
- Timestral 5MMASE 0,92 · fasce all'80% che contengono l'87% dei valori
- Timestral 28MMASE 0,90 · fasce all'80% che contengono l'81% dei valori
- Timestral 209MMASE 0,88 · fasce all'80% che contengono l'85% dei valori
MASE sotto 1 significa che il modello sbaglia meno del metodo «stessa settimana scorsa». Il limite l'ho visto: nel periodo pre-natalizio il vantaggio si riduce o sparisce su alcuni paesi, e il calendario di promozioni e festività è il punto da migliorare. Per questo, nel lavoro con te, quelle date le inserisco come informazione nota in anticipo. C'è anche una lezione sui dati: un solo ordine annullato non tolto può far sembrare il modello molto peggio di com'è, per questo la pulizia viene prima del modello.
Lo studio completo, con i dati e i limiti
I numeri di questa pagina vengono da uno studio che ho pubblicato nella sezione Studi e pubblicazioni. Lì trovi i dati, il metodo, i limiti che ho visto e una previsione da esplorare paese per paese.
Per chi vende ogni giorno e ha uno storico da cui imparare.
Lavoro con e-commerce su WooCommerce, Shopify e marketplace, e con PMI che hanno un magazzino da riempire o un personale da pianificare.
Ha senso se
- Hai almeno uno o due anni di storico delle vendite.
- Il tuo negozio ha stagionalità, saldi o periodi forti che si ripetono.
- Hai un magazzino e ordini ai fornitori che richiedono tempo.
- Decidi budget pubblicitario e turni con settimane di anticipo.
Meglio aspettare se
- Hai aperto da pochi mesi e non c'è ancora uno storico.
- Il catalogo cambia quasi tutto a ogni stagione, e i prodotti non hanno una storia a cui guardare.
Quale decisione vorresti prendere con meno incertezza?
Partiamo da lì. Ti dico se i tuoi dati bastano, cosa si può prevedere e con quale margine di errore.
Prima di affidare le vendite a un modello.
Un dubbio che non trovi qui? Rispondo personalmente entro 24 ore.
Quanti dati servono?
Di solito almeno uno o due anni di storico, così il modello vede le stagioni almeno una volta. Con meno dati non dico di no a priori: il backtest sui tuoi numeri mostra se la previsione batte un metodo semplice, e se non lo batte te lo dico.
I miei dati escono dall'azienda?
No. I pesi del modello girano in locale e il file con le tue vendite non viene inviato a servizi di previsione esterni. Solo il primo scaricamento dei pesi del modello passa dalla rete, e non contiene nulla di tuo.
Quanto è precisa?
Dipende dai dati, e per questo la misuro prima. Nello studio pubblicato il modello più grande ha sbagliato in media il 12% in meno del metodo «stessa settimana scorsa», con le fasce all'80% che hanno contenuto l'85% dei valori reali. Sui picchi legati a promozioni e festività serve il calendario, altrimenti il vantaggio si riduce.
Funziona con WooCommerce e Shopify?
Sì, perché parto da un file CSV: l'export degli ordini di WooCommerce, di Shopify, di un marketplace, di GA4 o del tuo gestionale. I risultati te li consegno in CSV, Google Sheets o Looker Studio.






