1. Home
  2. iThink
  3. AI - Intelligenza Artificiale
  4. Previsioni di vendita e-commerce: guida pratica con l'AI
AI - Intelligenza Artificiale

Previsioni di vendita e-commerce: guida pratica con l'AI

Il tholos del santuario di Delfi al tramonto, tra montagne e ulivi
Immagine: Walkerssk · Pixabay · Licenza dei contenuti Pixabay

Se gestisci un negozio online, prima o poi arriva la domanda: quanto venderò il mese prossimo? Da quella risposta dipendono quanti pezzi ordinare, quanto spendere in pubblicità e quante persone servono in magazzino a dicembre. Le previsioni di vendita e-commerce non sono una sfera di cristallo: sono una stima con un margine di errore dichiarato, che puoi misurare e migliorare. In questa guida ti spiego cosa si può prevedere, con quali dati, con quali metodi e come capire se la previsione che hai in mano vale qualcosa. Alla fine trovi un esperimento che ho fatto su dati pubblici e una checklist per partire in 30 giorni.

Perché servono le previsioni di vendita e-commerce

Una previsione serve a decidere prima, non a spiegare dopo. Le decisioni che ne ricevono più vantaggio sono cinque.

  • Scorte. Se ne ordini troppo poche rimani senza prodotto e perdi la vendita; se ne ordini troppe immobilizzi la tua cassa e rischi lo svenduto. Una buona previsione della domanda riduce entrambi gli errori, ma non li azzera.
  • Budget pubblicitario. Sapere quando la domanda sale da sola ti dice dove spingere e dove risparmiare. Ne parlo anche in ROAS, margine e budget su Google Ads.
  • Personale. Un picco di ordini significa più imballaggi, più assistenza e più resi per il tuo team nelle settimane successive.
  • Cassa. I pagamenti ai fornitori escono prima degli incassi: la previsione ti dice quanta liquidità ti serve e quando.
  • Acquisti stagionali. Per i prodotti con una stagione corta, l'ordine al fornitore si fa mesi prima. Lì la previsione pesa più che altrove.

Cosa puoi prevedere (e a che livello di dettaglio)

«Le vendite» sono un'etichetta generica. Prima di scegliere un metodo decidi quale numero ti serve.

  • Vendite totali in euro o in ordini: utili per budget e cassa.
  • Per prodotto o categoria: servono per le scorte. Sono le serie più rumorose, perché con pochi pezzi al giorno il caso pesa molto.
  • Per canale o paese: il tuo sito, i marketplace, l'Italia, l'estero. Spesso hanno andamenti diversi e mescolarli nasconde i segnali.
  • Ordini, resi e traffico: gli ordini guidano la logistica, i resi cambiano il netto, il traffico anticipa le vendite quando conosci il tasso di conversione.

Poi scegli due parametri. L'orizzonte è quanto in avanti guardi: 4 settimane per il riordino rapido, 6 mesi per la stagionalità e per gli ordini lunghi. La granularità è l'unità di tempo della serie: giorno, settimana o mese. Regola pratica: prevedi alla granularità a cui decidi tu. Se riordini ogni settimana, la previsione settimanale ti basta e di solito è più stabile di quella giornaliera.

I dati che servono e come prepararli

I dati partono dall'export degli ordini: WooCommerce, Shopify o il tuo gestionale. Ti servono almeno la data, il prodotto o la categoria, il paese o il canale e la quantità o l'importo. Da GA4 puoi aggiungere sessioni e sorgenti di traffico; come tenere pulito il dato degli acquisti lo trovi in GA4 e-commerce, l'evento purchase e i rimborsi.

Quanta storia? Per vedere una stagione serve almeno un anno, meglio due, perché con un solo anno non sai se un picco è una ricorrenza o un caso. Prima di dare i dati a qualunque modello fai questa pulizia.

  1. Resi e annullamenti: decidi se prevedi il lordo o il netto e togli coerentemente quello che non vuoi contare.
  2. Giorni a zero: un giorno senza vendite è un dato vero solo se il tuo negozio era aperto e il prodotto disponibile. Se era esaurito, lo zero è un'assenza di scorta, non di domanda: segnalalo.
  3. Valori anomali: un ordine all'ingrosso da cento pezzi non è la domanda normale. Tienilo, ma marcalo o limitalo.
  4. Promozioni e festività: annotale in una colonna con date e tipo di offerta. Sono l'informazione che più spesso manca, e te ne accorgi quando il modello sbaglia proprio nei picchi.
  5. Calendario completo: ogni data deve avere una riga, anche con quantità zero, altrimenti i metodi basati sul tempo leggono male la serie.

I metodi, dal semplice al complesso

Il punto di partenza: media mobile e «stessa settimana scorsa»

La media mobile prevede il prossimo periodo come media degli ultimi. La stessa settimana scorsa (in gergo seasonal naive) ripete il valore di sette giorni fa. Sembrano ingenui, ma sono la tua baseline: ogni metodo più sofisticato deve batterli, altrimenti non vale il suo costo. Molti progetti si fermano qui per una buona ragione, perché con serie corte o rumorose la baseline è difficile da superare.

Stagionalità: ETS e Prophet

I modelli di exponential smoothing (ETS) pesano di più i dati recenti e separano livello, tendenza e stagionalità. In Python li trovi in statsforecast di Nixtla, con AutoETS, AutoARIMA e i modelli per la domanda intermittente. Prophet, nato in Meta, gestisce tendenze, stagionalità e festività con un modello additivo; il repository dichiara di essere in manutenzione dalla versione 1.4.0, quindi senza nuove funzioni. Pro: li leggi con facilità e li addestri in pochi secondi. Contro: ogni serie ha il suo modello e le variabili esterne si gestiscono male o non si gestiscono.

Modelli con variabili: LightGBM

LightGBM è una libreria di gradient boosting ad alberi. Qui tratti la previsione, tu per primo, come un problema di tabella: ogni riga è un prodotto in un giorno, le colonne sono ritardi delle vendite, giorno della settimana, prezzo, promozione, festività. Pro: usa tutte le variabili che conosci e impara da molti prodotti insieme. Contro: devi costruire tu le colonne, e un errore di costruzione (usare un dato del futuro) rende il backtest troppo ottimista.

I modelli di base per serie storiche

Negli ultimi anni sono arrivati modelli addestrati su moltissime serie diverse, che puoi usare senza riaddestrarli sui tuoi dati (zero-shot). Gli esempi sono tre.

  • Timestral di Mistral AI: famiglia di modelli per previsioni probabilistiche anche multivariate. Il repository indica che accetta covariate passate, covariate note anche nel futuro e covariate categoriche, e restituisce 21 quantili per ogni passo. Il codice è Apache 2.0, i pesi hanno una licenza separata (MIT modificata): leggila prima dell'uso commerciale. Nella versione che ho usato, i pesi vanno da 20 MB a 799 MB, e gira su CPU.
  • TimesFM di Google Research: modello decoder-only per previsioni su serie storiche (repository). Il codice è Apache 2.0; per i pesi controlla la licenza della versione che scegli, perché il repository indica condizioni diverse tra le release.
  • Chronos di Amazon: parte da un'idea presa dai modelli linguistici, trasformare i valori in simboli, e ha varianti più recenti (Bolt, Chronos-2) con supporto alle covariate (repository).

Il vantaggio è che parti senza addestrare nulla e ottieni anche le bande di incertezza, che ti dicono quanto fidarti. I limiti sono altrettanto chiari: non conoscono il tuo calendario promozionale se non glielo passi come covariata, e un modello grande non garantisce un risultato migliore sui tuoi dati. Va sempre confrontato con la baseline.

Come misurare se una previsione è buona

Una previsione la giudichi sul passato, simulando il futuro. Questo si chiama backtest: scegli una data, usa solo i dati precedenti, prevedi le settimane successive e confronta con quello che è successo davvero. Poi ripeti spostando la finestra più volte, perché una sola prova può essere fortunata.

Le misure da conoscere:

  • MAE (errore assoluto medio): quanti pezzi o euro sbagli in media tu. Facile da capire, ma dipende dalla scala della serie.
  • MASE: confronta il tuo errore con quello della «stessa settimana scorsa». Se stai sotto 1 batti la baseline; sopra 1 fai peggio di chi ripete la settimana scorsa. È la misura più onesta per decidere se vale la pena complicare il metodo.
  • WAPE: la somma degli errori divisa per la somma delle tue vendite. Ti dà una percentuale che regge anche con più prodotti, perché pesa i grandi più dei piccoli.
  • WQL (weighted quantile loss): ti fa valutare insieme tutti i quantili della previsione, cioè la qualità delle bande oltre alla stima centrale.
  • Copertura delle bande: se la banda dichiarata all'80% contiene il valore reale circa l'80% delle volte, l'incertezza è calibrata.

Un avvertimento sullo sMAPE: è una percentuale che divide per i valori, quindi con i giorni a zero esplode o si distorce. Su un e-commerce con prodotti che vendono a giorni alterni ti farebbe scartare buoni modelli o promuovere cattivi.

Strumenti e plugin, passo per passo

Non devi scrivere codice per cominciare. Ti elenco gli strumenti nell'ordine in cui ti consiglio di provarli.

  1. Esporta gli ordini (il CSV del tuo WooCommerce, Shopify o gestionale) e costruisci una tabella con una riga per settimana.
  2. Calcola la baseline nel tuo foglio: la stessa settimana dell'anno scorso e la media delle ultime quattro.
  3. Prova uno strumento già pronto per il tuo negozio (tabella sotto).
  4. Passa a Python o BigQuery solo se i risultati del foglio non ti bastano o i prodotti sono tanti.
StrumentoPer chiCostoLimiti
Sales Forecast & Inventory Prediction (plugin WooCommerce)Chi ha WooCommerce e vuole previsioni per prodotto senza uscire da WordPressvedi sitoOffre media mobile, regressione, ARIMA e Prophet; la qualità dipende dai tuoi dati e va controllata con un backtest
Inventory Planner by Sage (app Shopify)Negozi Shopify con molte referenze e riordini frequentiInstallazione gratuita, il prezzo di uso va chiesto al fornitorePrevisione e riordino integrati, ma a pagamento e con dati nel servizio esterno
Google Sheets: FORECASTChi parte da zero con un foglioIncluso in Fogli GoogleRegressione lineare: nessuna stagionalità
Looker Studio: serie temporaliChi vuole mostrare vendite e tendenze in un cruscottovedi sitoDisegna linee di tendenza, non produce una previsione vera
BigQuery ML: ARIMA_PLUSChi ha già i dati su BigQuery (per esempio da GA4)vedi sitoServe SQL; l'esportazione dei dati va configurata
Python: statsforecast, ProphetChi sa usare pandas e vuole confrontare più modelliGratuiti (Apache 2.0 e MIT)Richiedono competenze e manutenzione

Una nota sui fogli. Excel ha la funzione FORECAST.ETS per lo smorzamento esponenziale; nell'elenco delle funzioni di Fogli Google non l'ho trovata, quindi lì ti conviene ripiegare su FORECAST (o FORECAST.LINEAR) e su TREND, che sono lineari. Se ti serve la stagionalità, il foglio da solo non basta.

Se in BigQuery non vuoi costruire tu il modello a mano, la documentazione di BigQuery ML segnala un modello TimesFM integrato con la funzione AI.FORECAST, indicata come anteprima: controlla lo stato prima di basarci un processo.

Il caso reale: i miei test su dati pubblici

Perché tu veda come si comportano questi modelli fuori dalla teoria, ho fatto un esperimento con Delphi, il mio strumento di previsione, sui dati pubblici di Online Retail II (UCI, licenza CC BY 4.0): le vendite di un e-commerce britannico su 739 giorni.

Ti riporto i risultati. Ho previsto 5 serie, con un orizzonte di 28 giorni e un backtest su 3 finestre. Con Timestral 209M il MASE medio è stato 0,88: il 12% meglio della «stessa settimana scorsa». Il risultato cambia da serie a serie: Irlanda 0,69, Paesi Bassi 0,78 e Totale 0,90, dove il modello batte la baseline, Regno Unito 0,99 e Germania 1,01, dove va alla pari. Le bande all'80% hanno coperto l'85% dei valori reali, quindi l'incertezza era stimata con un po' di prudenza. L'intero calcolo ha impiegato 13 secondi su un Mac.

Il limite principale riguarda il periodo pre-natalizio: nell'ultima finestra, fino al 9 dicembre 2011, il vantaggio si riduce o sparisce su alcuni paesi (Regno Unito 1,06 e Germania 1,14, mentre il Totale resta a 0,94). Con promozioni e festività come covariate, che la riga di comando supporta, è il punto da migliorare: senza un calendario il modello non può sapere che a novembre qualcosa cambia. È il motivo per cui nella checklist qui sotto metto le promozioni prima di qualsiasi modello.

C'è poi una lezione sui dati. In una prima versione del test erano rimasti due ordini poi annullati, il 9/12/2011 e il 18/1/2011, e il modello sembrava molto peggio di com'è. Un solo ordine annullato non tolto basta a falsare il risultato: per questo la pulizia viene prima del modello.

Checklist per partire in 30 giorni

Tu non hai bisogno di un progetto grande: ti basta un mese e un obiettivo preciso, per esempio prevedere le prossime quattro settimane delle tue dieci referenze principali.

  1. Giorni 1-3: scegli la decisione. Riordino, budget o personale: cosa vuoi decidere? Stabilisci orizzonte e granularità di conseguenza.
  2. Giorni 4-7: esporta e pulisci. I tuoi ordini degli ultimi due anni, resi tolti, giorni di fuori scorta segnati, anomalie marcate.
  3. Giorni 8-10: costruisci il calendario. Le tue promozioni, festività, lanci e chiusure con data di inizio e di fine.
  4. Giorni 11-15: calcola la baseline. Stessa settimana scorsa e media mobile, con MAE e MASE sul passato.
  5. Giorni 16-22: prova due metodi in più. Un modello stagionale e un modello di base per serie storiche, sulle stesse finestre di backtest.
  6. Giorni 23-26: confronta. Tieni il metodo che batte la baseline con MASE sotto 1 sulla maggior parte delle serie, e controlla la copertura delle bande.
  7. Giorni 27-30: metti in produzione la parte semplice. Prepara un foglio o un report che aggiorni ogni settimana, con la previsione accanto al venduto reale.

L'ultimo passo è quello che ti fa migliorare: ogni settimana confronti la previsione con quello che è successo e annoti perché hai sbagliato.

Per decidere dove sta davvero il tuo margine prima di muovere il budget, ti serve anche l'articolo su come l'AI generativa impatta sull'e-commerce.

Consigli pratici prima di fidarti di una previsione

  • Parti dalla decisione, non dal modello. Riordino, budget o personale decidono orizzonte e livello di dettaglio.
  • Batti prima la baseline. Se un modello non fa meglio di «stessa settimana scorsa», con MASE sotto 1, non usarlo per decidere.
  • Pulisci i dati prima di provare i metodi. Resi tolti, giorni di fuori scorta segnati, anomalie marcate.
  • Metti promozioni e festività nel calendario. Sono informazioni note in anticipo, e senza di esse il modello sbaglia proprio nei picchi.
  • Guarda le bande, non solo il numero centrale. Ti dicono quanto fidarti: rimanere senza prodotto e immobilizzare cassa in scorte hanno costi diversi.

Domande frequenti

Quanti dati storici servono per le previsioni di vendita?

Almeno un anno per vedere la stagionalità, meglio due. Con meno storia puoi prevedere il breve periodo, ma non puoi sapere se un picco ricorre ogni anno.

Un modello di intelligenza artificiale batte sempre la media mobile?

No. Sulle mie prove un modello di base ha battuto la stessa settimana scorsa su alcune serie e pareggiato su altre: la Germania è rimasta a 1,01. Per saperlo sui tuoi dati devi fare un backtest e guardare il MASE.

Posso usare Fogli Google per le previsioni?

Per un primo controllo sì, con FORECAST e TREND, che sono lineari. Se i tuoi prodotti hanno una stagione, ti servono un metodo stagionale e quindi Python, BigQuery o uno strumento dedicato.

Servono promozioni e festività nei dati?

Sì, quando sono ricorrenti. Senza un calendario il modello vede un picco senza motivo, e lo sbaglia puntualmente: è il limite che ho trovato nel mio esperimento.

Se hai già gli ordini esportati e vuoi un parere su da dove cominciare, scrivimi con il tipo di negozio e il periodo che hai a disposizione: ti dico quale metodo provare per primo.

Condividi LinkedIn Facebook X WhatsApp Telegram Email
Cybersecurity per PMI

Quanto è esposta la tua azienda?

Un hacker etico certificato trova le falle prima di chi attacca e ti dice come chiuderle, partendo dalla più pericolosa.

Marketing & Google Ads

Le tue campagne stanno bruciando budget?

Raccontami obiettivi e numeri attuali: ti dico dove intervenire per primo.

Coding & debugging

Codice scritto con l’AI? Funziona oggi. Reggerà domani?

Audit del debito tecnico e della sicurezza di app e siti, debugging e code review.

iLife · crescita personale

Riprogramma la tua vita con il metodo di un hacker etico

Percorsi one-to-one per capire dove sei, scegliere la direzione e arrivarci con metodo.

Digital Agency

Dove sta frenando il tuo business?

Una consulenza per capire cosa sistemare prima: sicurezza, tecnologia, marketing o persone.

Continua a leggere

Tutti gli articoli del blog

Rocco Balzamà
Parli direttamente con me

Il prossimo passo?
Parliamone.

Raccontami cosa vuoi proteggere, costruire o far crescere. Ti aiuto a capire da dove partire.

Di cosa mi occupo

Da oltre trent'anni faccio tre cose. Cerco le falle della tua azienda prima che le trovi chi vuole entrare. Imposto il marketing perché i risultati si possano misurare. E aiuto persone e aziende a capire chi sono, prima ancora di decidere cosa vendere.

Da remoto e in presenzaLavoro da remoto tramite call e videocall. Quando il progetto lo richiede, intervengo anche in presenza.
Seguimi sui social
Certified Ethical HackerSicurezza informatica dal 1993
Gli strumenti con cui lavoro
  • Google Ads
  • Meta
  • WordPress
  • WooCommerce
  • Shopify
  • TikTok
Strumenti gratuiti