Sfruttare i modelli previsionali per rendere più preciso il Budget delle Vendite e la Pianificazione Finanziaria

Oggi nessuna azienda può permettersi di fare scelte sbagliate, il rischio di impresa è sempre crescente, e il mercato sempre più complesso. La barca a vela è la metafora perfetta dell’azienda:

  • prima di partire ci chiediamo dove andiamo, in quanto tempo, con quali mezzi e quale rotta seguire
  • durante il viaggio ci chiediamo: dove siamo? Stiamo mantenendo la rotta? Ce la facciamo ad arrivare dove previsto? Dobbiamo cambiare destinazione?

Diventa quindi prioritaria e urgente la necessità di conoscere puntualmente i risultati aziendali conseguiti e soprattutto le previsioni che delineano la direzione futura. Per questo motivo, rendere il più preciso possibile il budget delle vendite è uno dei fattori principali per mantenere la giusta rotta. Gli strumenti di forecast budget più tradizionali, tuttavia, non sono più adeguati a un mercato in cui il numero di variabili in gioco e la loro velocità di cambiamento sono sempre maggiori e più frenetici.

Perché costruire un modello di Machine Learning per fare forecast budget

Il processo di previsione del budget vendite, dove il punto di partenza è la previsione delle vendite per l’anno successivo, spesso occupa Area Manager o Responsabili Commerciali per produrre assunzioni sul futuro rispetto al proprio mercato di riferimento, sfruttando la storia passata.

Si tratta di un passaggio indispensabile per la pianificazione finanziaria, ma questa onerosa operazione richiede tanto più tempo quanto grande è la dimensione dei clienti e prodotti da considerare per produrre una previsione del futuro.

I modelli di forecast vendite, ottenibili tramite tecniche di Machine Learning (o apprendimento automatico), sono potenti strumenti per alleggerire il lavoro in carico all’uomo, liberarlo per mansioni meno ripetitive e aumentare la precisione dei risultati ottenuti.

Come costruire Modelli di forecast vendite

Tramite lo studio della storia passata e la selezione di opportune variabili contestuali con cui arricchire il patrimonio informativo, questi modelli di Intelligenza Artificiale sono in grado di produrre curve di forecast e creare un modello di previsione vendite tanto più affidabile quanto migliori sono i dati forniti.

A partire dalla totalità dei clienti-prodotti di un’azienda, si identificano dei sottogruppi, che potrebbero essere ad esempio mercato Italia/Estero combinato con le Famiglie di prodotti: i modelli di Machine Learning sono quindi addestrati separatamente per ciascuno dei gruppi.

All’interno del processo di budget, le curve di forecast dei differenti gruppi possono essere così sommate per produrre un primo input di budget delle vendite.

Un’altra scelta da effettuare riguarda la granularità temporale: come sempre, è necessario ricercare il miglior compromesso tra buoni risultati e una proiezione più dettagliata possibile. Considerare le serie storiche di vendita per ogni singolo giorno dell’anno potrebbe portare grande varianza nei forecast prodotti, a causa delle differenze anno per anno del giorno in cui può cadere una stessa data.

forecast budget

Sicuramente molti business si possono accontentare di un dettaglio meno preciso, come la settimana oppure il mese, ottenendo anche risultati più semplici da confrontare su anni differenti.

Combinare Machine Learning ed esperienza umana

Qualsiasi algoritmo di Intelligenza Artificiale non conosce perfezione: all’interno del parco clienti e prodotti dell’azienda, non sempre tutte le situazioni di vendita sono ricostruite in modo ottimale: è solo grazie alla supervisione dell’uomo e alla sua esperienza che si raggiungono i migliori risultati.

In qualsiasi progetto di Machine Learning è importante riservare una parte dei dati per testare la bontà dei modelli ottenuti: se stiamo producendo il budget vendite per il 2022, potremmo utilizzare i mesi del 2021 già trascorsi per mettere alla prova il modello.

A questo punto, all’interno dei gruppi di clienti/prodotti si può valutare dove il modello sull’anno di prova raggiunge i migliori risultati e utilizzare il forecast sul periodo successivo come risultato acquisito.

Dove, viceversa, nel test non si ottengono risultati soddisfacenti, si richiede un intervento degli Area Manager o Responsabili Commerciali che, possedendo esperienza e informazioni che non è stato possibile trasmettere ai modelli, aggiustano i valori per comporre il budget delle vendite definitivo.

Strumenti integrati per la produzione dei forecast vendite

L’implementazione di modelli di Machine Learning per la predizione della domanda può essere approcciata in due modi:

  1. Alcuni sistemi commerciali mettono a disposizione strumenti out-of-the-box per la generazione dei forecast a partire dallo storico vendite caricato, con alcune piccole configurazioni disponibili. È il caso di SAP Analytics Cloud, con il suo strumento Smart Predict.
  2. In altri casi, dove è necessario studiare il fenomeno con maggiore dettaglio ed approfondimento, gli strumenti out-of-the-box potrebbero non garantire risultati soddisfacenti.


Il team di Data Scientist Regesta LAB ha studiato e implementato presso le aziende cliente alcuni algoritmi di forecast, in grado di tener conto anche di fattori socio-economici, capaci di ottenere prestazioni molto accurate. I risultati di questi algoritmi possono così essere integrati con le piattaforme utilizzate per la pianificazione e il processo di budgeting.

Contattaci per ricevere una consulenza gratuita personalizzata!