AI per la gestione del magazzino e dell'inventario

Ogni PMI manifatturiera o distributiva conosce bene i due problemi opposti della gestione scorte. Da una parte il cliente che chiama e il prodotto non c'è, ordine perso, cliente scontento. Dall'altra il magazzino pieno di referenze che non girano, capitale immobilizzato, rischio di obsolescenza. Questi due problemi non si risolvono con più fogli di calcolo o più esperienza del magazziniere: si risolvono con dati e previsioni migliori.

Il costo reale di una gestione scorte inefficiente

Una rottura di stock non è solo un ordine perso oggi: in B2B significa spesso un cliente che riordina meno la prossima volta o che esplora un fornitore alternativo, in B2C o nel retail significa un cliente che compra online da un competitor. Il costo reale è 3-5 volte il margine perso sulla singola vendita. L'eccesso di scorte, dall'altro lato, immobilizza capitale: un'azienda manifatturiera con 2 milioni di euro di magazzino e un tasso di rotazione medio di 4 volte l'anno ha 500.000 euro di capitale fermo ogni trimestre, e a un costo opportunità del 5% annuo sono 25.000 euro l'anno solo di costo finanziario, più il rischio di svalutazione, obsolescenza tecnica, scadenza. Una PMI con 300-500 referenze attive, se non ha un sistema di previsione strutturato, oscilla continuamente tra questi due problemi.

Un esempio concreto: azienda manifatturiera con 500 SKU

Un'azienda di componentistica meccanica, 45 dipendenti, 6 milioni di euro di fatturato, gestiva 500 referenze tra materie prime e prodotti finiti, con problemi ricorrenti: stockout su 15-20 referenze al mese, livello medio di magazzino da 800.000 euro. L'implementazione, in quattro mesi, ha seguito tre passaggi: pulizia e strutturazione dei dati storici nel primo mese, configurazione del modello di previsione su tre anni di storico nel secondo, integrazione con l'ERP per ordini semiautomatici nel terzo e quarto. Dopo 12 mesi, i risultati erano netti: gli stockout mensili erano scesi da 15-20 a 3-5 referenze, il livello medio di magazzino da 800.000 a 620.000 euro, il 22,5% in meno, e il tempo del responsabile acquisti dedicato al monitoraggio era passato da 2,5 ore al giorno a 30 minuti. Il costo dell'implementazione, 25.000 euro totali tra software e consulenza, era coperto dai benefici finanziari già all'ottavo mese.

Come l'AI prevede la domanda

I modelli di previsione della domanda non sono una tecnologia nuova, sono stati appannaggio delle grandi aziende per vent'anni, ma oggi sono accessibili anche alle PMI, spesso integrati direttamente negli ERP o in moduli SaaS a sottoscrizione. Un modello integra lo storico delle vendite per referenza, idealmente due o tre anni, la stagionalità, con pattern settimanali, mensili e annuali, il calendario di festività, eventi commerciali e periodi promozionali, dati esterni come il meteo, rilevante per settori come food, beverage e abbigliamento, e indici di settore, la pipeline commerciale, con ordini in attesa e offerte in corso ad alta probabilità di chiusura, e i fattori di tendenza, cioè la crescita o il declino strutturale di una referenza nel tempo. L'output non è un numero singolo ma una distribuzione probabilistica, per esempio "prevediamo 120 unità con una probabilità dell'80% che la domanda reale stia tra 95 e 150", che permette di calibrare lo stock di sicurezza in base al rischio che si vuole accettare. Gli studi su PMI manifatturiere che hanno adottato questi modelli riportano tipicamente una riduzione del livello medio di inventario del 15-25%, una riduzione degli stockout del 30-50% e un miglioramento del tasso di servizio, gli ordini evasi puntualmente, di 5-10 punti percentuali, come nell'esempio dell'azienda di componentistica.

Automazione degli ordini, e ottimizzazione del picking

Il passo successivo alla previsione è l'automazione dell'ordine: un sistema configurato correttamente monitora in tempo reale le giacenze per ogni referenza, confronta la giacenza con il punto di riordino calcolato dinamicamente, che varia con la stagionalità e la previsione, genera automaticamente l'ordine di acquisto quando la soglia viene raggiunta, e lo invia al fornitore o lo mette in coda per l'approvazione del responsabile. Non tutti gli ordini vengono inviati automaticamente, spesso è più sensato che il sistema generi una proposta che il responsabile approva con un clic: il vantaggio non è eliminare il controllo umano, è eliminare il lavoro di monitoraggio e calcolo manuale, come mostra il caso dell'apertura, dove il responsabile acquisti è passato da 2,5 ore al giorno a 30 minuti.

In un magazzino con molte referenze, il percorso di picking, il tragitto che il magazziniere fa per raccogliere i prodotti di un ordine, è spesso lungo e inefficiente, non per mancanza di organizzazione ma perché il layout pensato cinque anni fa non riflette più i pattern di vendita attuali. I sistemi di ottimizzazione del picking analizzano la frequenza di rotazione di ogni referenza e le correlazioni tra prodotti spesso ordinati insieme per suggerire il posizionamento ottimale, con le referenze più veloci vicino all'uscita, il percorso ottimale per ogni ordine o gruppo di ordini, e il raggruppamento degli ordini simili per ridurre i percorsi totali. In magazzini medi, 2.000-5.000 metri quadri, 5-15 magazzinieri, l'ottimizzazione del picking può ridurre il tempo medio per ordine del 20-35%, e con 200 ordini al giorno e un costo operativo di 18 euro l'ora per magazziniere, sono cifre concrete.

Integrazione con ERP e WMS, costi e tempi realistici

Il punto critico per qualsiasi PMI è l'integrazione con i sistemi esistenti: il valore della previsione della domanda e dell'automazione degli ordini è zero se i dati di giacenza e venduto non sono accessibili in modo affidabile. La buona notizia è che i principali ERP usati dalle PMI italiane, SAP Business One, Microsoft Dynamics 365 Business Central, Zucchetti, TeamSystem, Mago, hanno già moduli di gestione scorte con funzionalità AI o si integrano con soluzioni esterne tramite API. La domanda pratica da farsi prima di qualsiasi investimento è se i dati di venduto e giacenza nel proprio ERP siano puliti, completi e aggiornati in tempo reale: se la risposta è no, il lavoro preliminare va sulla qualità dei dati, non sull'AI.

Per una PMI con 100-500 referenze e un ERP già in uso, una soluzione cloud SaaS, come Lokad, Netstock o Demand Works, costa 800-2.500 euro al mese di licenza, con un'implementazione di 4-8 settimane; un modulo aggiuntivo dell'ERP, se disponibile per il gestionale in uso, costa 5.000-15.000 euro di licenza una tantum, con 2-4 mesi di implementazione; uno sviluppo su misura in Python o machine learning parte da 20.000 euro in su, con tempi di 3-6 mesi. La prima opzione è quasi sempre la più sensata per iniziare, perché i sistemi SaaS sono già ottimizzati per le PMI, si configurano senza sviluppo su misura, e il rischio è limitato: se non funziona, si disattiva la sottoscrizione. Il presupposto rimane lo stesso in tutti i casi: avere almeno 18-24 mesi di storico delle vendite in formato strutturato, perché senza quello nessun modello può produrre previsioni attendibili.

Se vuoi capire quale approccio è più adatto al tuo magazzino, parliamone.