Prevedere la Domanda nel Fashion con le Serie Storiche: Stagionalità, Saldi e Limiti dei Modelli

Il Paradosso della Previsione nella Moda

La previsione della domanda è uno dei problemi più studiati della statistica applicata. Esistono decenni di letteratura, modelli consolidati e librerie pronte all'uso. Eppure, nel fashion, applicarli è sorprendentemente difficile.

Il motivo è semplice: la maggior parte dei prodotti non ha una storia. Un supermercato vende lo stesso pacco di pasta da anni e ha serie storiche lunghe e regolari. Un negozio di abbigliamento rinnova gran parte dell'assortimento ogni stagione: il cappotto di quest'inverno non esisteva l'anno scorso. Come si prevede la domanda di qualcosa che non è mai stato venduto?

La risposta è che bisogna cambiare il livello a cui si guarda il problema.

Cos'è una Serie Storica

Una serie storica è una sequenza di osservazioni ordinate nel tempo: le vendite settimanali di un negozio, le giacenze di fine mese, gli ingressi giornalieri. L'analisi delle serie storiche parte dall'idea che il passato contenga informazioni utili sul futuro, e che queste informazioni si possano scomporre in alcune componenti:

• Trend: la tendenza di lungo periodo (crescita, calo, stabilità).
• Stagionalità: pattern che si ripetono a intervalli regolari (la settimana, l'anno).
• Componente irregolare: tutto ciò che resta, il "rumore".

Nel retail si aggiungono gli effetti calendario e promozionali: festività, saldi, Black Friday, eventi locali, che non cadono sempre nella stessa settimana.

Scegliere il Livello Giusto

Poiché il singolo articolo ha una storia troppo breve, nel fashion si prevede quasi sempre a un livello aggregato, dove la storia esiste:

• Negozio: le vendite totali settimanali di un punto vendita hanno anni di storia.
• Categoria: maglieria, capispalla, pantaloni. La domanda di "maglioni da uomo" a novembre è molto più prevedibile di quella di un singolo maglione.
• Categoria per negozio: un buon compromesso tra dettaglio e stabilità.

Una volta prevista la domanda aggregata, la si ripartisce sui singoli articoli usando quote storiche (ad esempio la distribuzione delle vendite per taglia nella categoria) o le prime settimane di vendita del nuovo prodotto.

I Modelli Classici

Media mobile e naive stagionale

Il punto di partenza dovrebbe sempre essere un modello semplicissimo, che serve da benchmark. Il naive stagionale dice: "la prossima settimana venderò quanto nella stessa settimana dell'anno scorso". Sembra banale, ma è sorprendentemente difficile da battere, e qualsiasi modello più complesso deve dimostrare di fare meglio.

Exponential smoothing (Holt-Winters)

I modelli di livellamento esponenziale danno più peso alle osservazioni recenti e possono incorporare trend e stagionalità. La variante Holt-Winters è un classico per le vendite al dettaglio: robusta, interpretabile, veloce da stimare.

ARIMA e SARIMA

I modelli ARIMA descrivono una serie in funzione dei propri valori passati e degli errori passati, dopo averla resa stazionaria. La versione SARIMA aggiunge la componente stagionale. Sono potenti ma richiedono più attenzione nella scelta dei parametri e nella verifica delle ipotesi.

Modelli con variabili esterne

Spesso le vendite dipendono da fattori esterni: promozioni, meteo, giorni di apertura. Modelli come SARIMAX, Prophet o approcci di machine learning (gradient boosting su feature costruite a mano) permettono di includerli esplicitamente.

import pandas as pd
from statsmodels.tsa.holtwinters import ExponentialSmoothing

# vendite settimanali di una categoria in un negozio
serie = (
    vendite.query("categoria == 'Maglieria'")
    .set_index("settimana")["pezzi"]
    .asfreq("W-MON")
)

modello = ExponentialSmoothing(
    serie,
    trend="add",
    seasonal="mul",
    seasonal_periods=52,
).fit()

previsione = modello.forecast(12)  # prossime 12 settimane

I Problemi Specifici del Retail

Le rotture di stock censurano la domanda

Se una categoria è rimasta senza taglie centrali per tre settimane, le vendite di quelle settimane sono più basse della domanda reale. Un modello addestrato su quei dati imparerà che in quel periodo si vende poco, e la previsione dell'anno successivo sarà sottostimata. È un problema statistico noto come censura: le osservazioni sono troncate da un limite (la disponibilità di merce).

Le soluzioni vanno dal semplice (escludere o correggere le settimane con stock insufficiente) al più sofisticato (modelli che stimano esplicitamente la domanda non soddisfatta).

I saldi spostano le vendite, non le creano

Durante i saldi le vendite esplodono, ma una parte di quella domanda è semplicemente anticipata o posticipata: clienti che avrebbero comprato comunque, magari a prezzo pieno qualche settimana prima. Trattare i saldi come normali settimane ad alta domanda porta a sovrastimare. Conviene modellarli come un evento esplicito, con una variabile che ne indichi l'inizio e l'intensità.

Il calendario non si allinea

Pasqua può cadere a marzo o ad aprile; il primo giorno di saldi cambia da regione a regione e da anno ad anno. Confrontare la settimana 14 di due anni diversi può significare confrontare una settimana di Pasqua con una normale. Per questo si costruiscono calendari commerciali con variabili per festività ed eventi.

Il meteo conta (soprattutto nei cambi stagione)

Un ottobre caldo ritarda le vendite di capispalla; una primavera piovosa frena i capi leggeri. L'effetto sul totale della stagione è spesso modesto, ma sulla distribuzione delle vendite nelle settimane è enorme. Integrare dati meteo storici (ad esempio tramite API come OpenWeather) può migliorare sensibilmente le previsioni di breve periodo.

Misurare la Qualità di una Previsione

Una previsione senza misura dell'errore è solo un'opinione. Le metriche più usate sono:

• MAE (errore assoluto medio): quanto si sbaglia in media, nella stessa unità dei dati.
• MAPE (errore percentuale assoluto medio): intuitivo, ma esplode quando le vendite reali sono vicine a zero, cosa frequente a livello di articolo.
• WAPE (errore percentuale ponderato): somma degli errori assoluti divisa per la somma delle vendite. Più stabile del MAPE e molto usato nel retail.

La valutazione va fatta con un backtest: si addestra il modello sui dati fino a una certa data, si prevedono le settimane successive e si confronta con quanto venduto davvero. Ripetendo l'operazione su più finestre temporali si ottiene una stima affidabile di quanto il modello sbaglierà in futuro.

Ed è fondamentale comunicare l'incertezza: invece di "venderemo 120 pezzi", molto meglio "venderemo tra 95 e 145 pezzi con l'80% di probabilità". Un intervallo di previsione aiuta a decidere quanta scorta di sicurezza tenere.

Dove i Modelli si Fermano

Bisogna essere onesti sui limiti. Nessun modello statistico può prevedere:

• il successo di un prodotto davvero nuovo senza articoli simili nel passato;
• l'effetto di una tendenza che esplode sui social in poche settimane;
• shock esterni come chiusure improvvise o cambiamenti nel comportamento dei consumatori.

In questi casi la previsione statistica diventa un punto di partenza da integrare con l'esperienza di buyer e responsabili commerciali. I modelli migliori non sostituiscono il giudizio umano: lo rendono più informato e lo liberano dalle previsioni di routine, così da concentrarlo sui casi che contano.

Conclusioni

Le serie storiche funzionano anche nella moda, a patto di cambiare prospettiva: prevedere a livello di negozio e categoria, ripartire poi sugli articoli, trattare con attenzione saldi, calendario e rotture di stock. Partire da un benchmark semplice, misurare l'errore con backtest rigorosi e comunicare l'incertezza sono le abitudini che separano una previsione utile da un numero che nessuno usa. La statistica non elimina il rischio di comprare troppo o troppo poco, ma lo rende misurabile, e quindi gestibile.