Creato il 5 novembre 2026

Demand planning: cos’è, a cosa serve e come funziona

Ricercatrice degli Osservatori Artificial Intelligence e Supply Chain Planning

Indice degli argomenti

Demand planning in breve

Il demand planning è il processo con cui un’azienda costruisce il piano della domanda futura per tutti i suoi prodotti, clienti, mercati e canali.
Non coincide con il forecast: la previsione statistica è il punto di partenza, il demand planning la arricchisce con le informazioni di mercato e la trasforma in un piano.
Un processo ben impostato riduce scorte e rotture di stock, migliora il livello di servizio e dà a produzione e acquisti un riferimento affidabile.
Secondo l’Osservatorio Supply Chain Planning della POLIMI School of Management, la volatilità della domanda preoccupa il 57% delle imprese manifatturiere che operano in Italia.

Questo articolo è stato realizzato dall’Osservatorio Supply Chain Planning. Spiega cos’è il demand planning, perché è diventato così importante, come funziona, quali errori evitare, chi se ne occupa e a che punto sono le imprese italiane.

Cos’è il demand planning

Il demand planning, o pianificazione della domanda, è il processo con cui un’azienda definisce quanto, cosa, quando e dove venderà: per tutti i prodotti, i clienti, i mercati e i canali distributivi serviti. Il risultato è il piano della domanda, il riferimento su cui la supply chain organizza risorse e scorte.

Il demand planning non va confuso con il forecasting. Il forecast è un numero, calcolato con modelli statistici o di machine learning, soprattutto a partire dai dati storici. Il demand planning è un processo: parte da quel numero, lo analizza e lo corregge con le informazioni che il modello non considera, come promozioni, lanci di nuovi prodotti, variazioni di prezzo o l’arrivo di un nuovo cliente.

Il piano della domanda diventa poi l’input del Sales & Operations Planning (S&OP), il processo in cui la domanda viene confrontata con la capacità produttiva e di approvvigionamento, e in cui vendite e operations prendono le decisioni insieme. Quando il confronto si estende alla finanza e agli obiettivi economici si parla di Integrated Business Planning (IBP). In sintesi: il forecast è il punto di partenza del demand planning, e il piano della domanda è il punto di partenza dell’S&OP.

A cosa serve il demand planning e perché è importante

Quasi tutte le decisioni della supply chain partono da una stima della domanda: quanto produrre, quanto acquistare, quante scorte tenere e dove posizionarle. Il demand planning serve a dare a queste decisioni una base unica e affidabile.

Serve anche a gestire i compromessi tra disponibilità del prodotto, costi, capitale immobilizzato e capacità produttiva. Ridurre le scorte, per esempio, aumenta il rischio di rotture di stock; alzare il livello di servizio richiede più capitale e più capacità. Un buon piano della domanda permette di trovare l’equilibrio giusto invece di ottimizzare un aspetto a scapito degli altri.

Oggi questo compito è più difficile di qualche anno fa. Secondo l’Osservatorio Supply Chain Planning del Politecnico di Milano, la volatilità della domanda è il secondo rischio più sentito dalle imprese manifatturiere che operano in Italia (57%), dopo instabilità geopolitica e dazi (65%). Picchi improvvisi e cali di ordini non sono più eccezioni, ma una condizione strutturale. Per questo il demand planning deve dialogare sempre di più con il risk management e con la simulazione di scenari, così da valutare in anticipo l’impatto di possibili cambiamenti della domanda.

Rischi per la supply chain maggiormente percepiti dalle aziende operanti in Italia. Fonte: Osservatorio Supply Chain Planning, Ricerca 2026.

Quali sono i vantaggi del demand planning

Una previsione sbagliata ha conseguenze concrete: magazzini pieni di invenduto da una parte, clienti senza prodotto dall’altra. Un processo di demand planning ben impostato porta invece benefici a tutta l’azienda:

Scorte più equilibrate: meno capitale immobilizzato e meno prodotti obsoleti o invenduti.
Livello di servizio più alto: i prodotti sono disponibili quando il cliente li chiede.
Piani più stabili: produzione e acquisti lavorano su numeri affidabili, con meno cambi di programma all’ultimo momento.
Meno costi extra: meno trasporti urgenti, straordinari e svalutazioni di magazzino.
Decisioni migliori: l’S&OP e la pianificazione finanziaria partono da un piano della domanda condiviso, invece che da stime diverse per ogni funzione.

Come funziona il demand planning e quali strumenti si usano

Il demand planning è un ciclo che si ripete a intervalli regolari, spesso con cadenza mensile. Per capire come funziona, prendiamo l’esempio di un’azienda che produce condizionatori.

Raccolta e preparazione dei dati. Si parte dallo storico delle vendite o degli ordini, con la granularità scelta (giornaliera, settimanale o mensile). Insieme ai numeri si raccolgono le informazioni che spiegano l’andamento: promozioni passate, eventi anomali, periodi in cui un modello era esaurito. Se a luglio un condizionatore è andato esaurito, le vendite registrate sono più basse della domanda reale e il dato va corretto.
Previsione statistica. Sui dati preparati vengono applicati i modelli di previsione, che cercano nei dati regolarità come trend e stagionalità: per esempio, il picco di vendite tra maggio e luglio. Il risultato è la baseline, la prima stima della domanda.
Arricchimento con le informazioni di mercato. La baseline viene corretta con ciò che il modello non considera: una promozione in primavera con una catena di elettronica, il lancio di un nuovo modello più efficiente, una variazione di listino. Il risultato è il piano della domanda, che passa poi all’S&OP.
Monitoraggio e apprendimento. A fine periodo la previsione viene confrontata con la domanda reale. Si analizzano gli scostamenti e le loro cause, e le lezioni apprese migliorano il ciclo successivo. È il passaggio più trascurato, ma è l’unico che permette al processo di migliorare nel tempo.

Quali sono i metodi di previsione

Per la previsione statistica non esiste un metodo migliore in assoluto. La scelta dipende dai dati disponibili, dal tipo di prodotto e dall’orizzonte di previsione. I metodi qualitativi si basano sul giudizio di esperti e servono quando mancano dati storici. I metodi basati sulle serie storiche (media mobile, exponential smoothing, Holt-Winters) usano solo l’andamento passato delle vendite. I modelli causali collegano la domanda a fattori esterni come prezzo, promozioni o meteo. Gli algoritmi di machine learning combinano molte variabili insieme e danno buoni risultati con grandi quantità di dati, ma richiedono dati di qualità e competenze specifiche.

Tipo di domanda	Metodo più adatto
Nuovo prodotto, senza storico	Metodi qualitativi (giudizio di esperti) o analogia con prodotti simili
Stabile	Media mobile, exponential smoothing
Con trend e stagionalità	Holt-Winters
Legata a prezzi e promozioni	Modelli causali (regressione)
Intermittente, con molti periodi a zero	Metodi specifici, come il metodo di Croston (tipico dei ricambi)
Molti prodotti, molti dati e molte variabili	Machine learning

Nella pratica le aziende combinano più metodi, scegliendo quello più adatto a ciascuna famiglia di prodotti.

Come si misurano i risultati

Il monitoraggio si basa su pochi KPI che confrontano previsione e realtà:

la forecast accuracy indica quanto la previsione si avvicina alla realtà, mentre MAPE e WMAPE misurano l’errore medio in percentuale; il WMAPE dà più peso ai prodotti con volumi maggiori;
il bias indica se l’errore va sempre nella stessa direzione, cioè se si tende a sovrastimare o a sottostimare la domanda in modo sistematico;
il Forecast Value Added (FVA) verifica se ogni passaggio del processo, comprese le correzioni manuali, migliora davvero la previsione.

Qual sono gli strumenti per il demand planning

Gli strumenti vanno scelti in base alla complessità dell’azienda: numero di prodotti, canali, mercati e persone coinvolte.

Excel è ancora molto diffuso, soprattutto nelle aziende più piccole. È flessibile e conosciuto da tutti, ma mostra i suoi limiti quando i prodotti aumentano: gestisce male grandi volumi di dati, è soggetto a errori nelle formule e rende difficile lavorare in più persone sullo stesso file.
Sistemi non integrati (es.ERP base) che includono i moduli per gestione degli ordini, magazzino e produzione, ma offrono spesso modelli di previsione semplici.
Diversi moduli integrati (es. APS) collegano la previsione alla pianificazione di produzione e approvvigionamenti, e sono adatti alle aziende manifatturiere con vincoli di capacità complessi.
Suite end-to-end integrate, che includono piattaforme specializzate di demand planning.

Prima di scegliere uno strumento, però, è necessario formalizzare il processo: un software non può creare un processo che non esiste, ma, se applicato a un processo chiaro e ben strutturato, può renderlo molto più efficace.

Quali sono gli errori più comuni nel demand planning

Molti problemi del demand planning non dipendono dai modelli o dagli strumenti, ma da come viene gestito il processo. Questi sono gli errori più frequenti:

Prevedere le vendite invece della domanda: se a luglio un’azienda vende 800 unità perché ne ha solo 800 in magazzino, ma i clienti ne avrebbero comprate 1.000, partire da 800 per l’anno successivo significa ripetere lo stesso errore.
Confondere previsione e obiettivo: il budget dice quanto si vuole vendere, la previsione quanto è probabile vendere. Se la previsione viene forzata a coincidere con l’obiettivo, smette di segnalare i rischi.
Guardare solo all’accuratezza e ignorare il bias: una previsione che ogni mese supera le vendite del 3% sembra accurata, ma se produzione e acquisti seguono quel numero, l’eccesso si accumula mese dopo mese in scorte invendute.
Correggere tutto a mano: le correzioni manuali su ogni prodotto richiedono tempo e spesso non migliorano la previsione, o addirittura la peggiorano, perché si basano su sensazioni o su ottimismo non verificato. Vanno concentrate dove l’FVA dimostra che servono, come promozioni e nuovi lanci.
Usare un solo metodo per tutti i prodotti: un modello adatto ad un prodotto caratterizzato da una forte stagionalità dà risultati sbagliati per un prodotto con una domanda irregolare, come i pezzi di ricambio.
Non avere un responsabile del processo: senza qualcuno che guidi il ciclo, ogni funzione finisce per usare i propri numeri e le informazioni utili, come una promozione decisa dal Marketing, non arrivano nel piano.

Qual è il ruolo del demand planner

Il processo ha bisogno di una figura che lo guidi: il demand planner. Non è solo un analista che fa calcoli, ma il punto di raccordo tra i dati e le funzioni che guardano la domanda da prospettive diverse. Le sue attività principali sono:

preparare e pulire i dati storici;
scegliere, applicare e aggiornare i modelli di previsione;
raccogliere le informazioni di mercato da vendite e Marketing;
misurare i KPI e spiegare le cause degli errori;
mettere in discussione le ipotesi poco realistiche, anche quando arrivano dalle vendite.

Servono quindi due tipi di competenze: quelle analitiche (statistica, gestione dei dati, conoscenza degli strumenti) e quelle relazionali (ascolto, mediazione, comunicazione).

Il ruolo sta cambiando con l’Intelligenza Artificiale, che può produrre la baseline, individuare pattern e automatizzare le attività più ripetitive. Durante il convegno “Pianificare la Supply Chain nello stormo di cigni neri“, Roberto Cigolini, Direttore dell’Osservatorio Supply Chain Planning, ha spiegato: “S’individua un progressivo spostamento verso la supervisione dei sistemi, l’interpretazione degli output e il supporto alle decisioni, mantenendo centrale la capacità di valutazione del planner. Per accompagnare questo percorso servono nuove competenze e un approccio più strutturato alla formazione e alla gestione del cambiamento“.

La valutazione umana resta quindi centrale, soprattutto quando il contesto è instabile o i dati sono incompleti.

Qual è lo stato del demand planning in Italia

I dati della Ricerca 2026 dell’Osservatorio Supply Chain Planning mostrano imprese che si stanno adattando a un contesto sempre più incerto, con alcuni segnali incoraggianti e diversi nodi ancora da sciogliere.

Il primo segnale riguarda le priorità. Tra le leve che le imprese intendono adottare nei prossimi dodici mesi per mitigare i rischi ci sono soprattutto la formalizzazione di un piano di contingenza (23%) e il miglioramento del demand forecasting (20%), mentre le strategie strutturali, come la revisione del network logistico-produttivo, restano marginali. In altre parole, il prossimo passo che le imprese vogliono compiere è pianificare meglio, non riconfigurarsi.

Il secondo riguarda la misurazione. Le imprese senza un processo strutturato di monitoraggio delle prestazioni sono scese dal 52% nel 2024 al 13% nel 2026, e l’accuratezza delle previsioni è tra i KPI misurati più spesso. Il divario tra imprese di dimensioni diverse resta però ampio: la quota di imprese ancora senza un processo strutturato sale al 39% tra le PMI, contro il 9% delle grandi e il 4% delle grandissime.

Il terzo riguarda l’Intelligenza Artificiale. Il demand planning è l’ambito più citato per i progetti di AI nella pianificazione della supply chain (23%), davanti a order management (18%) e gestione delle scorte (13%), ma solo il 25% delle imprese ha almeno un progetto di AI attivo, a regime o in fase pilota. Il freno principale non è la tecnologia: l’86% delle imprese ritiene che le soluzioni sul mercato siano abbastanza mature. Il vero ostacolo sono le competenze interne, indicate come prima barriera dal 38% delle grandi imprese e dal 43% delle PMI.

Il demand planning dei prossimi anni sarà quindi aggiornato con maggiore frequenza e sempre più integrato con il risk management e con gli altri processi di pianificazione. L’obiettivo non è automatizzare completamente la decisione, ma combinare dati, tecnologia ed esperienza per rendere l’azienda più pronta a reagire ai cambiamenti.