Quando il passato non è una baseline: il cliente perso

Pastificio italiano di pasta fresca, 104 settimane di colli spediti, un cliente chiave perso a metà, che chiedeva il volume business as usual del prossimo anno.

Un caso composito, costruito sul tipo di file che vediamo quasi ogni settimana. Un pastificio di pasta fresca in Emilia, circa 140 persone, che spedisce a catene di supermercati in Italia e in Austria. Una di quelle catene, un discount, ha spostato la pasta fresca sulla marca del distributore e ha ritirato l’ultima consegna a metà dicembre 2025. Valeva circa il 18% del volume.

La richiesta era la stessa del post precedente di questo percorso, quasi parola per parola: «Dateci il prossimo anno se non cambiamo niente, così vediamo cosa devono riempire i clienti nuovi.»

La differenza è che qui la risposta onesta era che il file, così com’era, non poteva darglielo.

Com’era il file

104 righe settimanali, da ottobre 2024 a settembre 2026, una colonna: i colli spediti in totale. Prima del break, circa 180.000 colli al mese; dopo, circa 146.000. Un gradino netto, visibile a chiunque guardasse il grafico per due secondi.

Due cose non erano nel file. Non c’era una colonna che dicesse a quale cliente andavano i colli, quindi la perdita era invisibile a qualunque modello lo leggesse. E dopo il break c’erano solo 38 settimane, meno di un anno intero, quindi l’azienda rimasta non era mai stata osservata attraverso un Natale.

Cosa ha fatto la baseline, e perché è sbagliata

La Previsione della baseline stima un Holt-Winters: un livello, un trend e una stagionalità di 52 settimane, smorzati in modo che le settimane recenti pesino di più. È un buon strumento per un’azienda che il prossimo anno si comporta più o meno come negli ultimi due. Questa era stata due aziende in due anni.

Con il file così com’era, il modello ha fatto esattamente quello per cui è costruito. Ha visto il livello scendere di un quinto in poche settimane e aveva due modi per spiegarlo: uno spostamento di livello o un trend. Lo smorzamento esponenziale non conosce la differenza fra «un cliente se n’è andato» e «la domanda si sta erodendo», quindi una parte del calo è finita nel trend, e il trend si proietta in avanti. La previsione continuava a scendere, mese dopo mese, e atterrava il prossimo anno a 1,57 milioni di colli: circa il 10% sotto gli 1,75 milioni a cui l’azienda già girava da gennaio.

Anche la stagionalità era sbagliata. Il picco di Natale nella previsione era stato imparato soprattutto da dicembre 2024, quando il discount era ancora cliente e ordinava forte per le feste. Il modello stava proiettando il Natale di qualcun altro.

E l’intervallo al 95% era largo, il che potrebbe sembrare onestà. Non era il tipo giusto. Un intervallo descrive il rumore che il modello ha visto intorno alla sua storia. Quando la storia è sbagliata, una banda larga intorno non la rende giusta; la rende solo più difficile da contestare.

Cosa sarebbe andato storto forzando

Pianificare su 1,57 milioni avrebbe fissato l’obiettivo per i clienti nuovi circa 180.000 colli troppo in alto, perché il divario avrebbe incluso un calo che non stava succedendo. Le vendite avrebbero inseguito volume per riempire un buco fatto in parte di aritmetica. Peggio, il prossimo anno l’azienda avrebbe battuto comodamente la sua baseline e avrebbe concluso che i nuovi clienti avevano funzionato, quando gran parte del «battere» era l’errore della previsione stessa.

La scorciatoia opposta non è migliore. Stimare solo le 38 settimane dopo il break dà un modello senza nessuna stagionalità, perché non ha mai visto un dicembre senza il discount. Pianificherebbe la produzione di Natale su una settimana media.

Cosa fare invece

La soluzione non stava nel modello. Stava nel file.

1. Ricostruire la serie a perimetro costante. Il sistema di fatturazione sapeva esattamente cosa aveva comprato il discount ogni settimana. Sottraendolo da tutte le 104 settimane è uscita la storia dell’azienda che esiste ancora, con dentro due Natali completi. Ricostruita, quell’azienda cresce di circa il 2% l’anno, con un picco di dicembre pulito. Quella è una baseline.
2. Eseguire la baseline sulla serie ricostruita. Il prossimo anno è uscito a 1,84 milioni di colli, circa il 2% sopra lo storico a perimetro costante, con un intervallo di qualche punto percentuale da entrambi i lati. Niente di entusiasmante. Corretto, per quanto possono dire due anni.
3. Pianificare la sostituzione a parte. I nuovi clienti vanno sopra, come una linea propria, con la propria incertezza. Sono una decisione commerciale, non una parte del business as usual.

Quando lo shock non si può togliere in modo così pulito, per esempio un incendio in stabilimento che ha fermato la produzione per sei settimane, le opzioni sono simili: sostituire le settimane perse con una stima e dirlo, oppure passare alle Serie storiche e modellare lo shock in modo esplicito con una dummy, che funziona solo se ci sono abbastanza settimane da entrambi i lati. Se nessuna delle due è possibile, la baseline onesta è un giudizio messo per iscritto con le sue ragioni, e ristimato quando esiste un anno intero dopo lo shock.

La lezione

Una baseline estrapola il passato, quindi eredita tutto quello che il passato contiene. Se lo storico include un evento che non si ripeterà, il modello lo porterà avanti come se fosse l’azienda. Prima di chiederti come sarà il prossimo anno se non cambia niente, controlla che gli ultimi due anni siano stati la stessa azienda. Se non lo sono stati, ricostruisci prima lo storico: nessun metodo di previsione può fare quel passo al posto tuo.