Vai al contenuto principale
Previsione della domanda

Forecast Value Added (FVA): come misurare cosa aggiunge valore alle tue previsioni della domanda

Aggiornato
19 novembre 2026
Tempo di lettura
11 min di lettura
Che cos’è il Forecast Value Added (FVA) e come calcolarlo.
Torna al blog

Il Forecast Value Added (FVA) permette di verificare se le diverse fasi di elaborazione di una previsione ne migliorano o peggiorano il risultato rispetto a un riferimento. Una previsione può passare dal modello statistico alla revisione del pianificatore, agli aggiustamenti commerciali e a una riunione di consenso. Approvare una versione finale, però, non significa che sia più accurata di quella iniziale.

In molte aziende si misura l’errore della previsione approvata, ma non si conservano informazioni sufficienti per capire cosa sia successo durante le revisioni. Quando la previsione risulta errata, è difficile distinguere se il problema dipende dal modello, da un aggiustamento commerciale o da una decisione presa durante il consenso.

Analizzare il FVA aiuta a rispondere a una domanda precisa: quali passaggi migliorano davvero la previsione della domanda e quali andrebbero rivisti?

Che cos’è il Forecast Value Added e a cosa serve

Il Forecast Value Added è la variazione di una metrica di performance previsionale quando si confronta una fase del processo con un riferimento definito. Serve a valutare se il lavoro svolto sulla previsione produce un miglioramento osservabile. La metodologia esamina sia i modelli sia gli interventi successivi, come illustrato nell’analisi del Forecast Value Added di SAS.

Cosa misura il FVA nel processo di previsione

Il FVA misura la differenza di performance tra due versioni confrontabili. Può essere usato per verificare se un modello statistico supera una previsione semplice, se la revisione del pianificatore migliora il modello o se i contributi commerciali riducono l’errore della versione precedente.

Il riferimento scelto determina cosa stiamo valutando. Confrontare la previsione consensuale con quella statistica mostra l’effetto complessivo delle revisioni successive. Confrontarla solo con l’ultima versione commerciale permette di analizzare il cambiamento introdotto durante il consenso.

Dire che una previsione ha un FVA positivo offre quindi poche informazioni se non si specificano la versione di confronto, la metrica utilizzata e il set di dati valutato.

Differenze tra FVA, forecast accuracy e BIAS

La forecast accuracy esprime l’accuratezza di una previsione secondo la metrica utilizzata. Il forecast BIAS permette di individuare una tendenza sistematica a prevedere valori superiori o inferiori alla domanda osservata. Il FVA analizza come cambia questa performance tra le versioni.

Una previsione può avere un errore relativamente basso e, comunque, fare peggio di un riferimento più semplice. Può anche migliorare molto rispetto al punto di partenza e restare insufficiente per determinate decisioni di acquisto o produzione.

Il FVA deve basarsi su metriche di performance; non le sostituisce. È utile valutare sia l’entità sia la direzione dell’errore, perché ridurre il bias non garantisce una riduzione anche dell’errore assoluto.

Due professionisti esaminano le previsioni.

Quali dati ti servono per analizzare il FVA

Per analizzare il FVA devi conservare le versioni della previsione, sapere quando sono state generate e disporre del risultato osservato con cui valutarle. Le registrazioni devono permetterti di ricostruire i confronti senza usare informazioni che non erano ancora disponibili al momento di ogni decisione.

Registrare la previsione di riferimento e le versioni successive

Una sequenza di analisi può includere:

  • Previsione naïve: un riferimento semplice, come ripetere l’ultimo valore noto o quello dello stesso periodo dell’anno precedente.
  • Previsione statistica: la previsione generata dal modello prima degli aggiustamenti umani.
  • Previsione rivista dal pianificatore: la versione che incorpora le modifiche derivanti dalla sua analisi.
  • Previsione commerciale: la previsione arricchita con informazioni su clienti, promozioni o altri eventi.
  • Previsione consensuale: la versione approvata che alimenterà la pianificazione.

Il metodo naïve deve essere adatto alla serie. Ripetere il mese precedente può offrire un riferimento poco significativo in presenza di una stagionalità marcata.

Oltre al valore previsto, è utile registrare la data, il responsabile, la fase e il motivo di ogni modifica. In questo modo puoi collegare il risultato al tipo di intervento. La documentazione di Arkieva sulla valutazione delle previsioni descrive questo confronto tra la previsione iniziale e le sue modifiche.

Confrontare lo stesso orizzonte, le stesse referenze e lo stesso livello di dettaglio

Le versioni devono essere valutate sugli stessi prodotti, ubicazioni, periodi e unità di misura. Confrontare una previsione mensile per famiglia con una settimanale per SKU introduce differenze che impediscono di interpretare direttamente il FVA.

Devi considerare anche il momento di generazione. Una revisione effettuata poco prima della chiusura del mese può disporre di ordini che non esistevano quando è stata calcolata la previsione iniziale. Il suo vantaggio non va attribuito automaticamente a una migliore capacità di giudizio.

Se tra le fasi entrano nuove informazioni, è opportuno esplicitarlo e, quando possibile, generare un riferimento aggiornato con cui confrontare l’aggiustamento. Il miglioramento osservato va interpretato considerando quali informazioni fossero disponibili per ogni versione.

Utilizzare una misura coerente della domanda reale

Prima di calcolare l’errore devi definire cosa considerare domanda osservata: ordini ricevuti, vendite, unità spedite o un’altra variabile adatta all’obiettivo della previsione.

Queste grandezze non sono intercambiabili. In caso di rottura di stock, le vendite possono essere inferiori alla domanda non soddisfatta. Valutare le previsioni su quelle vendite senza considerare il vincolo può favorire previsioni troppo basse.

Anche resi, cancellazioni e correzioni dello storico richiedono regole stabili. Se la domanda persa viene stimata, la stima deve essere identificata come tale e applicata in modo coerente a tutte le versioni confrontate.

Come si calcola il Forecast Value Added

Quando usi una metrica di errore in cui un valore più basso indica un risultato migliore, il FVA si ottiene sottraendo l’errore della versione valutata a quello del riferimento. Perché il calcolo abbia senso, entrambe le misurazioni devono utilizzare la stessa metrica e le stesse osservazioni.

Scegliere la metrica e definire il segno del risultato

La formula di base è:

FVA = errore del riferimento − errore della versione valutata

Con questa convenzione:

  • FVA positivo: la versione valutata riduce l’errore.
  • FVA negativo: la versione valutata aumenta l’errore.
  • FVA pari a zero: la performance non cambia secondo quella metrica.

Se usi il MAE, il risultato mantiene l’unità della variabile prevista. Quando sottrai errori percentuali, la differenza si esprime in punti percentuali: passare dal 20% al 15% significa migliorare di 5 punti, non ottenere una riduzione relativa del 5%.

La metrica deve essere adatta ai dati. Il MAPE, per esempio, presenta problemi quando la domanda reale è pari a zero e può non essere adatto a serie con molti periodi senza consumo. La scelta della metrica e il trattamento di questi casi devono restare coerenti per tutta l’analisi.

Calcolare il FVA di ogni fase e dell’intero processo

È utile distinguere due confronti:

Il FVA incrementale confronta una fase con quella immediatamente precedente. Permette di individuare dove la previsione migliora o peggiora.

Il FVA cumulato confronta ogni versione con un riferimento comune, come la previsione naïve. Mostra quanta parte del miglioramento ottenuto dall’inizio viene mantenuta nel processo.

Una fase può avere un FVA incrementale negativo e mantenere comunque un FVA cumulato positivo. Succede quando peggiora una previsione precedente che superava già ampiamente il riferimento iniziale.

Dirigenti discutono del Forecast Value Added.

Esempio di FVA con una previsione statistica e aggiustamenti commerciali

L’esempio seguente mostra come cambia l’errore di una stessa referenza lungo il processo. Tutti i dati sono ipotetici e riguardano lo stesso prodotto, la stessa ubicazione e lo stesso mese, con una domanda osservata di 1.000 unità.

Confrontare il riferimento, il modello e la previsione aggiustata

Supponiamo che le versioni vengano registrate prima del periodo previsto e che gli aggiustamenti successivi al modello siano effettuati senza introdurre nuovi ordini tra le fasi. L’errore assoluto è la distanza tra ogni previsione e le 1.000 unità osservate.

FasePrevisioneErrore assolutoErrore percentuale assolutoFVA rispetto alla fase precedenteFVA rispetto al naïve
Riferimento naïve80020020%—0 punti
Previsione statistica950505%+15 punti+15 punti
Revisione del pianificatore980202%+3 punti+18 punti
Aggiustamento commerciale1.15015015%−13 punti+5 punti
Previsione consensuale1.10010010%+5 punti+10 punti

Previsioni ed errori assoluti espressi in unità. FVA espresso in punti percentuali. Trattandosi di una sola osservazione, viene mostrato l’errore percentuale assoluto, non una media degli errori su più periodi.

Il calcolo dell’aggiustamento commerciale è:

FVA incrementale = 2% − 15% = −13 punti percentuali

Il calcolo dell’intero processo rispetto al riferimento naïve è:

FVA cumulato finale = 20% − 10% = +10 punti percentuali

Interpretare quale intervento migliora o peggiora il risultato

In questo caso, il modello statistico migliora il riferimento naïve e il pianificatore riduce ulteriormente l’errore. L’aggiustamento commerciale peggiora il risultato, mentre il consenso recupera una parte di quella perdita.

La versione finale supera la previsione naïve, ma è meno accurata della previsione statistica e della revisione del pianificatore. Osservare soltanto il risultato finale avrebbe nascosto questa differenza.

Prima di cambiare il processo, occorre capire perché la previsione sia stata aumentata a 1.150 unità. Era prevista una promozione? Esisteva un’opportunità commerciale non confermata? Un obiettivo di vendita era stato trasferito nella previsione?

Un solo risultato sfavorevole non dimostra che tutti gli aggiustamenti commerciali siano dannosi. Allo stesso modo, un singolo successo non conferma che l’ipotesi utilizzata fosse corretta. L’esempio indica quale intervento approfondire, non quale funzione debba smettere di partecipare.

Come utilizzare il FVA per migliorare la pianificazione della domanda

Il FVA diventa utile quando le sue conclusioni si traducono in regole di revisione: cosa merita attenzione, quali informazioni giustificano un cambiamento e quali interventi richiedono un esame più approfondito. La sua applicazione dovrebbe aiutarti a distribuire meglio lo sforzo dedicato alla previsione della domanda.

Individuare quando vale la pena modificare la previsione

Una modifica dovrebbe basarsi su informazioni rilevanti che il modello non ha incorporato: una promozione confermata, la perdita di un cliente o un cambiamento nell’assortimento, per esempio. È utile verificare anche se quell’effetto sia già incluso, per non conteggiarlo due volte.

Per valutare successivamente l’aggiustamento, puoi registrare l’evento che lo ha motivato, l’entità della modifica e il periodo in cui era atteso il suo impatto. Questo approccio è coerente con la raccomandazione di Forecasting: Principles and Practice di documentare e valutare sistematicamente il giudizio esperto.

Il FVA può aiutare a individuare schemi ricorrenti, ma non esiste una regola universale che renda utili tutti gli aggiustamenti grandi o superflui tutti quelli piccoli. La ricerca di Fildes, Goodwin e De Baets sul FVA nel demand planning mostra che l’effetto degli interventi varia tra set di dati e tipi di aggiustamento.

Dare priorità alla revisione per prodotto, orizzonte e tipo di evento

La media complessiva può nascondere un intervento che funziona sulle promozioni ma peggiora i prodotti stabili. Conviene quindi suddividere i risultati in segmenti con un numero sufficiente di osservazioni.

Una prima segmentazione può distinguere prodotti stabili, stagionali, promozionali e nuovi lanci. Successivamente puoi analizzare orizzonti, canali o motivi dell’aggiustamento.

Potresti decidere di mantenere le revisioni commerciali per le promozioni confermate e limitare le correzioni ricorrenti delle referenze stabili quando non ci sono nuove informazioni. Il forecast collaborativo diventa più utile quando i contributi hanno uno scopo chiaro e i risultati vengono riesaminati.

Valutare il miglioramento rispetto al tempo e al costo della revisione

Un FVA positivo non equivale automaticamente a redditività. Un piccolo miglioramento può richiedere molte ore e cambiare poco le decisioni successive. Un altro può essere rilevante se riguarda un materiale critico o un impegno di servizio.

Per valutare lo sforzo, considera il tempo impiegato, la frequenza degli interventi e le conseguenze operative. Il miglioramento evita modifiche agli acquisti? Riduce le urgenze? Riguarda referenze con un impatto economico significativo?

Il FVA fornisce evidenze sulla performance previsionale. Per verificare il beneficio economico occorre valutare anche come viene utilizzata la previsione.

Riunione di revisione delle previsioni dedicata al FVA.

Errori che possono portare a interpretare male il FVA

Gli errori di interpretazione emergono quando si confrontano versioni diverse, si aggregano risultati che andrebbero separati o si attribuisce troppa importanza a un campione piccolo. L’analisi richiede criteri stabili e un contesto sufficiente a orientare le decisioni.

Trarre conclusioni da un solo ciclo o da una media aggregata

Un mese eccezionale può favorire una versione per motivi che non si ripeteranno. Conviene osservare più cicli e verificare se il miglioramento è costante prima di modificare una regola di lavoro.

Devi conservare anche un dettaglio sufficiente per individuare risultati opposti tra segmenti. Un FVA complessivo positivo può coesistere con un peggioramento persistente in una famiglia critica.

Non esiste un numero di periodi valido per ogni caso. La frequenza della domanda, la stagionalità e il numero di aggiustamenti disponibili determinano le evidenze necessarie.

Mescolare referenze modificate e non modificate senza distinguerle

Se modifichi solo una piccola parte del catalogo, calcolare il FVA su tutte le referenze può diluire l’effetto degli interventi.

Immagina di rivedere 50 referenze su 1.000. L’analisi degli aggiustamenti deve confrontare il prima e il dopo per quelle stesse 50 referenze. Il risultato delle 1.000 rimane utile per valutare l’intero processo, ma risponde a un’altra domanda.

Le referenze modificate possono inoltre essere proprio quelle più difficili. Confrontarne direttamente l’errore con quello delle referenze non modificate penalizzerebbe l’intervento senza misurare cosa sarebbe successo mantenendo la previsione originale.

Trasformare il FVA in una classifica delle persone

Due pianificatori possono gestire portafogli con livelli di difficoltà molto diversi. Confrontarli soltanto in base all’errore finale o al FVA medio può nascondere differenze di orizzonte, volatilità, informazioni disponibili e responsabilità.

L’analisi deve concentrarsi sulla comprensione di decisioni confrontabili: cosa è cambiato, sulla base di quali evidenze e cosa è successo dopo. Un intervento con FVA negativo può rivelare un problema informativo, un’ipotesi errata o una regola di approvazione poco chiara.

Usare l’indicatore per classificare le persone può scoraggiare aggiustamenti necessari e impoverire le informazioni condivise. La sua utilità consiste nel migliorare il processo e imparare dalle decisioni.

Dall’analisi del FVA a un processo di previsione più consapevole

Il Forecast Value Added aiuta a verificare se il lavoro dedicato alla revisione di una previsione ne migliora il risultato. Per sfruttarlo servono versioni conservate, dati confrontabili e una spiegazione delle modifiche. Su questa base, l’azienda può individuare interventi utili, rivedere abitudini che non producono miglioramenti e concentrare l’attenzione dove esistono informazioni rilevanti.

Quando il catalogo cresce e partecipano più funzioni, mantenere questa disciplina richiede dati condivisi e un processo di pianificazione ben organizzato. Un software di pianificazione della domanda può facilitare l’integrazione tra modelli, conoscenza del business e monitoraggio delle previsioni.

SCP Studio permette di costruire previsioni combinando dati storici, modelli avanzati e contributi del business attraverso il nostro software di demand planning. Se vuoi valutare come organizzare questo processo nella tua azienda, puoi richiedere una demo con i nostri esperti partendo da una situazione concreta: quali previsioni utilizzi, chi le modifica e come ne valuti oggi il risultato.

Iscriviti alla nostra newsletter e trasforma la tua gestione!

Ricevi aggiornamenti e risorse preziose che ti aiuteranno a ottimizzare il tuo processo di acquisto e approvvigionamento.