Un’applicazione efficace di previsione della domanda con intelligenza artificiale per il settore dei ricambi auto: un caso reale dalla Turchia

Perché è importante prevedere la domanda di ricambi

Quando un’auto si guasta, i conducenti si aspettano che il ricambio giusto sia disponibile. Per i costruttori e le officine, mantenere un numero sufficiente di pezzi senza sovraccaricare i magazzini è un continuo equilibrio. Questo studio analizza come un uso intelligente dell’intelligenza artificiale possa aiutare le aziende del settore dei ricambi automobilistici a prevedere con maggiore precisione una domanda fortemente irregolare, risparmiando denaro e garantendo al contempo che i clienti restino sulla strada.

La sfida della domanda a intermittenza

I ricambi non si vendono in un flusso regolare e continuo. Molti articoli restano fermi per mesi senza ordini, per poi subire improvvisi picchi di richiesta. Gli autori definiscono questi schemi domanda intermittente e a fiocchi. In molti periodi la domanda è zero; quando arrivano gli ordini, le quantità possono variare molto. Gli strumenti classici di previsione, efficaci per beni di consumo abituali, faticano in questo contesto, portando spesso a scaffali vuoti o a costosi accumuli di scorte inutilizzate. Poiché i ricambi sono fondamentali per mantenere operativo l’equipaggiamento, previsioni errate possono compromettere la qualità del servizio e aumentare i costi.

Dalle regole tradizionali all’apprendimento dai dati

Per affrontare il problema, i ricercatori hanno esaminato sia metodi statistici consolidati sia approcci più recenti basati sui dati. Le tecniche tradizionali basate sui metodi di Croston sono state progettate specificamente per serie con molti zeri, ma mostrano limiti quando la domanda diventa altamente erratica. Metodi di machine learning più nuovi, come support vector machine, random forest e regressione lineare, e tecniche di deep learning come perceptroni multistrato, reti ricorrenti e reti LSTM, possono apprendere automaticamente schemi complessi dai dati. Tuttavia, ogni metodo ha punti di forza e debolezze propri, e nessun modello singolo è il migliore in tutte le situazioni.

Dati reali da un produttore di ricambi

Il team ha collaborato con un produttore turco che realizza componenti per sistemi di propulsione elettrica dei veicoli. Si sono concentrati su due ricambi ad alto valore particolarmente difficili da pianificare: uno con domanda intermittente e uno con domanda fortemente a fiocchi. Utilizzando 51 mesi di dati di vendita mensili reali, hanno ripulito e normalizzato i registri, quindi classificato i pattern di domanda con misure standard sulla frequenza di occorrenza della domanda e sulla sua variabilità. I dati sono stati divisi in set di addestramento e test in modo che i modelli fossero valutati su periodi non visti, rispecchiando la previsione nel mondo reale.

Permettere a molti modelli di votare insieme

Invece di affidarsi a un unico strumento di previsione, gli autori hanno costruito un ensemble di stacking, che può essere visto come una squadra di modelli i cui output sono combinati da un semplice modello di secondo livello. Innanzitutto, diversi modelli di machine learning e deep learning hanno prodotto previsioni in modo indipendente. Le loro predizioni sono state poi fornite a un modello di regressione lineare che ha imparato quanto fidarsi di ciascuno. Questo modello impilato è stato confrontato con i metodi basati su Croston e con ciascun metodo singolo, utilizzando misure di errore che catturano gli errori tipici e la loro grandezza rispetto alla domanda media. I ricercatori hanno inoltre usato riepiloghi grafici e test statistici per verificare se le differenze di prestazione fossero significative e non dovute al caso.

Cosa significano previsioni più intelligenti per l’azienda

Il modello in stacking ha prodotto costantemente le previsioni più accurate e stabili sia per la domanda intermittente sia per quella a fiocchi. I metodi di deep learning da soli hanno generalmente superato gli approcci tradizionali, ma la combinazione di più metodi ha dato i risultati migliori in assoluto. Per l’azienda partner, questo si è tradotto in scorte di sicurezza ridotte, meno articoli obsoleti sugli scaffali e un rischio minore di non riuscire a fornire i clienti in tempo. In termini semplici, lo studio dimostra che l’uso di una combinazione ben progettata di modelli AI può trasformare una domanda confusa e a intermittenza di ricambi in previsioni abbastanza affidabili da supportare magazzini più snelli e un servizio più affidabile.

Citazione: Albayrak Ünal, Ö., Erkayman, B. & Usanmaz, B. An effective AI infused demand forecasting application for automotive spare parts industry: a real case from Turkey. Sci Rep 16, 15661 (2026). https://doi.org/10.1038/s41598-026-44461-0

Parole chiave: domanda di ricambi, domanda intermittente, apprendimento ensemble, catena di fornitura automobilistica, previsione della domanda