Forecasting e planning cycles aziendali

Questa lezione cammina sul binario tabellare, come tutto il modulo: ciò che conta è ridurre ogni ragionamento a tabelle, passi numerati e verifiche ripetibili. Ogni trimestre un’azienda deve prevedere domanda, capacità, ricavi e costi prima di avere dati certi; qui vediamo come l’analista lavora dentro un ciclo decisionale ricorrente, dove scenari, assunzioni e aggiornamenti contano quanto il numero finale. Un forecast utile non promette certezza. Esplicita i driver, cioè le variabili che muovono il risultato, dichiara l’incertezza, fissa i momenti di revisione e lega ogni scenario alla decisione che lo aspetta.

Il forecasting in una frase

Il forecasting aziendale è il processo ricorrente che traduce driver, assunzioni e scenari in decisioni di budget, organico e prezzi, tutto prima che i dati siano certi. Formule e modelli servono solo dentro questo processo: senza una decisione appesa al numero, restano esercizio.

La procedura in cinque passi

1. Fissa decisione, orizzonte e granularità del ciclo che usa il forecast.
2. Elenca driver, assunzioni e fonti con baseline dichiarata.
3. Costruisci tre scenari con caso base come valore atteso.
4. Riconcilia stima operativa con target direzionale e quantifica il gap con azioni verificabili.
5. Fissa soglia di revisione, date di aggiornamento e controlli sui dati prima di decidere.

Perché il forecast è coordinamento, non profezia

Leggi il forecasting come coordinamento tra previsione e responsabilità. Il numero finale serve poco se nessuno sa quale ciclo di planning lo usa; serve anche sapere quale driver spiega lo scostamento principale, e serve presentare lo scenario come ipotesi di lavoro, non come promessa. Se manca una di queste condizioni, il forecast resta una slide efficace che non cambia alcuna scelta.

Il valore di un forecast si misura sulla decisione che abilita. Se il numero non cambia budget, assunzioni o prezzi, è arrivato troppo tardi oppure è troppo aggregato per essere usato.

I cicli di planning: chi decide cosa e quando

Ogni azienda opera su tre cicli di planning sovrapposti, con scopo e dettaglio diversi:

Ciclo	Frequenza	Orizzonte	Granularità	Chi lo guida
Strategico	Annuale	3-5 anni	Annuale, per business unit	CEO + Board
Operativo	Trimestrale	12-18 mesi	Mensile, per dipartimento	CFO + FP&A
Tattico	Mensile / Settimanale	1-3 mesi	Settimanale/giornaliero	Team leader

Il forecast mensile è quello che pesa di più sull’operatività: è il segnale che dice se siamo in linea oppure se serve cambiare rotta. Entro il giorno 5 del mese, ogni team leader dovrebbe sapere se il mese precedente è sopra o sotto il target.

Verdetto: usa lo strategico per la direzione, l’operativo per l’allocazione e il tattico per la correzione settimanale.

I tre errori che uccidono un forecast

Tre errori si alimentano a vicenda e mandano fuori strada qualsiasi previsione:

1. Anchoring bias: ci si ancora al numero dell’anno scorso e lo si aumenta del 10%. Il passato non predice il futuro quando mercato o prodotto sono cambiati.
2. Survivorship bias nelle assunzioni: si scrive che il churn resterà al 4% mentre negli ultimi tre mesi è salito. Le assunzioni devono seguire il trend recente, non la media storica.
3. Single point forecast: si comunica un solo numero invece di un range. Un forecast utile dice “Revenue Q3: 82-94M, caso base 88M”, non solo “Revenue Q3: 88M”.

Verdetto: chi fissa un solo numero senza range e senza assunzioni datate produce una slide, non un forecast.

Il modello a tre scenari

La pratica standard in FP&A è costruire tre scenari invece di uno:

Best Case:  tutte le assunzioni ottimistiche si realizzano (top 20%)
Base Case:  assunzioni più probabili (valore atteso)
Worst Case: tutte le assunzioni pessimistiche si realizzano (bottom 20%)

Il caso base non è la media tra best e worst: è il valore atteso, basato sulle probabilità reali di ogni driver. Prendiamo un forecast di nuovi clienti mensili, con traffico di 100K visite al mese (con scarto del 20%) e tasso di conversione del 2.5% (con scarto di 0.5pp). Qui i nuovi clienti sono il prodotto di traffico e conversione:

Best:  120K × 3.0% = 3.600
Base:  100K × 2.5% = 2.500
Worst:  80K × 2.0% = 1.600

Il range 1.600-3.600 dice molto più del punto 2.500. Se il budget marketing presuppone 3.000 nuovi clienti, il forecast avverte subito che il caso base è sotto budget.

Verdetto: tre scenari con caso base come valore atteso battono sempre il numero singolo.

Bottom-up e top-down: la vera riconciliazione

Il forecast bottom-up parte dai team operativi: ognuno stima le proprie metriche e il forecast finanziario è la somma. Il forecast top-down parte invece dal target del board, per esempio crescere del 30%, e adatta i numeri all’obiettivo. L’approccio corretto fa incontrare i due nel mezzo:

1. Il bottom-up genera il range realistico, per esempio “possiamo arrivare a 260-290M”.
2. Il top-down definisce il target, per esempio “dobbiamo arrivare a 300M per la prossima raccolta”.
3. Il gap, qui tra 10 e 40M, non si chiude con “lavoriamo di più”. Si chiude con un piano specifico: due nuovi canali di acquisizione oppure un aumento del 15% del tasso di conversione, con progetto dedicato.

Verdetto: il bottom-up dà il range possibile, il top-down dà il target dovuto, il piano chiude il gap.

Approcci semplici alle serie storiche

Non serve un modello di machine learning per un forecast utile: in molti casi tre approcci semplici battono modelli complessi. Il primo è il metodo naïve con stagionalità: il revenue del mese è quello dello stesso mese dell’anno scorso, moltiplicato per uno più il trend annuale. Funziona bene per business stagionali come retail e turismo. Il secondo è la media mobile con trend: media mobile a tre mesi più trend recente, adatta alla crescita costante. Il terzo è il run rate con aggiustamento: dati del mese corrente annualizzati per 12 e corretti per la stagionalità nota, utile per i SaaS a metà trimestre:

-- Naïve forecast con stagionalità annuale in SQL
WITH last_year AS (
  SELECT month, revenue
  FROM monthly_revenue
  WHERE year = EXTRACT(YEAR FROM CURRENT_DATE) - 1
),
annual_trend AS (
  SELECT AVG((this_year.revenue - last_year.revenue) / last_year.revenue) AS trend
  FROM monthly_revenue this_year
  JOIN last_year ON this_year.month = last_year.month
  WHERE this_year.year = EXTRACT(YEAR FROM CURRENT_DATE)
)
SELECT ly.month, ly.revenue * (1 + COALESCE(t.trend, 0)) AS forecast
FROM last_year ly, annual_trend t
ORDER BY ly.month;

Verdetto: per serie stagionali e SaaS in crescita costante, il metodo naïve stagionale e la media mobile con trend restano il punto di partenza prima di qualunque modello tabellare più complesso.

Controlli prima di usare un forecast

Prima di portare una previsione in decisione, controlla completezza, duplicati, timezone, definizioni cambiate e segmenti esclusi. Molte previsioni sofisticate falliscono perché il dato misura un comportamento diverso da quello dichiarato. Ricorda che la media aggregata è solo l’inizio: se due segmenti si muovono in direzioni opposte, il numero unico non rappresenta nessuno dei due. Esempio tipico: nel planning trimestrale il forecast dei ricavi migliora, ma il mix clienti cambia e la capacità del supporto resta limitata. Qui il forecast coordina risorse, rischi e scelte di scenario, non solo prevede un numero.

Il caso HubSpot del 2022

HubSpot ha descritto nel 2022 il proprio processo di pianificazione finanziaria sul blog aziendale. Il team FP&A raccoglie ogni trimestre le stime di 14 team owner sulle metriche chiave, le aggrega in un modello centrale e le riconcilia con il target del board in un ciclo di tre settimane. La regola operativa è netta: nessuno viene penalizzato per un forecast sbagliato, mentre viene penalizzato chi presenta un forecast deliberatamente ottimista. Il caso mostra che il forecast serve a prendere decisioni di allocazione, non a impressionare il board.

Domande per chiudere

1. Quale ciclo di planning decide l’allocazione trimestrale del budget?
2. Perché il caso base non è la media tra scenario ottimista e pessimista?
3. Come riconcili una stima operativa con un target del board quando resta un gap?
4. Quale controllo sui dati fai prima di portare un forecast in decisione?