Python per il Controllo di Gestione: Analisi Avanzata della Marginalità Retail con Pandas

Analisi della Salute Commerciale dell’Impresa

Tutti i principali fattori macroeconomici — inflazione, politiche promozionali aggressive e incremento dei costi logistici — stanno incidendo in modo significativo sulla riduzione dei margini nel settore retail. Nonostante questo, molte analisi direzionali continuano a focalizzarsi prevalentemente sulla crescita del fatturato, che rappresenta un indicatore parziale e spesso fuorviante della performance aziendale.

Un aumento delle vendite, soprattutto se accompagnato da un incremento degli sconti medi o dei costi variabili, non implica necessariamente un miglioramento della redditività complessiva.

Per questo motivo, l’obiettivo dell’analisi non è la semplice osservazione del volume d’affari, ma la valutazione strutturale della marginalità e della sua evoluzione nel tempo.

Obiettivo dell’analisi

Costruire un modello analitico in Python capace di:

• individuare aree geografiche e segmenti merceologici con deterioramento della marginalità;
• identificare anomalie nei trend temporali dei margini;
• monitorare la stabilità della redditività nel tempo;
• supportare decisioni su pricing, scontistica e allocazione delle risorse commerciali.

Struttura del modello analitico

Il sistema di analisi è progettato come una pipeline dati articolata su più livelli:

1. Segmentazione multi-dimensionale

L’analisi incrocia tre dimensioni fondamentali:

• area geografica (regioni);
• categoria di prodotto;
• dimensione temporale (trimestri).

Questo consente di isolare con precisione le combinazioni prodotto–mercato che contribuiscono positivamente o negativamente alla redditività complessiva.

2. Indicatori di performance economica

Le metriche utilizzate includono:

• ricavo netto;
• costo totale;
• margine assoluto;
• margine percentuale.

Il margine percentuale viene calcolato su base aggregata per evitare distorsioni dovute a medie non ponderate, garantendo una lettura coerente con i principi di contabilità analitica.

3. Analisi temporale dei trend

L’evoluzione della marginalità viene monitorata su base trimestrale attraverso tecniche di aggregazione temporale.

Questo consente di:

• evidenziare trend strutturali;
• distinguere fluttuazioni fisiologiche da variazioni persistenti;
• valutare la stabilità delle performance nel tempo.

4. Sistema di monitoraggio delle variazioni

Per identificare segnali di deterioramento, il modello analizza le variazioni percentuali del margine tra periodi consecutivi.

Viene implementata una logica basata su finestre temporali mobili (rolling window), che consente di:

• ridurre il rumore statistico;
• individuare trend negativi persistenti;
• attivare soglie di attenzione su variazioni cumulative rilevanti.

5. Output analitico e supporto decisionale

I risultati vengono sintetizzati attraverso diverse tipologie di rappresentazione:

• Trend temporali per area geografica: per valutare l’evoluzione della redditività nel tempo;
• Heatmap per combinazioni prodotto–regione: per identificare aree di forza e criticità;
• Analisi delle relazioni tra fatturato e marginalità: per valutare l’efficienza commerciale;
• Distribuzioni dei margini per categoria: per analizzare la variabilità della redditività.

Valore per il management

Il modello consente di superare una visione basata esclusivamente sul fatturato, introducendo una lettura più completa della performance aziendale basata su:

• redditività reale per segmento;
• sostenibilità delle politiche promozionali;
• coerenza tra crescita dei volumi e creazione di valore;
• individuazione tempestiva di segnali di deterioramento economico.

Sintesi

Questo approccio permette di trasformare i dati transazionali in uno strumento di analisi decisionale strutturata, utile per il controllo di gestione e per il supporto alle decisioni strategiche in ambito pricing, marketing e operations.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# ====================== CONFIG ======================
plt.style.use('seaborn-v0_8')
sns.set_palette("husl")
np.random.seed(2026)

# ====================== 1. DATASET MOCK ======================
date_range = pd.date_range(start='2024-01-01', end='2025-12-31', freq='D')
regioni = ['Nord', 'Centro', 'Sud', 'Isole']
categorie = ['Elettronica', 'Abbigliamento', 'Home_Design', 'Food']

n_righe = 5000 

df = pd.DataFrame({
    'data_ordine': np.random.choice(date_range, n_righe),
    'regione': np.random.choice(regioni, n_righe, p=[0.35, 0.25, 0.25, 0.15]),
    'categoria': np.random.choice(categorie, n_righe, p=[0.3, 0.25, 0.25, 0.2]),
    'quantità': np.random.randint(1, 20, n_righe),
    'prezzo_unitario': np.random.uniform(15, 350, n_righe).round(2),
    'costo_unitario': np.random.uniform(8, 180, n_righe).round(2),
    'sconto': np.random.choice([0.0, 0.05, 0.10, 0.15, 0.25], n_righe,
                               p=[0.45, 0.25, 0.15, 0.10, 0.05])
})

# Vincolo realistico: il costo non supera mai il 72% del prezzo di listino
df['costo_unitario'] = np.minimum(df['costo_unitario'], df['prezzo_unitario'] * 0.72)

# ====================== 2. KPI FINANZIARI ======================
df['ricavo_netto'] = df['quantità'] * df['prezzo_unitario'] * (1 - df['sconto'])
df['costo_totale'] = df['quantità'] * df['costo_unitario']
df['margine_assoluto'] = df['ricavo_netto'] - df['costo_totale']
df['margine_pct'] = (df['margine_assoluto'] / df['ricavo_netto']) * 100

df = df.set_index('data_ordine')

# ====================== 3. AGGREGAZIONE MULTI-LIVELLO ======================
agg = df.groupby([pd.Grouper(freq='QE'), 'regione', 'categoria']).agg({
    'ricavo_netto': 'sum',
    'margine_assoluto': 'sum',
    'quantità': 'sum'
}).reset_index()

# Ricalcolo ponderato del margine
agg['margine_pct'] = (agg['margine_assoluto'] / agg['ricavo_netto']) * 100

# Contributo % della categoria sul fatturato totale della regione nel singolo trimestre
agg['contrib_fatturato'] = agg.groupby(['data_ordine', 'regione'])['ricavo_netto'].transform(lambda x: x / x.sum() * 100)

# ====================== 4. SISTEMA DI ALERT (ROLLING WINDOW) ======================
pivot_marg = agg.pivot_table(index='data_ordine', columns=['regione', 'categoria'], values='margine_pct')
variazioni = pivot_marg.pct_change() * 100

# Flag True se la somma delle variazioni su 3 trimestri è inferiore a -9%
rolling_cali = variazioni.rolling(window=3).sum() < -9

# ====================== 5. VISUALIZZAZIONI ======================
fig, axes = plt.subplots(2, 2, figsize=(15, 10))

# 1. Trend margine % per regione
trend_reg = agg.groupby(['data_ordine', 'regione'])['margine_pct'].mean().unstack()
trend_reg.plot(ax=axes[0,0], marker='o')
axes[0,0].set_title('Trend Margine % per Regione')
axes[0,0].grid(True)

# 2. Heatmap margine per regione + categoria (ultimo trimestre)
last_q = agg[agg['data_ordine'] == agg['data_ordine'].max()]
pivot_last = last_q.pivot(index='categoria', columns='regione', values='margine_pct')
sns.heatmap(pivot_last, annot=True, fmt=".1f", cmap="RdYlGn", ax=axes[0,1])
axes[0,1].set_title('Margine % - Ultimo Trimestre')

# 3. Contributo fatturato vs Margine (bubble chart)
sns.scatterplot(data=last_q, x='contrib_fatturato', y='margine_pct',
                size='ricavo_netto', hue='regione', ax=axes[1,0], sizes=(50, 500), alpha=0.7)
axes[1,0].set_title('Contributo Fatt. vs Marginalità (dim=Ricavo)')
axes[1,0].grid(True)

# 4. Boxplot margine per categoria
sns.boxplot(data=df.reset_index(), x='categoria', y='margine_pct', ax=axes[1,1])
axes[1,1].set_title('Distribuzione Margine % per Categoria')

plt.tight_layout()
plt.show()

Output

Pubblicità