Un laboratorio decisionale di liquidità per un’azienda in utile sulla carta che sta finendo la cassa.

Panoramica.
Responsabili finanziari di piccole società di servizi
Aziende che fatturano ai clienti, pagano gli stipendi ogni mese e dipendono da pochi grandi clienti che pagano in ritardo. L’azienda della demo e tutti i suoi dati sono inventati.
L’utile dice che va tutto bene, la banca no
Il conto economico non risponde alle domande che contano: perché la cassa scende se siamo in utile, possiamo assumere due persone il mese prossimo, cosa succede se il cliente più grande paga con un mese di ritardo, e quale intervento aiuta di più?
Una previsione che si può interrogare
Ogni numero settimanale si apre sulle fatture e sulle regole che lo generano. Le decisioni diventano scenari sullo stesso motore, un ottimizzatore calcola il costo della soluzione più economica e un backtest mostra dove il modello sbaglia.
Percorso nelle schermate.
Perché un’azienda in utile sta finendo la cassa
L’azienda della demo, Atlas & Pine Studio, è un’agenzia immaginaria di 12 persone. Ha fatto +38.000 € di utile in sei mesi mentre il saldo in banca scendeva di 71.000 €. La panoramica mostra i due numeri affiancati, il ponte tra l’uno e l’altro e la settimana in cui la cassa non basta più.

- 1L’utile non è cassaI crediti verso clienti sono cresciuti di 46.000 €, e IVA e imposte, rate dei prestiti e attrezzature non compaiono nell’utile operativo. Il ponte li mostra uno per uno.
- 2La settimana criticaLa cassa scende a 14.412 € alla settimana 9, 5.588 € sotto il minimo di 20.000 € fissato dal responsabile finanziario.
- 3Ogni numero etichettatoI valori sono marcati come noti, ipotizzati o da verificare, e due voci importate sono segnalate per un controllo prima che qualcuno ci faccia affidamento.
Clicca sulla settimana critica e vedi le fatture che la causano
La previsione procede settimana per settimana: saldo iniziale più entrate meno uscite. Cliccando sulla settimana 9 si aprono tutte le voci che muovono denaro in quella settimana, con data, regola e fonte.


- 1Voci tracciabiliStipendi 56.000 €, premi di fine anno 21.000 € e licenze software 7.200 €, ognuno collegato a una regola sugli stipendi o al codice di una spesa.
- 2Le abitudini dei clienti, misurateIl pagamento di un cliente arriva alla scadenza più il ritardo medio misurato per quel cliente. Helix Retail paga in media con 34 giorni di ritardo.
- 3Il prossimo incassoIl pannello indica anche quando arriva il prossimo incasso importante, così il buco ha una data di fine.
Le decisioni diventano scenari sullo stesso motore
Pagamenti in ritardo, un piano di assunzioni, un calo delle vendite e un piano di recupero passano dalla stessa previsione. Uno scenario personalizzato ha i suoi cursori. Il confronto mostra il saldo più basso, la prima settimana sotto il minimo e la differenza rispetto al caso base.

- 1Cliente in ritardoSe Helix Retail paga 30 giorni più tardi del solito, il punto più basso scende a −15.388 €.
- 2Piano di assunzioniDue assunzioni dal 16 novembre portano il punto più basso a −408 €. Il piano di recupero non scende mai sotto il minimo.
- 3Un cambiamento alla voltaOgni modifica di uno scenario viene misurata da sola, così si vede quale sposta davvero il risultato.
Un ottimizzatore che dà un prezzo alla soluzione
Sono disponibili sette mosse di tesoreria, come sconti ai clienti per il pagamento anticipato, lo spostamento di una fattura di un fornitore, uno scoperto di conto e il rinvio di un’imposta. Ogni combinazione passa dalla previsione e i piani migliori vengono messi alla prova con date di pagamento incerte.

- 1Il più economicoUna sola mossa, il rinvio di un mese di un acconto d’imposta, costa 38 € e tiene la cassa sopra il minimo, ma il 14% delle simulazioni scende comunque sotto.
- 2Il più solidoAggiungendo una mossa su un fornitore il costo sale a 188 € e le simulazioni sotto il minimo scendono al 7%. La pagina mostra il compromesso invece di nasconderlo.
- 3Chi deve accettareOgni mossa indica chi deve dire di sì (un cliente, un fornitore o il fisco) e può essere applicata come scenario.
2.000 futuri possibili invece di uno
I ritardi di pagamento e le vendite mensili sono incerti, quindi la pagina del rischio simula 2.000 percorsi con ritardi ricavati dalla storia di ogni cliente. Il risultato è una quota di simulazioni del modello, e la pagina lo dice.

- 1Caso baseIl 44% dei percorsi scende sotto i 20.000 € almeno una volta. In un caso sfavorevole (P10) il punto più basso è 7.835 €.
- 2Ipotesi modificabiliL’incertezza sui ritardi e la volatilità delle vendite sono cursori, con la formula scritta sotto ciascuno.
- 3RiproducibileLe simulazioni usano un seme fisso, quindi lo stesso seme dà lo stesso risultato, e girano in un Web Worker così la pagina non si blocca mai.
Una previsione che dichiara il proprio errore
Una previsione è utile solo se batte qualcosa di semplice. Scenova ripercorre 17 settimane passate usando solo ciò che era noto a ogni data, poi confronta la previsione degli incassi con ciò che è arrivato davvero e con un metodo di riferimento ingenuo.

- 1Meglio del metodo ingenuoL’errore sugli incassi a quattro settimane è del 16% per il motore e del 35% per la media delle ultime quattro settimane.
- 2Distorsione notaIl motore è ottimista di circa il 10%: Helix Retail paga ogni mese più tardi e le medie restano indietro rispetto a una tendenza.
- 3Scritto sulla paginaIl punto debole è scritto accanto al risultato, non lasciato da scoprire all’utente.
Un assistente che propone i dati di partenza e non inventa mai un numero
Chiedi “e se assumo uno sviluppatore a 3.000 € al mese e il cliente più grande paga con un mese di ritardo?” e Scenova trasforma la domanda in ipotesi, indica da dove viene ciascuna e aspetta la conferma prima di far girare il motore.

- 1Origine visibileLo stipendio viene dalla domanda, il costo aziendale di 1,30 e il cliente in ritardo dai dati, e la data di inizio è un valore predefinito da verificare.
- 2Niente parte da soloIl motore gira solo dopo la conferma dell’utente, e la risposta spiega il risultato con le sue fonti.
- 3Pronto per un LLMOggi l’interprete è basato su regole. Il suo output ha la stessa forma di quello di un LLM con function calling, quindi si potrà sostituire in seguito.
Come nascono i numeri.
Architettura.
Approfondimenti tecnici.
1. Ricerca esaustiva, non un solver
- Problema
- Il responsabile finanziario ha bisogno della combinazione più economica di mosse di tesoreria che tenga la cassa sopra il minimo, e deve capire perché è la più economica.
- Approccio
- Con sette mosse ci sono solo 128 piani, quindi ognuno passa dalla previsione completa. I costi vengono dalle voci di sconti, commissioni e interessi della previsione stessa. Un test unitario controlla tutti i 128 piani per dimostrare che la risposta è davvero la più economica.
- Trade-off
- La ricerca esaustiva smette di essere pratica oltre una quindicina di mosse. A quel punto la sostituirebbe un solver.
2. Da 270 µs a 21 µs per previsione
- Problema
- L’ottimizzatore e i suoi stress test eseguono migliaia di previsioni. La pagina deve rispondere mentre l’utente la sta ancora guardando.
- Approccio
- I calcoli sulle date sono memorizzati e ogni settimana viene totalizzata in un solo passaggio: una previsione è passata da circa 270 µs a 21 µs su un portatile. La ricerca completa con gli stress test finisce in meno di 100 ms, fuori dal thread principale, e i risultati superati vengono ignorati.
- Trade-off
- La memorizzazione è uno stato in più da mantenere corretto, quindi i test del motore coprono anche i percorsi in cache.
3. Il più economico non è il più sicuro
- Problema
- La soluzione più economica supera il minimo di soli 3.912 €. Basta un pagamento in ritardo e non regge.
- Approccio
- I piani migliori vengono messi alla prova con 300 simulazioni delle date di pagamento ciascuno. La pagina mostra il piano più economico (38 €, il 14% delle simulazioni scende ancora sotto il minimo) accanto a quello più solido (188 €, 7%).
- Trade-off
- Il piano più solido costa 150 € in più. Scenova mostra il compromesso e lascia la scelta al responsabile finanziario.
4. Un backtest contro un riferimento ingenuo
- Problema
- Una previsione senza una misura dell’errore è un’ipotesi con i decimali.
- Approccio
- Diciassette settimane passate vengono ripercorse senza guardare al futuro e confrontate con la media delle ultime quattro settimane. L’errore sugli incassi a 4 settimane del motore è del 16% contro il 35%. La prima versione, con una sola data per fattura, perdeva contro il riferimento ingenuo; una distribuzione di date ha vinto.
- Trade-off
- La previsione usa ancora una sola data per fattura perché ogni voce resti tracciabile, mentre il backtest usa la distribuzione. Le due cose non sono ancora allineate.
5. Un assistente che non produce mai un numero
- Problema
- In finanza, un’IA che inventa una cifra è peggio di nessuna IA.
- Approccio
- Una domanda diventa un insieme di ipotesi, ognuna marcata come proveniente dalla domanda, dai dati o da un valore predefinito. Uno stipendio mancante viene chiesto, non indovinato. Niente parte finché l’utente non conferma: il motore calcola e l’assistente si limita a spiegare.
- Trade-off
- Un interprete basato su regole capisce meno formulazioni di un LLM. Il suo formato di output è quello restituito dal function calling, quindi Gemini potrebbe sostituirlo senza cambiare il flusso.
6. Onesto sull’incertezza
- Problema
- Le percentuali Monte Carlo sembrano promesse, e ogni modello sbaglia da qualche parte.
- Approccio
- Le simulazioni hanno un seme fisso e sono presentate come quota di esecuzioni del modello, non come probabilità reale. Una pagina su modello e limiti elenca ogni formula e i punti deboli noti: i clienti sono simulati in modo indipendente, le vendite future sono un valore fisso, e linee di credito e IVA sulle nuove fatture non sono modellate.
- Trade-off
- I numeri sembrano meno impressionanti. Ma sono quelli che un responsabile finanziario può difendere.
Prossimi passi.
Dove si trova
Scenova è una demo pubblica e interattiva su un’azienda immaginaria, con un tour guidato e il codice su GitHub. Non c’è backend e non viene salvato nulla, quindi chiunque può provare ogni schermata.
Roadmap
Ritardi di pagamento che seguono la tendenza di ogni cliente, per eliminare l’ottimismo; importazione da CSV ed Excel con gli stessi controlli sui dati mostrati nella demo; e un LLM come Gemini con function calling al posto dell’interprete basato su regole, mantenendo il passaggio di conferma.