Oggi ogni azienda ha dei dati. Stanno nel registratore di cassa, nel gestionale contabile, nei fogli di calcolo, nelle chat WhatsApp con i clienti e in Google Analytics — e per la maggior parte del tempo non valgono nulla, perché sono sparsi, sporchi e non rispondono ad alcuna domanda di business. La differenza tra un’azienda che ha dati e un’azienda che decide a partire dai dati non è l’ennesimo software. Sono due processi complementari: la gestione dei dati e l’analisi dei dati.
Gestione dei dati e analisi dei dati: qual è la differenza
La gestione dei dati è tutto ciò che accade prima che qualcuno guardi un grafico: dove i dati sono conservati, come vengono raccolti, chi ne è responsabile, qual è la loro qualità e come i diversi sistemi dialogano tra loro. L’analisi dei dati è la fase in cui si pongono domande ai dati: quali clienti sono davvero redditizi, quale canale di marketing restituisce l’investimento, che cosa è probabile accada nel prossimo trimestre.
L’errore ricorrente è comprare uno strumento di analisi accattivante (BI, dashboard) senza aver prima messo ordine nella gestione. Il risultato è una dashboard bellissima che mostra numeri di cui nessuno si fida. L’ordine corretto è sempre lo stesso: prima si ordina, poi si analizza.
Numeri dal campo: due storie documentate
UPS: un algoritmo, 400 milioni di dollari all’anno
Nell’arco di circa un decennio UPS ha sviluppato ORION, un sistema che analizza i dati di consegna e calcola per ogni autista l’ordine ottimale delle fermate. I risultati documentati: un risparmio di circa 100 milioni di miglia percorse e 10 milioni di galloni di carburante l’anno, per un valore di 300–400 milioni di dollari annui. I dati c’erano da sempre, in ogni camion e in ogni pacco. Ciò che è cambiato è che qualcuno ha deciso di gestirli e di analizzarli.
Walmart e le Pop-Tarts: una previsione di vendita ricavata dallo storico degli acquisti
Nel 2004, in vista dell’uragano Frances in Florida, Walmart analizzò i dati d’acquisto degli uragani precedenti e scoprì un risultato inatteso: prima di una tempesta le vendite di Pop-Tarts alla fragola aumentano di circa sette volte. La catena riempì del prodotto i punti vendita lungo la traiettoria della tempesta — e andò esaurito. È questa la forza dell’analisi dei dati: trova schemi che nessun manager avrebbe indovinato, perché non hanno senso finché non li si vede nei numeri.
E non riguarda soltanto i giganti: uno studio McKinsey ha rilevato che le organizzazioni guidate dai dati hanno 23 volte più probabilità di acquisire nuovi clienti e 19 volte più probabilità di essere redditizie. Sull’altro piatto della bilancia, IBM ha stimato che i dati di scarsa qualità costano all’economia statunitense circa 3.100 miliardi di dollari l’anno. Un dato gestito male non è neutro: costa denaro.
Cinque passi per trasformare dati sparsi in decisioni
1. Mappatura: quali dati esistono e dove si trovano
Un elenco semplice: ogni sistema, ogni foglio di calcolo, ogni fonte di dati — che cosa contiene, chi lo aggiorna e con che cosa entra in conflitto. Nella maggior parte delle aziende questo passaggio da solo fa emergere duplicati (lo stesso cliente in tre sistemi con tre grafie diverse) e dati critici che vivono solo nella testa di un dipendente.
2. Infrastruttura: un’unica fonte di verità
Si assegna a ogni tipo di dato una sola «casa» — i clienti nel CRM, le finanze nella contabilità, le scorte nel gestionale di magazzino — e si collegano tra loro (con un’integrazione o un semplice data warehouse). La regola ferrea: un dato che vive in due posti contemporaneamente sarà sbagliato in almeno uno dei due. Se sono i sistemi stessi a dover essere sostituiti, conviene fermarsi e approfondire l’analisi dei requisiti dei sistemi informativi prima di comprare qualsiasi cosa.
3. Qualità: pulizia e regole di inserimento
Si ripuliscono una volta duplicati e campi vuoti, poi si fissano regole che impediscano il disordine successivo: campi obbligatori, formati uniformi (telefono, partita IVA) e una responsabilità chiara su chi inserisce che cosa. La qualità del dato è un’abitudine, non un progetto una tantum.
4. Metriche e dashboard: rispondere a domande, non mostrare grafici
Si scelgono da cinque a otto metriche che muovono davvero l’azienda (margine lordo per cliente, costo di acquisizione, tasso di abbandono, rotazione del magazzino) e si costruisce un’unica dashboard che si aggiorna automaticamente. Una buona dashboard risponde a una domanda che un manager si pone ogni settimana.
5. Una routine decisionale: la riunione che guarda i numeri
I dati iniziano a ripagare solo quando esiste una routine che li usa: una riunione settimanale o mensile che si apre con la dashboard, ogni decisione sostenuta da un numero e ogni intuizione («credo che i clienti se ne vadano per il prezzo») trasformata in una domanda verificata sui dati. La cultura batte gli strumenti, sempre.
Quanto costano la gestione e l’analisi dei dati
Un progetto di base per una PMI — mappatura, collegamento delle fonti, prima dashboard — si colloca di norma tra i 3.000 e i 12.000 dollari circa, più il costo mensile degli strumenti (Looker Studio è gratuito, Power BI parte da circa 10 dollari per utente). Un data warehouse e integrazioni complesse per un’organizzazione più grande partono da circa 15.000–45.000 dollari e salgono da lì. Il confronto corretto non è con il «non fare nulla», ma con il costo silenzioso delle decisioni sbagliate che oggi si prendono senza dati.
Dove entra l’IA
L’intelligenza artificiale ha cambiato l’economia dell’analisi dei dati per le piccole imprese: ciò che richiedeva un analista a tempo pieno oggi si fa con una domanda in linguaggio naturale. I principali strumenti di BI includono ormai la conversazione con i dati («mostrami i dieci clienti la cui redditività è calata di più»), i modelli predittivi diventano realistici per prevedere domanda e abbandono anche nelle piccole realtà, e l’IA aiuta pure nella fase di pulizia individuando automaticamente duplicati e anomalie. Ma la regola dei passi precedenti si fa solo più netta: l’IA applicata a dati sporchi produce sciocchezze più in fretta e con maggiore sicurezza. Gestione prima dell’analisi — soprattutto nell’era dell’IA.
Domande frequenti
Una piccola azienda ha abbastanza dati perché ne valga la pena?
Sì. Anche un’attività con poche centinaia di clienti dispone di dati di cassa, contabilità e marketing sufficienti a rispondere alle domande importanti: chi sono i clienti redditizi, qual è il margine reale di ciascun prodotto e quale canale di marketing funziona davvero. Gli strumenti oggi costano abbastanza poco perché una sola buona decisione ripaghi l’investimento.
Che differenza c’è tra analisi dei dati e BI?
La BI (business intelligence) è la categoria di strumenti: dashboard e report che mostrano che cosa è successo. L’analisi dei dati è il processo più ampio, che comprende anche le domande, la pulizia, i modelli e le conclusioni. Uno strumento di BI si compra in un giorno; un’analisi vera richiede prima di definire che cosa si vuole sapere.
Quanto tempo serve per vedere valore?
Una prima dashboard su dati esistenti: da due a sei settimane. Un riordino completo dell’infrastruttura: da due a quattro mesi. L’errore ricorrente è aspettare l’«infrastruttura perfetta»: meglio una dashboard modesta che funziona questo mese di un data warehouse perfetto fra un anno.
Serve assumere un analista o può farlo un fornitore esterno?
Nella maggior parte delle PMI un ruolo a tempo pieno non si giustifica. Il modello che funziona: un fornitore esterno costruisce infrastruttura e dashboard, definisce la routine di lavoro e resta a supporto per poche ore al mese.