Una sala riunioni curata nei minimi dettagli: tavolo di cristallo, poltrone in pelle, alle pareti le fotografie in bianco e nero che raccontano la storia dell’azienda. Dall’altra parte del tavolo, l’amministratore delegato e il responsabile IT mi presentano il progetto che vorrebbero realizzare: una piattaforma di business intelligence, cruscotti per ogni direzione, decisioni finalmente guidate dai dati. Chiedo di incontrare chi si occupa dell’estrazione dei dati del marketing. Mi rispondono: «Se ne occupa il signor Mario, ma oggi è in ferie». E i dati delle vendite? «Sempre il signor Mario». Fornitori, clienti? La risposta non cambia.
Tutto il patrimonio informativo dell’azienda passa dalle mani, e dalla memoria, di una sola persona. Non si tratta di una scena di un film, ma di quello che ho riscontrato svolgendo la mia attività di consulente in giro per le aziende italiane.
Secondo Gartner, la scarsa qualità dei dati costa alle organizzazioni in media 12,9 milioni di dollari l’anno. Il 67% delle organizzazioni dichiara di non fidarsi completamente dei dati su cui prende le proprie decisioni, e solo il 12% ritiene che i propri dati abbiano qualità e accessibilità sufficienti per l’iIntelligenza artificiale. Sono numeri che non appartengono a un report tecnico: raccontano decisioni prese su basi fragili, ogni giorno, in ogni consiglio di amministrazione.
In quarant’anni ho visto ripetersi sempre lo stesso errore: si parte dal software. Si sceglie la piattaforma, si acquistano le licenze, si annuncia il progetto di intelligenza artificiale. E solo dopo, quasi sempre troppo tardi, ci si chiede dove siano i dati che dovrebbero alimentarla.
È come comprare una Ferrari quando non abbiamo ancora costruito le strade per farla correre.
Indice degli argomenti:
I dati sono un’infrastruttura, non un sottoprodotto
I dati non sono un sottoprodotto dei sistemi informativi. Sono un’infrastruttura. E come ogni infrastruttura, vanno progettati, costruiti e mantenuti prima di poterci correre sopra.
Il tema riguarda da vicino il nostro Paese. Un tessuto produttivo fatto in larga parte di piccole e medie imprese, dove Excel è spesso il vero gestionale e i sistemi sono cresciuti per stratificazioni successive, un’acquisizione dopo l’altra, un’urgenza dopo l’altra. E in questo susseguirsi di “strati” convivono applicazioni nate in epoche diverse, che raramente si parlano tra loro. In questo scenario, l’acquisto di una nuova piattaforma rischia di aggiungere un ulteriore strato, invece di risolvere quelli esistenti.
Dove sono i dati aziendali: sorgenti sparse e passaggi fragili
Sembra una domanda banale. Non lo è. In nessuna azienda che ho conosciuto i dati erano immediatamente utilizzabili, e in molte era difficile perfino capire dove si trovassero. Una parte vive nel gestionale, una parte in decine di fogli Excel sparsi sui computer dei dipendenti, un’altra in un vecchio database Access costruito anni fa da qualcuno che nel frattempo ha cambiato ufficio. E poi allegati di posta, cartelle condivise, archivi forniti da consulenti esterni, piattaforme Cloud attivate da un singolo reparto senza che l’IT ne sapesse nulla.
Alla fine degli anni Novanta, quando ero in Banca Sanpaolo Invest, l’amministratore delegato mi mostrò tre analisi del portafoglio clienti preparate da tre uffici diversi. Tre risultati completamente diversi. «Quale è quello giusto?», mi chiese. «Nessuno dei tre», risposi. Analizzando il processo scoprii decine di elaborazioni SQL, 120 file Excel, un archivio su nastro fornito ogni mese da una società esterna, un database Access e uno Lotus Notes. Ogni passaggio era un possibile punto di errore. Il problema non era il software: era la strada che i dati percorrevano prima di arrivare sul tavolo della direzione.
Dati sporchi e normalizzazione: il rumore che nessuno vede
Anche quando sappiamo dove sono, i dati raramente sono “puliti”. Lo stesso cliente compare tre volte, con tre codici diversi. La città è scritta “Roma”, “ROMA” e “RM”. Le date seguono formati diversi a seconda di chi le ha inserite. Mancano campi, abbondano i duplicati, sopravvivono codici di decodifica che nessuno ricorda più cosa significhino. È il rumore: invisibile in un singolo report, devastante quando si prova a mettere insieme le informazioni di un’intera organizzazione.
Poi c’è la normalizzazione, il tema più sottovalutato di tutti. Che cosa intendiamo per “cliente attivo”? E per “fatturato”: lordo o netto, emesso o incassato? Se ogni ufficio dà la propria risposta, ogni ufficio avrà il proprio numero, e ogni riunione si trasformerà in una discussione su quale numero sia quello vero, invece che su quale decisione prendere. Quasi un’organizzazione su due indica proprio le definizioni e i formati incoerenti tra i principali ostacoli alla qualità dei dati. Normalizzare significa fare in modo che il cliente sia lo stesso cliente per tutti, il prodotto lo stesso prodotto, la fattura la stessa fattura.
Intelligenza artificiale e qualità dei dati: come amplifica gli errori
Oggi la tentazione è credere che l’intelligenza artificiale possa scavalcare il problema. Non può. Un algoritmo addestrato su dati sporchi non corregge gli errori: li impara, li moltiplica e li restituisce con la sicurezza di chi sembra sapere. Chiedere a un modello quali siano i clienti più redditizi, quando lo stesso cliente compare con tre codici diversi, significa ottenere una risposta elegante, convincente e sbagliata.
Gartner prevede che, entro la fine del 2026, il 60% dei progetti di jntelligenza artificiale non supportati da dati adeguati verrà abbandonato. L’intelligenza artificiale non sostituisce la qualità dei dati. La amplifica, nel bene e nel male.
Il “signor Mario”: quando la conoscenza dei dati diventa un rischio
Ogni azienda, ogni ufficio pubblico, ha il proprio “signor Mario“: l’unica persona che conosce le relazioni tra i dati, i codici, le procedure di estrazione. Non è colpa sua, anzi, spesso è la persona più preziosa dell’organizzazione. Ma se si ammala, va in pensione o cambia lavoro, chi saprebbe dove mettere le mani? Un patrimonio informativo che vive nella testa di una sola persona non è un patrimonio aziendale. È un rischio, e come tale va gestito dal vertice, non delegato all’IT.
Quattro mosse da fare prima di scegliere la piattaforma
Prima di firmare il prossimo contratto di licenza, ci sono quattro mosse che vengono prima di tutto il resto.
- Mappare le sorgenti: quali sistemi producono i dati, in quali formati, con quale frequenza e chi ne è responsabile.
- Misurarne la qualità: completezza, duplicati, coerenza, aggiornamento.
- Definire un vocabolario comune, con definizioni condivise dei principali indicatori e anagrafiche uniche per clienti, prodotti e fornitori.
- Documentare i processi di estrazione e trasformazione, perché la conoscenza smetta di dipendere da una sola persona. Solo a quel punto ha senso scegliere la tecnologia. Mai prima.
Le domande che il vertice aziendale deve saper fare
E poi ci sono le domande che un vertice deve saper fare, anche senza essere un tecnico. Se chiedo il fatturato del mese a tre uffici diversi, ottengo lo stesso numero? Chi è, oggi, il responsabile del dato cliente, e risponde al business o all’IT? Se il nostro “signor Mario” se ne andasse domani, quanto tempo servirebbe per ricostruire ciò che sa? Sono domande semplici. Ma chi le fa, e pretende risposte con dei numeri, ha già smesso di considerare i dati un problema tecnico.
La lezione: prima le strade, poi la Ferrari
Una delle lezioni più importanti della mia vita professionale l’ho imparata nel 1989, in una piccola fabbrica di candele alle porte di Roma. Lì tutto era gestito su carta, eppure ogni documento aveva il suo posto e ogni informazione era rintracciabile. Prima di installare il primo computer, ho dovuto ascoltare, osservare e capire come lavoravano i due fratelli titolari e fondatori di questa realtà aziendale. Solo dopo ho potuto decidere che cosa avesse senso cambiare.
Gli strumenti di Business intelligence e di intelligenza artificiale disponibili oggi sono straordinari. Ma nessuno di loro può correre su una strada che non esiste. La differenza tra le aziende che trasformano i dati in decisioni e quelle che collezionano cruscotti inutilizzati non sta nel software acquistato, ma nel lavoro, meno visibile e molto meno affascinante, fatto prima: sapere dove sono i dati, renderli puliti, farli parlare la stessa lingua. Per questo, in ogni comitato di direzione, la domanda da farsi non è quale piattaforma acquistare. È se abbiamo già costruito le strade su cui farla correre.
Ai miei studenti ripeto sempre un concetto che credo sia il vero fulcro di cosa significhi lavorare con dati certi: «Non dovete imparare soltanto a usare i dati. Dovete cercare di capire ciò che i dati raccontano».
Fonti:
• Gartner, Data Quality: Best Practices for Accurate Insights (costo medio della scarsa qualità dei dati)
• Gartner, Lack of AI-Ready Data Puts AI Projects at Risk, 26 febbraio 2025
• Precisely e Drexel University LeBow College of Business, 2025 Outlook: Data Integrity Trends and Insights, settembre 2024







Partecipa alla community
Grazie Mattia.
Ha colto il punto: l’Intelligenza Artificiale non toglie la polvere da sotto il tappeto, la porta in superficie. Solo che lo fa con la sicurezza di chi sembra sapere: se i dati sono sporchi, la risposta sarà elegante, convincente e sbagliata. Per questo il lavoro sui dati va fatto prima, ed è una scelta del vertice, non dell’IT.
MC
Complimenti prof!
Una questione spinosa perché in pochi hanno voglia di dare un valore a quei dati, e molti sono convinti che basti un abbonamento attivo con un chatbot per risolvere tutti i problemi che sono stati spazzati sotto al tappeto per troppo tempo.