Dai dati alla Business Intelligence

📘 Scopri il mio libro “Decisioni Data-Driven”https://www.glowbooks.it/project/decisioni-data-driven/
📩 Iscriviti gratuitamente alla newsletter Dati365https://substack.com/@dati365

Nell’era dell’Intelligenza Artificiale ha ancora senso investire in un Data Warehouse?
Oppure AI, cloud e nuovi modelli generativi hanno reso obsolete le tradizionali infrastrutture dati?

In questa puntata ne parlo con Massimo Piras, founder e CEO di Itauros e contributor del mio libro Decisioni Data-Driven.
Partiamo da una domanda molto concreta, soprattutto per manager e imprenditori: perché dovrei spendere tempo e budget per costruire un Data Warehouse proprio adesso che tutti parlano di AI?
La risposta ci porta al cuore di uno dei problemi più sottovalutati nei progetti di Intelligenza Artificiale: spesso le aziende vogliono partire dall’algoritmo, dal modello di machine learning o dall’applicazione di AI generativa, senza chiedersi prima se esistono dati sufficienti, affidabili, integrati e realmente utilizzabili.
E proprio qui nasce il paradosso: più vogliamo fare AI, più diventa importante costruire solide fondamenta dati.
Il rischio non è solamente che un progetto AI non funzioni.
C’è uno scenario potenzialmente ancora peggiore: il modello produce un risultato apparentemente credibile, ma basato su dati incompleti o di scarsa qualità, e quel risultato viene utilizzato per prendere decisioni aziendali reali.

Parliamo quindi di:
perché partire dal problema di business e non dalla tecnologia;
quali dati servono davvero per costruire un progetto di AI;
Data Warehouse, Data Lake e infrastrutture dati;
qualità, integrazione e preparazione del dato;
machine learning e predictive analytics;
predictive maintenance e casi aziendali concreti;
perché la qualità dei dati può contare più della sofisticazione dell’algoritmo;
come un investimento sul dato possa essere riutilizzato per dashboard, Business Intelligence, reporting e nuovi progetti AI;
perché l’AI potrebbe rappresentare una seconda occasione per molte PMI italiane per recuperare il ritardo accumulato nella trasformazione data-driven.

Il punto centrale della puntata è semplice: l’AI non sostituisce le fondamenta dati. Al contrario, rende ancora più evidente quanto siano necessarie.Un Data Warehouse quindi non è soltanto un progetto IT o un contenitore tecnico. Può diventare un vero asset aziendale, capace di rendere le informazioni accessibili, affidabili e utilizzabili non solo dall’AI, ma da tutti i processi decisionali dell’organizzazione.
Ed è proprio questo il percorso che provo a raccontare anche in Decisioni Data-Driven: prima digitalizzare, poi raccogliere e comprendere i dati, quindi misurare e solo successivamente utilizzare analytics e Intelligenza Artificiale per prevedere, automatizzare e migliorare le decisioni.Se stai valutando un progetto di AI aziendale, Business Intelligence, machine learning, Data Warehouse o trasformazione digitale, questa puntata può aiutarti a capire da dove conviene realmente partire
00:00 Data Warehouse nell’era dell’AI: serve ancora?01:24 Chi è Massimo Piras e perché parliamo di Data Warehouse05:03 Perché l’AI ha ancora bisogno dei dati07:09 Le aziende sono davvero pronte per fare AI?09:52 AI generativa, Machine Learning e Predictive Maintenance12:11 Prima dell’AI: partire dal problema di business14:49 AI Readiness: quanto lavoro c’è davvero sui dati19:24 La qualità dei dati conta più dell’algoritmo?21:39 Dati sbagliati, AI sbagliata: i costi reali25:53 Il Data Warehouse come asset per AI, BI e decisioni27:27 L’AI come seconda occasione per le PMI italiane

VUOI PRENDERE DECISIONI MIGLIORI NELLA TUA AZIENDA?
Scopri il mio libro “Decisioni Data-Driven”: una guida per manager e imprenditori che vogliono trasformare dati, analytics e intelligenza artificiale in risultati concreti, evitando gli errori più comuni.
👉 https://www.glowbooks.it/project/decisioni-data-driven/

OGNI SETTIMANA, UN'IDEA IN PIÙ PER DECIDERE MEGLIO
Iscriviti gratuitamente alla mia newsletter: approfondimenti pratici su dati, Business Intelligence, AI e strategia aziendale. Strumenti, esempi e riflessioni per andare oltre i numeri e imparare a usarli davvero.
👉 https://substack.com/@dati365

La tua azienda raccoglie dati. Ma li sta davvero usando per prendere decisioni migliori?
Molte aziende investono in software, dashboard e intelligenza artificiale, ma continuano a prendere decisioni basate sull'intuito, su informazioni frammentate o su numeri che non coincidono.
Il problema, spesso, non è la mancanza di tecnologia. È tutto quello che dovrebbe esserci prima.
In questa puntata condivido l'intervista che mi ha fatto Claudio Beretta per il podcast La Socratica del Business, dedicato agli imprenditori che “non sanno di non sapere”.
Siamo partiti dalla mia esperienza professionale e dal mio libro Decisioni Data-Driven per affrontare una domanda fondamentale: come si costruisce un'azienda capace di trasformare i dati in decisioni migliori?

Durante la conversazione approfondiamo:
Perché avere tante dashboard non significa essere un'azienda data-driven.
Come passare dalle decisioni di pancia a scelte supportate da dati affidabili.
Quali sono gli errori più comuni delle PMI italiane nella gestione dei dati.
Perché la trasformazione digitale è soprattutto una questione di persone, cultura e organizzazione.
Come superare il divario tra business e IT per ottenere analisi davvero utili.
Perché l'intelligenza artificiale deve arrivare dopo aver costruito solide basi di dati, processi e competenze.
Come iniziare un percorso di trasformazione con piccoli risultati concreti, senza aspettare anni prima di vedere benefici.

Diventare data-driven non significa avere più dati, più report o più tecnologia. Significa costruire un'organizzazione capace di prendere decisioni migliori, più velocemente e con maggiore consapevolezza.
Se sei un imprenditore, un manager o un professionista che vuole portare davvero i dati e l'AI nella propria azienda, questa conversazione è per te.
E nella tua azienda come vengono prese le decisioni?
Se trovi utile questo episodio, lascia un like e iscriviti al canale per non perdere i prossimi approfondimenti.

00:00 Introduzione: dati, AI e decisioni aziendali
01:52 La mia storia: dalla Business Intelligence alle decisioni
11:12 Decidere di pancia o usare i dati: gli errori delle aziende
17:16 Come diventare un'azienda davvero data-driven
25:40 Caso pratico: come utilizzo i dati in Dati 365
30:20 Il divario tra business e IT: come superarlo
35:00 AI e trasformazione digitale: perché la tecnologia non basta
42:28 La resistenza al cambiamento nelle aziende
49:00 Machine Learning e AI: opportunità, previsioni e rischi
63:00 Da dove iniziare e quanto tempo serve per vedere risultati

LA SOCRATICA DEL BUSINESS
Un ringraziamento a Claudio Beretta per l'invito e per questa bella conversazione sul futuro delle imprese, dei dati e dell'intelligenza artificiale.
🎧 Ascolta la puntata originale:
https://www.spreaker.com/episode/166-il-viaggio-di-fabiano-sileo-verso-la-cultura-data-driven-il-problema-non-sono-i-dati-che-mancano-e-la-decisione-che-non-sai-prendere--74996796
#DataDriven #IntelligenzaArtificiale #BusinessIntelligence

Se lavori ogni giorno con Excel, report, KPI e dati aziendali, probabilmente conosci molto bene il tuo business. Sai quali domande fare, quali numeri ti servono e cosa vuoi capire. Il problema arriva quando, per ottenere quei numeri, devi chiedere un'estrazione all’IT, aspettare un collega della BI o ricevere un file che non è esattamente quello che avevi immaginato.In questa masterclass vediamo come aumentare concretamente la tua autonomia nell’analisi dei dati, senza diventare un Data Analyst e senza pensare di sostituire l’IT.Costruiamo una vera e propria mappa delle competenze per capire cosa serve davvero a un professionista di business che vuole lavorare meglio con i dati: partiamo da Excel e arriviamo a Power Query, Data Modeling, DAX, Power BI, Data Storytelling e SQL.Ma il punto non è imparare tutti questi strumenti.È capire quale parte ti serve davvero, in quale ordine impararla e soprattutto cosa puoi tranquillamente lasciare fuori.Vedremo quindi:- quali competenze permettono di ridurre il lavoro manuale in Excel;- come preparare e trasformare i dati in modo ripetibile con Power Query;- perché comprendere il Data Model cambia il modo di lavorare con Power BI;- quali concetti di DAX servono davvero nel lavoro quotidiano;- come trasformare un’analisi in qualcosa che supporti una decisione;- quanto SQL serve a una persona di business;- quando puoi lavorare in autonomia e quando, invece, ha senso coinvolgere l’IT.Parleremo anche di un problema spesso sottovalutato: la distanza tra la domanda di business e il risultato finale. Ogni volta che deleghi completamente un’analisi, qualcun altro deve interpretare la tua richiesta, prendere decisioni sui dati e restituirti un risultato. Più riesci a governare direttamente alcuni passaggi, più aumentano velocità, controllo e capacità di interpretare ciò che i numeri stanno davvero dicendo.L’obiettivo non è quindi diventare più “tecnici”.È passare dall’essere la persona che chiede o produce un report alla persona che sa usare i dati per capire un problema e contribuire concretamente alla decisione.Durante la masterclass presento anche Dati365, il percorso che ho costruito proprio per professionisti di business che vogliono sviluppare queste competenze attraverso casi aziendali concreti. In questo periodo ho aperto un’offerta dedicata a questo specifico profilo:👉 https://webinar.dati365.it/academy-pageLa masterclass nasce proprio per controller, marketer, buyer, professionisti Finance, Sales, Operations, Supply Chain, Project Management e, più in generale, per chi conosce il business ma vuole diventare molto più autonomo nell’utilizzo dei dati.

📘 Scopri il mio libro “Decisioni Data-Driven”
https://www.glowbooks.it/project/decisioni-data-driven/
📩 Iscriviti gratuitamente alla newsletter Dati365
https://substack.com/@dati365
Avere un team Data & Analytics non significa automaticamente essere un’azienda data-driven.
In questa puntata ne parlo con Stefano Gatti, Head of Data & Analytics in Nexi, professionista con oltre vent’anni di esperienza nel mondo dei dati e contributor del mio libro Decisioni Data-Driven.
Partiamo da un problema organizzativo molto concreto: cosa succede quando il team dati è troppo lontano dal business?
Per anni molte aziende hanno lavorato secondo un modello abbastanza semplice: il business ha una necessità, formula una richiesta e il team tecnico produce un’analisi, un report o una dashboard.
Il limite è che chi conosce i dati può essere troppo distante da chi conosce realmente il processo aziendale. Bisogna tradurre continuamente esigenze, priorità e problemi da un linguaggio all’altro, con il rischio di ottenere un’analisi tecnicamente perfetta ma troppo tardi, quando la decisione è già stata presa.
È uno degli errori che affronto anche nel libro: centralizzare le competenze non deve significare delegare completamente dati e Analytics a un unico team specialistico.
Durante la conversazione ripercorriamo anche alcune lezioni dell’epoca dei Big Data e della Data Science. Molte aziende hanno creato team altamente specializzati che lavoravano quasi “in laboratorio”, producendo modelli sofisticati ma difficili da integrare nei processi reali.
Arriviamo quindi al cuore della puntata: il modello Hub & Spoke per Data & Analytics.
L’Hub mantiene centralmente competenze, infrastruttura, governance e standard tecnologici. Gli Spoke, invece, portano competenze analitiche direttamente nelle funzioni aziendali
La tecnologia smette così di essere il punto di partenza e diventa uno strumento per risolvere problemi di business.

Avvicinare dati e business permette di accorciare il ciclo:
problema → analisi → decisione → azione → feedback
In mercati sempre più veloci, questo può diventare un vero vantaggio competitivo.
Ma esiste anche il problema opposto: essere “troppo data-driven”.
Troppe dashboard, troppi KPI e troppi report possono creare quella che Stefano definisce una vera e propria paralisi della decisione da dashboard.
Una dashboard non genera valore perché esiste. Il valore nasce dall’azione che ne consegue.

Essere data-driven significa anche chiedersi quante dashboard vengono davvero utilizzate, con quale frequenza e da chi. Una dashboard che nessuno apre non è necessariamente un asset: può essere semplicemente un costo da eliminare.
Nella parte finale affrontiamo anche il tema della data culture e della data literacy. Il modello organizzativo da solo non basta: serve una cultura diffusa, il commitment del management e persone capaci di comprendere almeno i principi fondamentali di dati, KPI e Analytics.
E questi concetti valgono anche nelle PMI.
Una piccola azienda non deve costruire una complessa struttura Hub & Spoke, ma può avere anche una sola figura capace di unire competenze tecniche e conoscenza del business: un profilo “T-shaped” che aiuti l’organizzazione a trasformare i dati in decisioni.
00:00 Perché questa è una puntata speciale
02:01 Chi è Stefano Gatti
04:34 Dai Big Data all’hype dell’AI
06:58 L’errore dei Data Scientist in laboratorio
09:20 AI: costi, benefici e valore reale
12:54 Perché delegare tutto al team Analytics è un errore
16:36 Il modello Hub & Spoke
21:30 Portare Analytics dentro il business
24:54 Commitment, community e cultura dei dati
28:28 Quando troppe dashboard rallentano le decisioni
32:06 Il vero vantaggio: decidere più velocemente
35:44 Data culture e Data Literacy
37:21 Come applicare questi principi nelle PMI
40:07 Conclusioni
📩 Newsletter di Stefano Gatti
https://stefanogatti.substack.com/

📘 **Prendi il libro “Decisioni Data-Driven”** → (https://www.glowbooks.it/project/decisioni-data-driven/)📩 **Iscriviti alla newsletter Dati365** → [https://substack.com/@dati365]
L’intelligenza artificiale è pronta. Ma siamo sicuri che lo siano anche le nostre aziende?Qualche mese fa sono salito sul palco di **AI Week**, uno dei principali eventi europei dedicati all’Intelligenza Artificiale, con uno speech volutamente provocatorio: **“L’AI è pronta. La tua azienda (forse) no”**.In questa puntata di *Dai Dati alla Business Intelligence* trovi l’intervento completo e, nella parte finale, alcune mie riflessioni sui concetti che considero più importanti per manager, imprenditori e professionisti che oggi stanno cercando di capire **come introdurre davvero l’AI in azienda e ottenere risultati misurabili**.Il punto di partenza è semplice: la tecnologia sta evolvendo molto più velocemente delle organizzazioni. Modelli generativi, agenti AI e nuovi strumenti diventano ogni mese più potenti e accessibili, mentre moltissime aziende continuano a sperimentare attraverso demo, POC e progetti pilota senza riuscire a portarli nei processi reali o a dimostrarne il ROI.Il problema, quindi, spesso **non è l’AI**.Nel video analizziamo tre errori particolarmente frequenti.Il primo è lasciarsi bloccare dalla paura: paura di sbagliare, di non essere pronti, di perdere controllo o di essere sostituiti.Il secondo è l’opposto: la **FOMO**, che porta a partire dal nuovo tool, dal nuovo modello o dall’ultimo agente AI disponibile e solo successivamente cercare un problema aziendale a cui applicarlo.Il terzo è considerare l’AI una **scorciatoia** capace di risolvere problemi che esistevano già prima: processi non digitalizzati, KPI poco chiari, dati di scarsa qualità, sistemi scollegati e decisioni non misurabili.È qui che propongo un approccio diverso:**Decision First → Data Grounded → AI Powered.**Prima viene l’obiettivo di business.Poi il processo che determina quel risultato.Poi la misurazione attraverso KPI e dati affidabili.Poi l’analisi e la decisione.**Solo alla fine arriva l’Intelligenza Artificiale**, come acceleratore di un sistema che deve già avere fondamenta solide.Durante lo speech parliamo anche della piramide **DIKW – Data, Information, Knowledge, Wisdom**, di data warehouse, Business Intelligence, Generative BI, machine learning, qualità del dato e di un principio che considero centrale: **non possiamo ottimizzare ciò che non siamo in grado di misurare**.È anche la tesi alla base del mio libro **“Decisioni Data-Driven: Dati, Analytics e AI per Manager e Imprenditori”**. L’AI arriva volutamente verso la fine del percorso, dopo processi, dati, analytics, dashboard, data storytelling e cultura decisionale: perché introdurre una tecnologia potente senza aver costruito ciò che viene prima rischia semplicemente di permetterci di sbagliare… più velocemente.Se lavori con dati, analytics, Business Intelligence o Intelligenza Artificiale, oppure devi decidere come investire sull’AI nella tua azienda, fammi sapere nei commenti come la stai affrontando: **oggi il problema maggiore è ancora la tecnologia, oppure tutto ciò che dovrebbe esserci prima?**

00:00 Introduzione: lo speech all’AI Week
01:14 Perché il vero problema non è più la tecnologia
03:36 Paura e FOMO: i primi errori con l’AI
05:26 Il rischio di partire dal tool invece che dal problema
07:19 Business, processi e dati: da dove partire davvero
09:32 Dati, decisioni e piramide DIKW
11:40 Generative AI, Machine Learning e rischio dell’errore
13:06 Il framework: Decision First, Data Grounded, AI Powered
14:26 Generative BI: acceleratore o pericolosa scorciatoia?18:16 Decisioni Data-Driven e riflessioni finali sull’AI in azienda