Dai dati alla Business Intelligence

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

Siamo partiti da una domanda apparentemente semplice: come sta andando la mia azienda?
E siamo arrivati a costruire una dashboard capace di rispondere a domande molto più concrete: quanto vale mediamente un cliente? Quanto rimane attivo in un modello ad abbonamento? Perché il fatturato ricorrente cresce o diminuisce? E soprattutto: quanto posso permettermi di investire per acquisire un nuovo cliente?
In questa ultima puntata dello spin-off Dietro le quinte del podcast Dai Dati alla Business Intelligence, chiudiamo il percorso realizzato insieme a Massimo di Itauros su un caso concreto: l’analisi dei dati di Dati 365, la mia Academy dedicata alla formazione in Data Analytics.
Durante le puntate precedenti siamo partiti da file Excel e CSV complessi, dati distribuiti tra clienti, abbonamenti, pagamenti, corsi singoli, prodotti gratuiti e lead magnet. Abbiamo ragionato sulla necessità di costruire un data warehouse, standardizzare le informazioni, collegare correttamente le entità di business, progettare un modello dati coerente e preparare la base per una dashboard realmente utile.
In questo episodio arriviamo finalmente alla dashboard e alla fase più importante di tutto il progetto: leggere i dati per prendere decisioni.
Il punto centrale della puntata è proprio questo: una dashboard non serve semplicemente a visualizzare numeri. Serve a far emergere anomalie, comprendere il comportamento dei clienti e supportare decisioni concrete su marketing, retention, nuovi prodotti e investimenti.
Parliamo anche di come una soluzione di Business Intelligence possa essere costruita tecnicamente: architettura cloud AWS, storage dei dati, livelli Bronze, Silver e Gold, elaborazioni serverless, Athena, SQL e collegamento finale con Power BI. Ma soprattutto ribadiamo un principio fondamentale: tutta la tecnologia, tutto il codice e tutta l’infrastruttura hanno valore solo quando aiutano qualcuno a decidere meglio.

📌 In questa puntata parliamo di:
dashboard Power BI per analizzare un business reale;
data warehouse, AWS, SQL e architettura dati;
perché Excel da solo non basta quando le analisi diventano complesse;
come passare dai dati alle decisioni di business.
00:00 Dalla domanda di business alla dashboard finale
01:08 L’obiettivo del progetto: capire come sta andando Dati 365
02:25 Dai file complessi al data warehouse
03:00 Fatturato, abbonamenti e valore del cliente
04:54 Perché un progetto dati evolve durante il percorso
06:18 Partire da un quick win per dimostrare valore
08:22 La dashboard della mia azienda: i primi KPI
10:07 Cosa emerge leggendo davvero i grafici
11:57 Il picco di fatturato: cosa è successo a gennaio?
13:43 RMR per cliente: perché cresce mentre il fatturato cala
15:18 Vita media cliente e churn rate
17:23 Analisi per coorti: quanto rimangono i clienti?
20:22 Come scegliere il grafico giusto per chi decide
23:58 Dai tecnicismi alle decisioni di business
28:13 L’architettura dati: AWS, Data Warehouse e Power BI
30:31 Bronze, Silver e Gold Tier spiegati in pratica
33:22 Da Athena alla dashboard Power BI
35:17 Il miglior compromesso tra costi, tempi e complessità
36:00 Il futuro del progetto: dashboard, aggiornamenti e AI
37:44 Conclusioni dello spin-off
▶️ Guarda tutte le puntate dello spin-off Dietro le quinte:
https://www.youtube.com/watch?v=2kgN5ISmlSs&list=PLzM3BfJntqRUye38s2wXb01dI54ClQwiv
📩 Iscriviti alla Newsletter Dati 365 per ricevere approfondimenti su Data Analytics, Business Intelligence, Data Storytelling e cultura data-driven:
https://substack.com/@dati365
📊 Scopri Dati 365, l’Academy per imparare a lavorare con i dati su casi di business concreti:
https://dai-dati-alla-bi-393157.socialacademy.com/
Capitoli

📩 Newsletter Dati365
📊 Academy Dati365

Claude può davvero progettare la dashboard di un’azienda?
In questa nuova puntata dello spin-off “Dietro le quinte di un progetto dati” abbiamo deciso di fare un esperimento reale: prendere il progetto dati costruito nelle puntate precedenti e chiedere a Claude AI di progettare la dashboard finale del business.

Ma attenzione: questo video NON è il classico contenuto “l’AI sostituirà i data analyst” oppure “scrivi un prompt magico e avrai dashboard perfette in 10 secondi”.

Anzi.

Questa puntata mostra esattamente il contrario: il vero valore nei progetti di data analytics non è lo strumento, ma il ragionamento che c’è dietro. Claude può aiutare, accelerare, proporre idee, creare mockup e supportare il brainstorming… ma non può capire da solo cosa conta davvero per il business.

Ed è qui che il progetto diventa interessante.

Nel corso della puntata partiamo dal lavoro fatto nelle settimane precedenti:

* costruzione del data warehouse
* progettazione delle viste
* modellazione dei dati
* ragionamenti sulla granularità
* KPI
* retention
* lifetime value
* comportamento clienti
* ricavi ricorrenti

Fino ad arrivare al momento più atteso: la dashboard.

Per la prima volta il progetto diventa tangibile.
Fino a questo momento abbiamo lavorato dietro le quinte: database, ETL, query SQL, viste e trasformazioni. Tutto fondamentale, ma invisibile agli occhi del business. La dashboard invece è il primo elemento che un imprenditore, un manager o un CEO riesce davvero a “vedere”.

Ed è proprio qui che iniziano i problemi più interessanti.

Nel video mostriamo come Claude reagisce a un prompt estremamente generico:
“Crea la dashboard di un’azienda che vende corsi in abbonamento”.

Il risultato?
Una dashboard apparentemente corretta:

* KPI
* grafici
* churn rate
* fatturato
* clienti attivi
* revenue ricorrente

Sembra giusta.

Ma guardandola meglio emerge un problema enorme: è una dashboard generica. Claude ha costruito qualcosa che assomiglia alle dashboard che trova mediamente online. Ha fatto una regressione verso la media.

E qui entra in gioco il vero ruolo del data analyst.

Nel video analizziamo perché una dashboard realmente utile non nasce dai grafici, ma dalle domande:

* Chi userà questa dashboard?
* Che decisioni deve prendere?
* Qual è il vero obiettivo di business?
* Quali KPI contano davvero?
* Quali dati mancano?
* Quali informazioni sono rumorose?
* Quali sono i trade-off?
* Cosa vogliamo raccontare?

Ed è qui che la puntata diventa molto più profonda di un semplice “test AI”.
Mostriamo anche il metodo pratico che utilizzo per progettare dashboard.
Perché una dashboard non è un insieme di visualizzazioni messe a caso. Una dashboard è una storia.
Nel video vediamo come il risultato migliori drasticamente nel momento in cui iniziamo a dare contesto:

* chi leggerà la dashboard
* quali decisioni deve prendere
* quali dati esistono nel DWH
* quali sono gli obiettivi
* quali sono i limiti
* quali informazioni mancano

Solo a quel punto Claude inizia davvero ad aiutarci.

Parliamo anche di un tema molto importante ma spesso ignorato: la dashboard come strumento di comunicazione interna.
Quando arriva la dashboard, il management vede finalmente un risultato tangibile.
La dashboard non è il punto finale del progetto.
È il momento in cui il progetto inizia davvero a generare decisioni.

Se lavori nel mondo dati questa puntata ti farà vedere l’AI in un modo completamente diverso.
come acceleratore di ragionamento.

E soprattutto ti farà capire una cosa fondamentale:

Le dashboard non si progettano in Power BI.
Si progettano nella testa di chi deve prendere decisioni.