Dai dati alla Business Intelligence

In questa nuova puntata di Dietro le quinte dei progetti di data analytics affrontiamo uno dei problemi più reali e più sottovalutati nei progetti dati: il momento in cui dovresti parlare di strategia, ma finisci per bloccarti sui dati.È una situazione molto più comune di quanto sembri.Si entra in riunione per prendere decisioni di business, discutere priorità, valutare investimenti, capire come sta andando l’azienda o quale direzione prendere. E invece ci si ritrova a parlare di tutt’altro: numeri che non tornano, definizioni non condivise, clienti contati in modi diversi, dati sporchi, logiche poco chiare, fonti non allineate. Il risultato? La decisione si ferma.Questa puntata parte da un caso concreto e personale: un confronto su Dati 365 che avrebbe dovuto riguardare la strategia e la sostenibilità del progetto, ma che si è trasformato in una discussione sui dati, su come interpretarli, su come pulirli e su come costruire definizioni corrette per poterli usare davvero. Ed è proprio qui che emerge una lezione fondamentale: se il lavoro sui dati non viene fatto bene prima, nel momento in cui serve decidere ci si blocca.Nel video parliamo di perché la qualità del dato non è un tema solo tecnico o solo IT, ma un tema che impatta direttamente il processo decisionale. Perché se i dati non sono affidabili, se non sono stati validati, se non esistono definizioni condivise su cosa sia un cliente, un contatto, un abbonamento, un upgrade o un ricavo mensile, allora la riunione non serve a decidere: serve solo a capire quale numero sia giusto.Approfondiamo anche il ruolo delle view, che in questa puntata diventano il vero passaggio tecnico chiave. Le view non sono il punto finale del percorso e non sono ancora la dashboard o il data storytelling, ma sono uno step intermedio fondamentale: servono a organizzare, aggregare, normalizzare e semplificare i dati in modo da preparare una base solida per l’analisi successiva. In altre parole, sono il semilavorato che rende possibile il lavoro di narrazione del dato.Parliamo quindi di:perché i dati sbagliati o non preparati possono bloccare una riunione strategicaperché un progetto di data analytics non è lineare ma iterativocome si passa dai dati grezzi a tabelle più strutturate e poi a view più leggibiliperché le definizioni di business contano tanto quanto il codiceche differenza c’è tra parlare dei dati e parlare con i daticome le view aiutano a preparare il terreno per il data storytellingperché una dashboard, da sola, non basta se prima non è stato costruito bene tutto il percorsoQuesta puntata è utile se lavori con Power BI, Excel, SQL, dashboard, business intelligence, data warehouse, ETL, reporting, analytics, data preparation e data storytelling, ma soprattutto se ti capita spesso di vivere riunioni in cui si dovrebbe decidere e invece ci si arena sui numeri.Perché il punto, alla fine, è sempre questo:i dati dovrebbero aiutarti a decidere meglio. Se invece ti bloccano, significa che a monte c’è ancora del lavoro da fare

In questa quarta puntata di “Dietro le quinte dei progetti di data analytics” entriamo in una delle fasi più importanti e più sottovalutate di qualsiasi progetto dati: ETL, pulizia del dato e trasformazioni.
Quando si parla di analisi dati, dashboard, business intelligence, machine learning o AI, spesso si guarda solo al risultato finale. In realtà, il vero lavoro avviene molto prima: nel momento in cui i dati vengono estratti, puliti, standardizzati, collegati e trasformati in una struttura davvero utile per il business.
In questo episodio parliamo di:
che cos’è un processo ETL (Extract, Transform, Load)
perché la fase di trasformazione del dato è spesso quella che crea più valore
come si passa da dati grezzi e sporchi a dati affidabili per l’analisi
perché scegliere bene una chiave univoca è fondamentale
che problemi creano duplicati, campi testuali, descrizioni incoerenti e dati mancanti
come si costruiscono anagrafiche, relazioni e logiche di business corrette
perché molte analisi si rompono quando si uniscono male le tabelle
che cosa significa davvero preparare i dati per una dashboard, per la business intelligence o per progetti più avanzati di machine learning
Partendo dal caso reale di Dati 365, mostriamo cosa succede davvero dentro un progetto di data analytics: non solo teoria, ma problemi concreti, dubbi reali, casi limite, definizioni da chiarire e processi da rivedere.
Questa puntata è utile se lavori con:
Power BI, Excel, SQL, data warehouse, ETL, dashboard, business intelligence, analisi dati, data modeling, data cleaning e più in generale se vuoi capire perché i dati, prima di essere analizzati, vanno prima resi coerenti e affidabili.
Perché il punto è sempre quello:
il vero lavoro non è fare la dashboard. Il vero lavoro è costruire dati su cui quella dashboard possa davvero reggersi.

In questa puntata entriamo nel vivo del progetto dati e vediamo cosa succede dopo aver deciso di costruire un data warehouse. Partendo dai dati grezzi dell’academy Dati 365, analizziamo la prima fase di lavoro del team: studio preliminare dei dataset, costruzione di un primo data model a star schema, distinzione tra tabelle dei fatti e dimensioni e progettazione dell’architettura dati a più livelli (staging, trasformazione e presentation layer). Parliamo anche di un tema spesso sottovalutato nei progetti di data analytics e Business Intelligence: la necessità di comprendere il dominio di business per dare significato ai dati, il processo iterativo di scoperta che nasce dall’analisi dei dati stessi e le prime trasformazioni necessarie per rendere i dati utilizzabili per analisi reali (come normalizzazione degli abbonamenti, gestione dei pagamenti e costruzione delle prime viste analitiche). Infine affrontiamo anche un dubbio molto diffuso: quanto costa davvero un’infrastruttura dati, come funzionano i costi nel cloud e perché progettare bene il sistema dati può far risparmiare risorse nel lungo periodo.

Dietro le Quinte – costruire un progetto dati da zero
Questo video fa parte della serie Dietro le Quinte, un progetto nato per raccontare cosa significa davvero realizzare un progetto di data analytics e Business Intelligence partendo da zero.
In questa serie non parliamo di teoria ma seguiamo passo dopo passo tutte le fasi di lavoro:
• analisi dei dati sorgente
• progettazione dell’architettura dati
• costruzione del data warehouse
• modellazione dei dati
• preparazione delle analisi e delle dashboard
L’obiettivo è mostrare come nascono davvero i progetti dati e quali sono i problemi che emergono nella pratica.

Il caso studio: Dati 365
Il progetto prende come caso studio Dati 365, la mia academy dedicata alla formazione in data analytics.
Nel corso della serie stiamo costruendo progressivamente:
• un data warehouse
• pipeline di integrazione dei dati
• un modello dati per analizzare clienti e abbonamenti
• una dashboard di Business Intelligence
con cui analizzare metriche come:
MRR (Monthly Recurring Revenue)

ARPU

retention dei clienti

durata degli abbonamenti

performance del funnel di acquisizione

Questo ci permette di mostrare concretamente come si costruisce un sistema di analytics nel mondo reale.
La serie “Dietro le Quinte” è realizzata in collaborazione con Itauros, partner del progetto.
Insieme stiamo lavorando alla progettazione e alla realizzazione dell’infrastruttura dati che rende possibile l’analisi.
Il progetto include:
• progettazione dell’architettura dati
• integrazione delle fonti
• costruzione del data warehouse
• modellazione dei dati per l’analytics
• preparazione delle viste per la reportistica
Questo contenuto è pensato per:
• manager e imprenditori che vogliono capire come funzionano davvero i progetti dati
• data analyst e professionisti della Business Intelligence
• chi lavora con Power BI, data warehouse e data platform
• chi vuole costruire un’azienda data-driven
Se ti interessano contenuti su:
• Data Analytics
• Business Intelligence
• Power BI
• Data Strategy
• Data Warehouse
• Data Storytelling
iscriviti al canale per seguire i prossimi episodi della serie Dietro le Quinte
Il partner del progettoA chi è utile questo videoIscriviti al canale

In questa puntata del podcast Dai Dati alla Business Intelligence, ospito Gianluca Comandini per parlare di un tema che sembra “da Serie A”, ma che può fare la differenza anche nelle categorie più basse: football data analytics e dati nel calcio.
Partiamo da una storia concreta (e sorprendente): il progetto Vesta Calcio, nato come squadra di parrocchia e trasformato con un approccio “da startup” in una realtà in rapida crescita, tra promozioni, community e innovazione. Con Comandini entriamo davvero dietro le quinte per capire come si costruisce un vantaggio competitivo applicando AI e dati nel calcio dilettantistico, con strumenti e metodi che spesso si associano solo al professionismo.
Parliamo di come raccogliere dati sul campo con IoT, GPS, parastinchi intelligenti, pettorine GPS, video analysis e computer vision (camera 360° + intelligenza artificiale), e di come questi dati diventano decisioni utili per lo staff tecnico: dalla prevenzione infortuni alla gestione dei carichi, dal miglioramento delle prestazioni alla lettura delle differenze tra allenamento e partita, fino alla scelta dei ruoli e alla preparazione delle gare.
Approfondiamo anche la parte più “matematica” del gioco: metriche calcistiche, KPI calcistici, dati di posizione e dati evento, fino ai concetti di probabilità e expected goals (xG). Il punto non è “fare report”, ma usare i dati come processo continuo: analisi, feedback, correzioni, test. In pratica: una versione reale di Football Manager, dove numeri e campo si incontrano davvero.
Non manca il tema che conosci bene anche nel mondo aziendale: la cultura data driven. Comandini racconta le resistenze tipiche di staff e giocatori (“calcio di strada” vs dati), e come si supera lo scetticismo trasformando i numeri in motivazione, comunicazione e persino contenuti social. A proposito di social: parliamo anche di Twitch e streaming delle partite, e di come l’innovazione “dal basso” possa spostare gli standard (anche quando poi arriva la regolamentazione).
Infine tocchiamo la visione: creare una piattaforma proprietaria (Vesta Lab) per integrare le diverse fonti, rendere i dati leggibili per allenatori e match analyst, e costruire un modello sostenibile basato su tre pilastri: tifosi, tecnologia e bilancio in pareggio (gestione, pianificazione, Excel e controllo dei costi… sì, anche il toner della stampante 😄).
00:00 — Calcio + dati: questa puntata è speciale00:59 — Chi è Comandini e perché parla di calcio03:46 — Vesta Calcio: dalla parrocchia alla scalata04:47 — I risultati in 4 anni: promozioni, stadio, settore giovanile, social06:17 — Tecnologia e cultura: perché nei dilettanti fa ancora più differenza12:35 — Football Data Analytics: strumenti e dati sul campo (IoT, GPS, AI, video)15:45 — Dati che cambiano tutto: motivazione, prevenzione infortuni, scelte tecniche21:59 — KPI e xG: quando il calcio diventa matematica (tipo Football Manager)39:04 — i 3 pilastri del Vesta Lab : piattaforma dati, tifosi, bilancio in pareggio

Hai pochi dati, quattro tabelle “semplici”… e scopri che non sono affatto semplici.In questa puntata entriamo davvero dietro le quinte di un progetto di data analytics reale e capiamo perché a un certo punto Excel e il database operativo non bastano più.Partiamo da un caso concreto e facciamo il passaggio chiave: dal dato transazionale al Data Warehouse, mettendo ordine tra pagamenti, abbonamenti, clienti, lead e “falsi amici” che rischiano di rovinare le analisi.In questa puntata vediamo: - perché il Data Warehouse è un collettore e non “un costo in più”- la differenza tra dato operativo e dato analitico (e perché separarli)- come introdurre storicizzazione e versioning dei dati-pagamenti annuali, mensili e a 0€: dove nascono gli errori-come iniziare a ragionare su KPI corretti (fatturato, clienti attivi, ARPU, durata)-perché le analisi non sono mai “una tantum”, ma un processo continuoNiente teoria per il gusto di farla: usiamo i dati per capire il business e prepararci alle analisi che verranno nelle prossime puntate.Se lavori con i dati, fai BI o stai cercando di rendere la tua azienda più data-driven, questa è una puntata che ti evita parecchi errori a valle.📌 Link utili- [Newsletter] Essere Data Driven: la verità che nessuno racconta: - [1° Video] Ho dato i miei dati REALI a un Data Analyst : - [Carosello]Perché serve un DWH per il progetto di Dietro le quinte: 00:00 – Perché questo progetto di data analytics00:56 – Cos’è davvero un Data Warehouse03:26 – Operativo vs analitico: perché separare i dati04:33 – La dimensione storica dei dati05:57 – Ok, ma chi lo paga? (il punto di vista del business)Quanto costa un DWH e quando ha senso investire davvero.07:41 – Architettura semplice vs complessa08:00 – Star Schema: fatti e dimensioni spiegati sul campoTabella dei fatti, dimensioni e perché il modello dati conta più delle query.11:34 – Entriamo nel caso reale: utenti, pagamenti, abbonamentiLe entità principali del progetto e perché gli abbonamenti sono “falsi amici”.13:34 – Pagamenti singoli, mensili, annuali e a 0€Doppioni, free trial e perché contare i clienti non è banale.15:10 – Quando un cliente è davvero un cliente?Lead, cliente, ex-cliente: la definizione dipende dall’analisi.17:03 – Abbonamenti annuali e RMR: il problema dello “spalmare”Un pagamento ≠ un mese: come simulare i flussi corretti per le analisi.18:27 – Dai dati semplici alla complessità realePerché ogni progetto dati diventa complesso entrando nel business.20:18 – Quali analisi vogliamo fare (prima le priorità)Fatturato, clienti attivi, ARPU e durata del cliente.21:54 – Effetto palestra e utilizzo delle lezioniPerché il dato finanziario da solo non basta.23:41 – Funnel marketing e CRMDa lead a cliente: dati mancanti e analisi di conversione.25:10 – L’analisi come processo, non come dashboardOgni analisi genera nuove domande (ed è normale).28:06 – Il Data Warehouse non è un costo, è un investimentoPerché abilita decisioni migliori, anche correttive.30:15 – Il vero lavoro del data analystSintetizzare complessità in messaggi chiari per decidere.31:23 – Data storytelling: parlare al cliente, non ai tecniciMeno righe di SQL, più messaggi utili.33:20 – Quanti dati servono davvero?50k righe vs milioni: quando Excel non basta più.34:39 – La scelta pragmatica: PostgresPerché partire semplice è spesso la scelta migliore.36:06 – Dal dato grezzo al modelloIngestion vs transformation: come iniziamo a costruire il DWH.38:38 – Più fatti, più dimensioniPagamenti, clienti, prodotti, tempo e abbonamenti.39:16 – Prossimi step del progettoTrasformazioni, modellazione e cosa vedremo nella prossima puntata.