Analisi dati con l'AI: come far parlare i numeri che hai già (senza diventare un data analyst)

Il file si chiama Clienti_2024_FINALE_VERO.xlsx, e questo, da solo, racconta già tutto. Dentro ci sono le risposte a metà delle domande che ti fai il lunedì mattina: quale prodotto ti costa più di quanto rende, quale cliente ha smesso di ordinare senza dirtelo. Il problema non è che mancano i dati — ce li hai già, sparsi fra gestionale, e-mail e cartelle condivise. Il problema è che tirarli fuori costa mezza giornata e una tabella pivot, e mezza giornata il lunedì mattina non ce l'hai. Così decidi a naso, e il naso funziona finché i numeri restano pochi. La buona notizia non è che esiste un'intelligenza artificiale capace di leggere il file al posto tuo. È che il lavoro vero non è leggerlo: è metterlo in ordine. E quello si fa una volta sola.

Perché il report che aspetti da una settimana è già vecchio quando arriva?

Perché il costo non è il tempo di chi lo compila: è il ritardo della decisione che dovrebbe seguirlo. Un report pronto lunedì su dati di due settimane prima non ti dice se un cliente sta scivolando via oggi — ti dice se stava scivolando via due settimane fa, quando la finestra per intervenire era ancora aperta.

Questo divario non è una questione di tecnologia complicata: è una questione di dimensione. Le aziende grandi lo hanno già risolto, con un reparto BI o un data analyst dedicato. Le piccole no, e non perché l'intelligenza artificiale costi troppo.

Il divario è dimensionale, non tecnologico: quasi quattro volte più adozione fra le imprese grandi. E leggere i dati che hai già è uno dei punti in cui il ritorno arriva subito, non promesso — ne parliamo con più respiro in dove l'AI rende davvero a una PMI italiana.

Che cosa vuol dire «interrogare» un file invece di compilarlo?

Costruire una tabella pivot vuol dire scegliere tu le righe, le colonne, i filtri — e rifarlo da capo ogni volta che la domanda cambia. Interrogare un file vuol dire scrivere la domanda in italiano e lasciare che sia il sistema a costruire la tabella al posto tuo.

Sotto, non c'è magia: l'intelligenza artificiale scrive ed esegue del codice sul tuo file — tipicamente Python — proprio come faresti tu con una macro, solo che lo fa in linguaggio naturale e in pochi secondi. Non "capisce" il foglio nel senso in cui lo capisci tu: legge righe e colonne, applica i calcoli che gli hai chiesto, e ti restituisce un numero o un grafico.

Questa distinzione conta soprattutto quando la risposta è sbagliata — e a volte lo è. Se il file ha una colonna duplicata o una data scritta in due formati diversi, il calcolo si contamina, e la risposta arriva comunque sicura di sé. Per questo la domanda giusta da farsi non è mai "mi fido del risultato", ma "posso vedere come ci è arrivato" — chiedere di mostrare il calcolo, non solo il numero finale.

Quali dati hai già, senza comprare niente?

Prima di parlare di intelligenza artificiale, vale la pena fare l'inventario di quello che hai già, perché di solito è più di quanto pensi:

• le fatture elettroniche, che contengono già ogni vendita per cliente e prodotto;
• le esportazioni del gestionale, anche solo in CSV;
• gli ordini dell'e-commerce, se ne hai uno;
• le prenotazioni, se lavori su appuntamento;
• il registro dei preventivi, con chi ha detto sì e chi non ha mai risposto.

Il problema quasi mai è la quantità. È che questi dati stanno in sei posti diversi, con nomi di colonna diversi, e nessuno li ha mai messi insieme. Era esattamente il problema che avevamo di fronte lavorando con PAESC – Patto dei Sindaci: comunicazione frammentata fra oltre 50 comuni aderenti, ognuno con la propria documentazione dispersa (dato di progetto DigiHelp). La soluzione non è stata un algoritmo più intelligente: è stato un archivio unico, con 840+ documenti centralizzati dove prima non ce n'era nessuno.

Vale anche per i tuoi dati: prima di chiedere qualsiasi cosa a un'AI, la prima domanda è dove vivono i tuoi file, non quale modello usare. E quando l'Excel dei clienti smette di bastare — troppi contatti, troppi passaggi da ricordare a memoria — il tema cambia natura: quando l'Excel dei clienti non basta più.

I tre livelli: cosa è successo, perché è successo, cosa succederà

Ogni analisi che fai — a mano o con un'AI — risponde a una di queste tre domande, e vale la pena distinguerle perché non sono equivalenti.

Descrittiva: cosa è successo? È il livello più semplice: il grafico del fatturato dell'ultimo trimestre, il totale ordini per regione. Utile per farsi un'idea, ma da solo non basta a decidere.

Diagnostica: perché è successo? Qui l'AI comincia a rendere davvero: incrocia le tabelle e trova le correlazioni che a mano richiederebbero ore. "Le vendite in Veneto sono calate perché il prodotto X è rimasto fuori magazzino per tre giorni" è il tipo di risposta che vale la pena aspettarsi — sempre verificabile, mai presa per oro colato.

Predittiva: cosa succederà? È il livello dove l'AI proietta un trend futuro, ed è anche quello dove sbaglia con più sicurezza. Un'AI che ti dice "a questo ritmo finirai il budget marketing il 12 ottobre" sta facendo una proiezione lineare su dati passati, non una previsione: se cambia qualcosa a monte — un fornitore, una stagionalità — la proiezione non lo sa, e continuerà a darti un numero preciso lo stesso.

Ai primi due livelli si arriva con i dati che hai già, senza cambiare nulla nel modo in cui lavori oggi. Il terzo è dove capire cosa delegare e cosa tenere in mano diventa la competenza vera da costruire: cosa delegare e cosa tenere in mano.

Posso caricare il file dei clienti dentro ChatGPT?

È la domanda più importante di questo articolo, ed è anche quella a cui quasi nessuna guida risponde davvero. La risposta breve: dipende da cosa c'è dentro il file, non da cosa vuoi chiedergli.

Un file con dati aggregati — totali per regione, andamento mensile del fatturato, quantità vendute per prodotto — non identifica nessuna persona. Lo puoi caricare praticamente ovunque senza preoccuparti.

Un file con dati personali — nome, e-mail, telefono, partita IVA di ogni singolo cliente — è un'altra cosa. Prima di caricarlo, il lavoro da fare è togliere quello che identifica la persona, non l'analisi: sostituisci nome ed e-mail con un codice cliente progressivo (Cliente_001, Cliente_002), e tieni tu, offline, la tabella che fa corrispondere il codice al nome vero. L'analisi — chi compra di più, chi sta scivolando via — funziona esattamente uguale su un codice anonimo: quello che conta per il calcolo è il comportamento d'acquisto, non l'identità di chi c'è dietro.

C'è poi una differenza che pochi guardano: uno strumento consumer gratuito e uno strumento con un contratto aziendale sotto — che definisce trattamento, conservazione e accesso ai dati — non offrono le stesse garanzie su dove finiscono i tuoi file dopo che li hai caricati. Se lavori regolarmente su dati di clienti, vale la pena sapere cosa comporta tenere i dati dei clienti prima di scegliere lo strumento, non dopo un incidente. E vale il ragionamento anche al contrario: sapere quali dati non devono uscire dall'azienda è la prima domanda da farsi, prima ancora di quale AI usare.

Come si prepara un file perché l'AI possa leggerlo

Questa è la parte noiosa, ed è anche quella che decide se la risposta sarà giusta o inventata. Un file scritto per essere letto da un occhio umano — con celle unite, colori, righe di totale in mezzo ai dati — è quasi sempre un file che confonde un'analisi automatica.

La regola generale: una riga per record, un'intestazione per colonna, niente che serva solo all'occhio umano. È un dettaglio che nessuna delle guide enterprise sull'automazione dei dati si prende la briga di spiegare — e proprio per questo, quando prepari il file così, la differenza fra un'analisi affidabile e una sbagliata smette di essere un mistero.

Quando serve una dashboard e quando basta una domanda?

Non sempre la risposta è costruire qualcosa di stabile. Il criterio onesto è uno solo: se ti fai la stessa domanda ogni settimana, ti serve qualcosa che resti — una vista che si aggiorna da sola. Se la domanda cambia ogni volta, costruire una dashboard è un costo che non si ripaga: nel tempo che impieghi a progettarla, potevi averla fatta a mano dieci volte.

Il volume di dati che arriva è il discriminante migliore, più dell'ambizione del progetto. Su INNOVAFORNITURE, l'e-commerce B2B di forniture industriali che abbiamo seguito, con un catalogo ampio e ordini che arrivano ogni giorno lavorativo, questo si vede senza bisogno di numeri: è il caso in cui una vista fissa — quali prodotti si stanno esaurendo, quali clienti non ordinano da un mese — serve davvero, perché la stessa domanda torna ogni mattina.

Se invece il tuo caso è "voglio sapere se questo mese è andato meglio del mese scorso" e te lo chiedi una volta al mese, non ti serve una dashboard: ti serve fare la domanda una volta al mese. È la stessa logica che decide se un sistema di marketing automation vale la pena costruirlo: far lavorare i dati dentro un sistema che si ripete ha senso solo quando il pattern si ripete davvero, non quando cambia ogni volta.

Da dove si comincia lunedì mattina

Tre passi, nell'ordine in cui contano:

1. Scrivi la domanda prima di aprire il file. Non "analizza i miei dati", ma "qual è il prodotto che vendo di più e che rende meno margine". Una domanda precisa produce una risposta verificabile.
2. Esporta un solo mese, non l'intero storico. Un file più piccolo è più facile da controllare, e per la prima prova non ti serve altro.
3. Togli i dati personali prima di caricare, come visto sopra: codice cliente al posto di nome ed e-mail.

Per PAESC mettere ordine nei dati prima di poterli usare ha portato il tempo di gestione amministrativa da 15 ore a settimana a 3 (dato di progetto DigiHelp) — non perché un algoritmo avesse risolto il problema, ma perché per la prima volta i documenti stavano in un solo posto. È lo stesso principio applicato ai tuoi file: la parte che vale il tempo non è l'AI, è mettere ordine prima. Ed è il passo che di solito serve anche a chi vuole digitalizzare altri processi, non solo i report: da dove parte la digitalizzazione di una piccola impresa.

Se preferisci non affrontarlo da solo, è il lavoro che facciamo quando costruiamo agenti AI che leggono i tuoi dati senza che tu debba prepararli a mano.

Cosa l'AI non farà al posto tuo

Meglio saperlo prima di scoprirlo con un cliente in ascolto. L'AI inventa numeri con sicurezza quando il file è ambiguo: se una colonna ha due significati diversi in due fogli, ti darà comunque un totale, non un dubbio. Non conosce il contesto del tuo settore — non sa che quel calo di marzo è normale perché chiudi due settimane per ferie, a meno che tu non glielo scriva. E non decide: ti dice cosa dicono i numeri, non cosa fare con il prodotto che rende poco.

Il lavoro che resta tuo è proprio questo: fare la domanda giusta, controllare la risposta, e decidere. L'AI toglie la mezza giornata di tabella pivot. Non toglie la decisione — quella, alla fine, resta sul tuo tavolo, ed è giusto così.