Un'azienda data driven prende le decisioni partendo dai dati che produce ogni giorno (ordini, fatture, magazzino, produzione, assistenza) invece che solo dall'intuito di chi la guida. In una PMI l'approccio data driven non richiede un reparto di data scientist: servono dati collegati tra loro, una dashboard aziendale con pochi indicatori aggiornati in automatico e, solo dopo, qualche modello di intelligenza artificiale per le previsioni.
L'esperienza del titolare conta ancora, e parecchio. Il problema è che oltre una certa dimensione le domande diventano troppe per rispondere a memoria: quali clienti stanno ordinando meno del solito, quale famiglia di prodotti rende davvero, quale macchina si ferma più spesso e per quale motivo. Questa guida spiega cosa significa prendere decisioni basate sui dati, da dove partire e in quali casi l'AI serve davvero.
Cosa significa data driven in un'azienda
Data driven vuol dire "guidato dai dati". In un'azienda si traduce in tre abitudini.
- Le domande importanti hanno un numero di riferimento, per esempio il margine per cliente, il tempo medio di consegna o la percentuale di clienti che riordinano entro sei mesi.
- Quei numeri sono aggiornati e affidabili. Se qualcuno li ricostruisce a mano a fine trimestre incollando tre file Excel, non lo sono.
- Le decisioni si verificano dopo. Se cambi un listino o un processo, guardi cosa succede ai numeri nelle settimane successive e correggi.
Il giudizio delle persone resta al centro. Il dato ti dice che un cliente storico ha dimezzato gli ordini, ma capire se dipende dal prezzo, dal servizio o da un nuovo responsabile acquisti è un lavoro da commerciale. Con i dati in ordine te ne accorgi dopo due mesi, invece che alla chiusura del bilancio.
Il primo ostacolo: dati sparsi in troppi sistemi
Quasi tutte le PMI hanno più dati di quanti ne usino. Stanno però in posti diversi: il gestionale per ordini e fatture, il CRM per le trattative, l'e-commerce per le vendite online, un foglio Excel per le provvigioni degli agenti, un altro per le giacenze in conto deposito. Ogni sistema conosce un pezzo della storia.
Finché restano separati, ogni report richiede qualcuno che esporti, incolli e sistemi. Il lavoro è lento, gli errori sono frequenti e di solito il report arriva quando è tardi per intervenire. Ne abbiamo parlato in dati sparsi, decisioni cieche: il primo passo verso un'azienda data driven è far dialogare i sistemi con integrazioni e API, prima ancora di pensare a grafici e algoritmi.
È quello che è successo con il gestionale sviluppato per Pulltex. Anagrafiche clienti, abbinamenti con gli agenti e proforma stavano su sistemi che non comunicavano, e la direzione non aveva una visione chiara e aggiornata della rete commerciale. Oggi queste informazioni sono in un'unica piattaforma, sincronizzata con HubSpot via API.
Dashboard aziendale: il primo strumento da costruire
Con i dati collegati, la dashboard aziendale è il modo più semplice per usarli. Si tratta di una schermata che mostra, aggiornati in automatico, i pochi indicatori che servono a chi decide. Cinque o sei numeri che guardi davvero ogni lunedì mattina, non trenta grafici.
Per un distributore possono essere fatturato e margine per cliente e per famiglia di prodotto, ordini in ritardo e giacenze ferme da più di 90 giorni. Un impiantista guarderà gli interventi aperti, i tempi medi di risposta, le ore fatturabili per tecnico e i contratti di manutenzione in scadenza. Un produttore vorrà lo stato delle macchine, i pezzi per turno, i fermi con la loro causa e gli scarti. Chi lavora con una rete di agenti ha bisogno delle trattative aperte per agente, dei tempi di chiusura e dei clienti che non ordinano da tre mesi.
Nel caso di Buzzi Connect, le saldatrici ad alta frequenza di Buzzi SRL sono collegate a un'interfaccia web unica che mostra in tempo reale parametri, statistiche di produzione e allarmi di ogni macchina. I dati di produzione vengono storicizzati e si possono esportare verso i sistemi gestionali del cliente (MES, ERP) per seguire le performance nel tempo.
Perché una dashboard venga usata, ogni indicatore deve corrispondere a una decisione. Chiediti cosa faresti di diverso se quel numero salisse o scendesse; se non lo sai, toglilo. Poi assegna ogni numero a una persona: se il tempo di consegna peggiora, deve essere chiaro chi se ne occupa. E fai in modo che si aggiorni da sola, perché una dashboard da compilare a mano viene abbandonata nel giro di pochi mesi.
Una presa di posizione: se usi un solo gestionale che ha già una reportistica decente, impara a usare quella prima di comprare uno strumento di business intelligence. Lo strumento dedicato ha senso quando devi incrociare dati di più sistemi.
Analisi dati aziendali: dal passato alle previsioni
Le analisi dei dati aziendali si dividono in tre livelli, e conviene salirli in ordine.
Analisi descrittiva: cosa è successo
È il livello della dashboard: vendite del mese, margini, ritardi. Sembra banale, eppure molte aziende non ci arrivano con numeri affidabili. È anche il livello che ripaga più in fretta.
Analisi diagnostica: perché è successo
Qui si incrociano i dati. Le vendite calano in tutte le zone o solo in Emilia? Su tutte le famiglie di prodotto o solo sui ricambi? Con tutti gli agenti o con uno solo? Per rispondere servono dati collegati, ed è un altro motivo per cui l'integrazione dei sistemi viene prima.
Analisi predittiva: cosa succederà
È il livello del machine learning, cioè di algoritmi che imparano dai dati storici per stimare cosa accadrà. Alcuni casi realistici per una PMI:
- Un'azienda alimentare con prodotti freschi usa le vendite degli anni precedenti, la stagionalità e il calendario delle promozioni per stimare quanto produrre ogni settimana e ridurre gli sprechi.
- Un distributore individua i clienti il cui ritmo di ordini sta rallentando rispetto al loro solito e manda un avviso al commerciale di zona prima che il cliente passi a un concorrente.
- Un'officina meccanica raccoglie temperature, vibrazioni e allarmi delle macchine e riconosce le anomalie che di solito precedono un guasto, così pianifica l'intervento invece di subire il fermo.
- Un grossista di materiale edile che concede pagamenti dilazionati usa la puntualità dei pagamenti passati e la stagionalità dei clienti per decidere fidi e condizioni.
- Un agriturismo parte dalle prenotazioni storiche, dagli eventi in zona e dal periodo dell'anno per proporre la tariffa di ogni notte.
- Un ufficio ordini usa l'AI per leggere email e documenti e smistarli, e intanto genera dati puliti per le analisi successive. Il tema è trattato nella guida alla RPA robotic process automation.
Nessuno di questi modelli funziona senza uno storico pulito e abbastanza lungo. Se i tuoi dati di vendita affidabili coprono sei mesi, una previsione della domanda sarà poco più di un'ipotesi: meglio lavorare prima sul livello descrittivo.
A che punto sono le imprese italiane
L'interesse per i dati sta crescendo in fretta. Secondo la rilevazione Istat "Imprese e ICT" 2025, nell'ultimo biennio le imprese con almeno 10 addetti che hanno svolto analisi dei dati, con personale interno o esterno, sono passate dal 26,6% al 42,7%. Nel 2025 l'uso di almeno una tecnologia di intelligenza artificiale tra le PMI è raddoppiato rispetto all'anno prima, dal 7,7% al 15,7%.
La stessa rilevazione riporta gli ostacoli citati dalle imprese che hanno valutato l'AI senza adottarla. Al primo posto c'è la mancanza di competenze (58,6%); il 45,2% indica l'indisponibilità o la scarsa qualità dei dati necessari. In quasi metà dei casi, quindi, il problema sono i dati.
Come diventare un'azienda data driven in 5 passi
1. Parti da una decisione che oggi prendi male
Non chiederti cosa puoi fare con l'AI. Chiediti quale decisione oggi prendi a sensazione per mancanza di informazioni: quanto fido concedere a un cliente nuovo, quali commesse accettare in alta stagione, quanto materiale ordinare a settembre. Poi fissa un obiettivo misurabile.
2. Mappa e collega i dati
Elenca dove si trovano i dati che servono per quella decisione, in che formato sono e chi li aggiorna. Poi collega le fonti perché si alimentino da sole. È la parte più lunga e meno visibile del lavoro, e senza di essa ogni analisi successiva parte da numeri sbagliati.
3. Costruisci una prima dashboard
Pochi indicatori, aggiornati in automatico, condivisi con chi deve agire. Usala per qualche settimana e osserva quali numeri vengono guardati e quali vengono ignorati.
4. Prova un progetto pilota di analisi predittiva
Scegli un solo caso con un buon rapporto tra impatto e complessità. Addestra il modello su una parte dei dati storici, misura quanto è preciso su dati che non ha mai visto e confrontalo con il metodo che usi oggi. Se non migliora le decisioni, fermati o cambia approccio.
5. Porta il risultato dove si lavora e tienilo sotto controllo
La previsione deve arrivare nel gestionale, nel CRM o in una notifica al responsabile, non in un file che nessuno apre. Va poi controllata nel tempo: il mercato cambia, e un modello addestrato sui dati di due anni fa perde precisione. Quando succede, va riaddestrato con dati recenti.
Gli errori più comuni
L'errore più frequente è comprare uno strumento di business intelligence prima di avere dati puliti: i grafici escono belli e sbagliati. Il secondo è misurare tutto, perché cento indicatori non li guarda nessuno. Il terzo è delegare il progetto all'IT, mentre le domande giuste le fanno vendite, produzione e amministrazione. L'ultimo è prendere una previsione per una certezza: è una stima, e va letta insieme all'esperienza di chi conosce clienti e mercato.
Per esempi di applicazioni AI adatte a realtà di piccole e medie dimensioni c'è l'articolo intelligenza artificiale per PMI. Il modo in cui Selli collega dati, automazioni e modelli predittivi ai processi aziendali è descritto nella pagina sulle automazioni con AI.
Parliamone: quale decisione vuoi prendere con i dati
Un'azienda diventa data driven partendo da una domanda precisa, non da un software. Raccontaci quale decisione oggi prendi a sensazione: guardiamo insieme dove sono i dati che servono, come collegarli e se basta la reportistica che hai già o serve una dashboard dedicata. Se c'è da sviluppare, lavoriamo a sprint di due settimane con un ambiente di test in cui verifichi i numeri prima che arrivino in produzione, e il codice resta di tua proprietà. Prenota una call con Selli e partiamo dal tuo primo indicatore.