Fit for Purpose
Non basta che il dato sia pulito. Deve essere affidabile.
Bentornati al nostro appuntamento settimanale sul mondo della Business Intelligence per tutti. Siamo all’edizione numero 122 (chi lo avrebbe detto, eh?) e oggi vogliamo iniziare con una frase che può sembrare abbastanza netta, che descrive però perfettamente il collo di bottiglia che rallenta i processi decisionali in moltissime aziende:
“Il problema principale non sono i dati sporchi, ma la difficoltà di capire quando sono affidabili e quanto possiamo fidarci.”
In altre parole la Business Intelligence tradizionale, spesso, non fallisce per mancanza di dashboard o grafici sexy, ma semplicemente perché eredita le colpe di processi aziendali frammentati: CRM compilati a metà, ERP adattati negli anni, fogli Excel diventati sistemi mission-critical, definizioni diverse della stessa metrica a seconda del dipartimento che la racconta.
E allora si ripete la scena più comune in assoluto: il manager guarda la dashboard, fissa un numero e la sua prima domanda non è “Qual è il nostro piano d’azione?”, ma:
“Da dove arriva questo numero? Possiamo davvero fidarci?”
Ed ecco che alla fine anche oggi parliamo di trust. Come sempre però, prima di spulciare nell’interessante tema della settimana, ci affidiamo alla nostra playlist Data Grooves per avere un po’ di compagnia:
🎵 “Policy of Truth” — Depeche Mode
E non poteva esserci scelta diversa, perché bisogna avere il coraggio di guardare in faccia la realtà. Non nascondere i limiti, non fare finta che vada tutto bene. La trasparenza non è debolezza, ma l’unico modo per prendere decisioni che reggono.
Il grande malinteso: dato pulito vs dato affidabile
Mettiamo subito le definizioni sul tavolo, perché qui si nasconde il vero equivoco.
Un dato pulito è un concetto tecnico: niente duplicati, formati coerenti, campi valorizzati.
Un dato affidabile è invece un concetto di business: significa che quel dato è difendibile, che puoi portarlo in riunione e regge l’urto delle domande.
Il punto critico è che un dato può essere perfetto dal punto di vista tecnico, ma totalmente inaffidabile per il business, perché definito male o usato fuori contesto. Al contrario, un dato può essere “non perfetto” ma comunque affidabile, se l’azienda conosce esattamente i suoi limiti.
Nei nostri processi proviamo a misurare questa “fiducia” su cinque dimensioni pratiche.
La prima è l’accuratezza: il dato corrisponde alla realtà?
La seconda è la completezza: manca un pezzo del puzzle? Se il 30% degli ordini non ha una categoria prodotto, un KPI “Fatturato per categoria” può essere matematicamente perfetto, ma strategicamente fuorviante.
La terza è la coerenza: la definizione è univoca in tutta l’azienda? Se il “Fatturato” cambia tra Finance e Sales, la dashboard non sta misurando, sta negoziando.
La quarta è la freschezza: un insight basato su dati di ieri può generare un ROI negativo se il mercato è cambiato oggi.
La quinta è la tracciabilità: senza sapere da dove proviene un numero, quel numero è solo un’opinione ben impaginata.
Per dare un esempio pratico, è qui che entra in gioco il Natural Language Querying di Elly. Quando interroghiamo la piattaforma in linguaggio naturale, il motore AI non si limita a darci una risposta: ma spiega i passaggi logici che ha compiuto, dichiara il contesto e azzera l’ambiguità.
Cosa deve fare davvero la BI
C’è una frase che andrebbe stampata in ogni dipartimento IT: la BI non è la lavatrice dei dati aziendali. Se entra spazzatura, esce spazzatura (Garbage In & Garbage Out). Punto.
La BI moderna quindi non deve promettere l’illusione dei “dati perfetti”, ma rendere evidente il grado di fiducia. In pratica questo significa, ad esempio, non scrivere “aggiornato di recente” su una dashboard, ma “aggiornato alle 09:42”. Non scoprire un’anomalia a fine mese, ma ricevere un alert automatico nel momento in cui accade. Non un reporting passivo, ma un sistema nervoso vigile che ti avvisa in tempo reale.
Senza governance, la BI crolla.
La governance serve a stabilire chi decide le definizioni e chi risponde quando i conti non tornano. I ruoli da definire sono semplici:
chi decide le definizioni e le priorità di business?
chi mantiene il controllo e la qualità operativa?
chi implementa pipeline sicure e gestisce i permessi?
Poi ad esporre il dato, rendere visibile il contesto e monitorare la fiducia ci pensa Elly.
Il messaggio chiave per il management è questo: la tecnologia non sostituisce la governance, la amplifica. Se le definizioni sono chiare e la tracciabilità è a portata di clic, anche i decisori non tecnici possono muoversi con sicurezza.
Il twist: la qualità è anche legge
C’è un livello ulteriore che vale la pena nominare, perché spesso viene sottovalutato. Quando parliamo di dati, accuratezza e tracciabilità non sono semplici best practice. Sono requisiti imposti dal GDPR: limitazione della finalità, minimizzazione, integrità e - soprattutto - accountability, cioè responsabilità dimostrabile.
Non basta aver scritto una policy formale. Bisogna poter dimostrare by design come l’azienda tratta il dato. Se non puoi spiegare da dove arriva un numero e chi lo ha trasformato, non è solo un problema di qualità. È un problema di compliance.
Un esercizio pratico
La prossima volta che apriamo una dashboard, prima di guardare i numeri facciamoci una semplice domanda: “Se qualcuno in riunione mi chiede da dove viene questo dato, so rispondere?”
Se la risposta è sì, siamo già un passo avanti alla maggior parte delle aziende. Se la risposta è no, abbiamo trovato il prossimo task da chiudere.
I dati “buoni” non sono quelli tecnicamente perfetti. Sono quelli fit for purpose: coerenti con lo scopo, tracciabili, aggiornati e governati.
Quindi smettiamo di chiederci se i dati sono corretti e iniziamo a chiederci se le decisioni che prendiamo si basano su processi e informazioni sicure e affidabili.