Come preparare i dati aziendali per l'AI

"Prima devo sistemare i miei dati" è una delle frasi più comuni che si sentono parlando di AI con le PMI italiane, e spesso diventa una giustificazione per rimandare a tempo indeterminato. La realtà è più sfumata: alcuni progetti AI richiedono dati storici puliti e strutturati, altri funzionano già oggi con quello che si ha. Capire la differenza è il primo passo.

GDPR e dati personali: cosa cambia con l'AI

Quando i dati che alimentano un sistema AI contengono dati personali, nomi, email, comportamenti di clienti identificabili, si applicano le regole del GDPR, e vale la pena chiarirle prima di tutto il resto. Servire un cliente meglio usando i suoi dati è spesso giustificabile come interesse legittimo o esecuzione contrattuale, ma va documentato, non basta presumere che sia a posto. Il sistema AI deve usare solo i dati personali necessari per lo scopo specifico: se per una previsione della domanda basta la categoria del cliente, non serve passare il nome al modello. Se si usa un servizio cloud per il proprio sistema AI, quel fornitore è un responsabile del trattamento e serve un accordo di trattamento dati: i grandi provider li hanno standard, i fornitori più piccoli non sempre. E se un cliente chiede la cancellazione dei suoi dati, quei dati vanno rimossi anche dagli storici usati per addestrare o far girare i modelli.

Il mito dei dati perfetti, e i tipi di dati più utili

Nessuna azienda ha i dati perfetti: le grandi aziende con team di data engineering dedicati da anni hanno dati migliori della media, ma ancora con problemi, incoerenze, lacune. Aspettare di avere dati perfetti per iniziare è come aspettare di essere in forma prima di andare in palestra. C'è però una differenza reale tra dati imperfetti ma utilizzabili e dati inutilizzabili per lo scopo specifico: un chatbot che risponde a domande su prodotti e policy di reso ha bisogno di documenti testuali, catalogo, policy scritte, domande e risposte storiche, non di database perfettamente strutturati, mentre un modello di previsione della domanda ha bisogno di almeno 18-24 mesi di storico vendite pulito per referenza, e se quello storico non esiste va prima costruito. Non tutti i dati valgono uguale: i dati transazionali, ordini, fatture, pagamenti, movimenti di magazzino, sono strutturati e perfetti per previsioni di domanda e analisi di redditività; i dati comportamentali, visite al sito, interazioni con l'email marketing, sono utili per personalizzazione e lead scoring; i dati documentali, contratti, email, report, schede prodotto, sono testi non strutturati ma ricchi, utili per sistemi di ricerca interna e automazione documentale; e i dati conversazionali, trascrizioni di chiamate, ticket di supporto, sono preziosi per capire le esigenze dei clienti e migliorare i prodotti. La buona notizia è che quasi ogni azienda ha almeno uno di questi tipi di dati in quantità sufficiente per iniziare qualcosa di utile.

Come valutare la qualità dei tuoi dati

Prima di qualsiasi implementazione vale la pena fare una valutazione rapida, non serve un audit formale, bastano due o tre ore con chi gestisce i dati ogni giorno. Le domande chiave riguardano la completezza, qual è la percentuale di campi vuoti nelle tabelle più importanti, con oltre il 20% su campi critici che è già un problema; la consistenza, se le stesse entità sono rappresentate in modo coerente, perché "Milano", "MI" e "milan" per la stessa città sono quattro formati diversi che un sistema tratta come quattro cose diverse; l'aggiornamento, con quale frequenza i dati vengono aggiornati, perché dati settimanali non funzionano per un'applicazione che richiede visibilità in tempo reale; lo storico, quanti anni di dati sono disponibili, perché per applicazioni predittive meno di 12 mesi è spesso insufficiente; e l'accessibilità, se i dati sono in un unico sistema o distribuiti su più fonti, perché più frammentazione significa più complessità di integrazione.

I problemi più comuni nelle PMI italiane

Cinque problemi ricorrono più di altri. I duplicati, lo stesso cliente registrato come "Rossi Paolo", "Paolo Rossi" e "P. Rossi srl" nel CRM, creano analisi distorte moltiplicati per centinaia di clienti, e si risolvono con algoritmi di corrispondenza approssimata che si automatizzano al 70-80%. I formati inconsistenti, date scritte in modi diversi, valute con o senza simbolo, numeri con punto o virgola come separatore decimale, emergono spesso quando si integrano sistemi diversi o quando i dati vengono inseriti manualmente da persone diverse. I dati mancanti sistematici, campi come il settore del cliente o la fonte dell'ordine compilati solo a volte, non impediscono di lavorarci ma degradano le performance dei modelli che dipendono da quei campi, e la strategia è accettare la limitazione scegliendo un modello che funziona senza, oppure avviare un processo di arricchimento prima del progetto AI. I silos di dati, informazioni sui clienti sparse tra CRM, ERP ed email del commerciale senza che nessun sistema abbia la visione completa, richiedono integrazione tramite piattaforme dedicate che lo fanno senza sviluppo su misura, ma vanno pianificate per tempo. E la mancanza di storico digitale, tipica di chi ha gestito ordini su carta o via email per anni, è il problema più difficile perché non si risolve con la pulizia ma solo aspettando che i nuovi dati si accumulino, il che suggerisce di partire con applicazioni che non richiedono dati storici strutturati mentre si costruisce parallelamente il database per le applicazioni predittive future.

Data cleaning di base: da dove iniziare

Non serve diventare ingegneri dei dati: per la maggior parte dei casi pratici nelle PMI bastano pochi passaggi. Identificare le tabelle chiave rilevanti per il progetto specifico, senza pulire tutto il database aziendale. Fare un'analisi esplorativa di due o quattro ore per capire valori mancanti, distribuzione dei dati, valori anomali evidenti, formati inconsistenti. Standardizzare i formati, date nello stesso formato, testi nello stesso case, unità di misura consistenti, un lavoro automatizzabile con query semplici. Gestire i valori mancanti scegliendo tra rimuovere le righe se sono poche, sostituire con la media o la mediana per i dati numerici, oppure lasciare i valori nulli e usare un modello che li gestisce. E infine validare con un controllo manuale a campione, prendendo cinquanta righe casuali e verificandole a mano: se il tasso di errore è sotto il 5%, i dati sono probabilmente abbastanza buoni per iniziare.

Quando i dati sono abbastanza buoni per cominciare

Non esiste una soglia universale, dipende dall'applicazione. Per un sistema che risponde a domande basandosi sui propri documenti basta avere i documenti rilevanti in formato testo, ragionevolmente aggiornati, con una barriera di qualità bassa. Per l'automazione di processi testuali, email, report, classificazione documenti, bastano spesso 50-100 esempi rappresentativi per iniziare. Per la previsione della domanda serve un minimo di 12 mesi di storico ordinato per referenza, meglio 24-36, con una completezza del dato venduto superiore all'85%. E per la rilevazione di anomalie su dati finanziari servono almeno 1-2 anni di dati transazionali puliti, senza lacune significative. La strategia più efficace resta iniziare con un progetto che funziona con i dati già disponibili, imparare come funziona il processo, costruire competenza interna, e usare quel progetto come leva per migliorare la qualità dei dati per i progetti successivi, invece di aspettare che tutto sia perfetto. Se vuoi capire da dove partire con i tuoi dati, parliamone.