# Analisi dati agentica: segnali che diventano decisioni. L'analisi dati agentica non produce grafici da archiviare: cerca segnali nei dati già disponibili, li collega a una decisione e dichiara dove il modello non conviene. ## Che cos'è l'analisi dati agentica È un servizio che verifica dove i dati aziendali possono ridurre ritardi, sprechi, errori o rischi. Se il segnale non c'è, il risultato utile è sapere quale progetto non finanziare. ## La dashboard guarda indietro. Il segnale decide adesso. 1. Dati già disponibili 2. Domanda aziendale 3. Segnale verificato 4. Decisione possibile 5. Valore misurabile o stimabile 6. Nuova raccolta dati mirata ## Output che servono a decidere ### Executive Summary Risultato principale, decisione consigliata, valore in gioco, limiti e azioni nei prossimi 30, 90 o 180 giorni. ### Report tecnico Dati usati, controlli, metodi, metriche, riproducibilità e criteri con cui il modello supera un riferimento minimo. ### Piano di azione Pilota a basso rischio, responsabilità, tempi, misure da osservare e criterio per estendere, modificare o fermare. ### Piano di raccolta dati Quali dati raccogliere dopo, perché, con quale priorità e quale decisione renderebbero più solida. ## Le forme del valore ### Valore recuperato Clienti, ordini, lotti o prenotazioni salvabili prima che il valore si perda. ### Costo evitato Progetti predittivi da non finanziare quando i dati non contengono il segnale necessario. ### Efficienza organizzativa Risorse riallocate su fasce orarie, prodotti, controlli o processi che contano davvero. ### Promessa al cliente Consegne, disponibilità, tempi e comunicazioni più credibili perché basati su stime migliori. ### Governance del dato Raccolta dati meno generica e più collegata a decisioni concrete. ## Quando il segnale non è solo nei dati Molte opportunità AI nascono dall'incrocio fra dati, documenti, processo e decisioni operative. Per orientarsi tra applicazioni possibili, esempi e segnali di bisogno: [Atlante delle applicazioni AI per le imprese](atlante-applicazioni-ai-imprese.html). Per scegliere tra analisi dati, consulenza, formazione o software tecnico: https://ar-tik.com/domande-frequenti-ai-aziende.md ## Prima domanda: quale decisione deve migliorare? - Decisione ricorrente: ordinare, pianificare, contattare, controllare. - Costo visibile o sospetto: sprechi, ritardi, resi, guasti, penali. - Dati già disponibili: transazioni, sensori, ordini, ticket, anagrafiche. - Azione possibile: telefonata, controllo, modifica di processo, priorità diversa. ## Esempi anonimi di segnali e decisioni Ogni storia spiega il problema aziendale, quali dati operativi entrano nell’analisi, quale segnale emerge e quale decisione può essere presa. Non sono promesse standard; mostrano come dataset pubblici, anonimizzati o realistici, senza progetti cliente riconoscibili, possano diventare azioni verificabili. ### 1. Ospitalità: Capire quali prenotazioni rischiano di saltare Un hotel può leggere il rischio già al momento della prenotazione: su oltre 119.000 prenotazioni, il sistema intercetta più di otto disdette su dieci. La storia è semplice: la direzione vede le cancellazioni solo quando il danno è già arrivato. L’analisi dati agentica guarda invece i segnali disponibili prima del soggiorno, come anticipo della prenotazione, modalità di pagamento e storia del cliente. Per un albergo, un residence o un gruppo hospitality, il dato del booking engine diventa una lista di priorità commerciale. Le prenotazioni più fragili possono essere confermate, richiamate o gestite con condizioni diverse. - Segnale utile: Il sistema distingue le prenotazioni solide da quelle che meritano un intervento preventivo. - Decisione possibile: Confermare, richiamare o proteggere prima le prenotazioni più esposte. - Dati utili dopo: Esito del richiamo, valore recuperato e risposta del cliente. - Limite da dichiarare: L’analisi non elimina le cancellazioni; aiuta a scegliere dove intervenire per tempo. ### 2. Food delivery: Scoprire dove nasce un ordine perso Quando la cucina non conferma l’ordine come pronto, il rischio di perderlo sale al 35,7%. A prima vista il problema sembra nella consegna finale: un ordine non arriva, il cliente reclama, il ristorante perde fiducia. L’analisi mostra invece che il segnale nasce prima, dentro il flusso operativo della cucina. Per una piattaforma di delivery o una catena di ristoranti, questo cambia la domanda: non “quale rider è in ritardo?”, ma “quale ordine sta uscendo dal processo prima ancora di essere consegnato?”. - Segnale utile: L’assenza di una conferma intermedia diventa un avviso operativo. - Decisione possibile: Attivare subito un sollecito, una riassegnazione o una comunicazione al cliente. - Dati utili dopo: Causa registrata, recupero dell’ordine e costo del disservizio. - Limite da dichiarare: Il modello funziona se gli stati intermedi dell’ordine vengono registrati bene. ### 3. Ultimo miglio: Dare al cliente una finestra di consegna più credibile La stima del tempo di consegna passa da un errore medio di circa 41 minuti a circa 17 minuti. In molte aziende di logistica urbana il problema non è solo consegnare più in fretta. È promettere un orario realistico, così il cliente aspetta meno, l’assistenza riceve meno chiamate e la flotta viene coordinata meglio. L’analisi parte dagli ordini e dai tempi storici, ma non si ferma alla media. Cerca condizioni ricorrenti che rendono una consegna più lenta o più rapida e le trasforma in una previsione più utile. - Segnale utile: Una finestra di arrivo più affidabile per ogni consegna. - Decisione possibile: Aggiornare comunicazioni al cliente, priorità operative e pianificazione della flotta. - Dati utili dopo: Reclami, chiamate evitate e interventi manuali del team operativo. - Limite da dichiarare: Non promette consegne più veloci; promette stime più credibili. ### 4. Energia: Prevedere meglio la domanda del giorno dopo La previsione riduce l’errore del 77% rispetto alla regola di riferimento. Un operatore energetico o un grande consumatore deve decidere prima quanta energia acquistare, coprire o riservare. Se la previsione è troppo prudente, immobilizza risorse; se è troppo bassa, espone a costi e correzioni. L’analisi legge la serie storica dei consumi orari e costruisce un profilo atteso del giorno successivo. Il risultato non è un grafico da archiviare, ma un supporto alla pianificazione energetica. - Segnale utile: Un profilo orario atteso più affidabile della regola usata come confronto. - Decisione possibile: Comprare, coprirsi o pianificare capacità con meno margine difensivo. - Dati utili dopo: Prezzi, costi di sbilanciamento e regole di approvvigionamento. - Limite da dichiarare: Il risparmio economico va calcolato con i numeri reali del contratto energetico. ### 5. Ristorazione: Prepararsi alla settimana che sta arrivando La previsione degli incassi migliora del 24% rispetto alla regola “come settimana scorsa”. Un ristorante decide ogni settimana quanta materia prima ordinare e quante persone mettere in turno. Se decide a intuito, rischia sprechi nei giorni deboli e servizio insufficiente nei giorni forti. L’analisi parte dallo storico degli incassi e riconosce il ritmo reale del locale. La previsione diventa uno strumento pratico per preparare cucina, sala e acquisti prima che la domanda arrivi. - Segnale utile: Una stima degli incassi futuri più solida della regola empirica. - Decisione possibile: Affiancare la previsione alle scelte su acquisti, preparazioni e turni. - Dati utili dopo: Spreco reale, vendite perse e costo del personale. - Limite da dichiarare: Il valore nasce solo se la previsione cambia decisioni operative. ### 6. Retail alimentare: Salvare i lotti deperibili prima che diventino spreco I lotti più rischiosi sprecano quasi tre volte quelli più sicuri. In un supermercato o in una filiera alimentare, lo spreco non appare tutto insieme. Nasce da piccoli segnali: imballaggio, movimentazione, freddo, tempi di arrivo, priorità di vendita. L’analisi legge questi segnali quando il lotto entra nel processo e crea una graduatoria di rischio. Il punto non è prevedere ogni perdita, ma decidere quali lotti controllare, ruotare o scontare prima. - Segnale utile: Una lista di lotti che meritano attenzione prima del deterioramento visibile. - Decisione possibile: Concentrare controlli, rotazioni e ribassi preventivi sui lotti più esposti. - Dati utili dopo: Valore salvato, motivo dello spreco e margine dopo l’intervento. - Limite da dichiarare: Non tutto lo spreco è prevedibile; l’obiettivo è usare meglio le azioni preventive. ### 7. Banca: Riconoscere i clienti che stanno per andarsene Il sistema riconosce circa tre clienti a rischio su quattro. Una banca può vedere un cliente uscire solo quando il conto è già perso, oppure può leggere prima i segnali di raffreddamento della relazione. L’analisi distingue il rischio generico dalla leva commerciale su cui agire. La storia utile non è “questo cliente abbandonerà”, ma “questo cliente mostra segnali di inattività e può essere riattivato con un’azione mirata”. È una differenza decisiva per costruire campagne credibili. - Segnale utile: Una priorità di contatto basata su comportamento e rischio di abbandono. - Decisione possibile: Avviare campagne di riattivazione mirate, non comunicazioni uguali per tutti. - Dati utili dopo: Storico comportamentale, contatti fatti e valore trattenuto. - Limite da dichiarare: Riconoscere il rischio oggi non significa sempre prevederlo con largo anticipo. ### 8. Ristorazione veloce: Capire quali menu e fasce orarie reggono davvero il business Pochi momenti della giornata e poche voci di menu generano quasi tre quarti del fatturato. In una catena di ristorazione veloce, il problema non è solo vendere di più. È capire dove il fatturato nasce davvero: quali fasce orarie richiedono personale, quali prodotti meritano stock, quali voci occupano spazio senza rendere. L’analisi descrittiva diventa una storia operativa: il menu non è tutto uguale e la giornata non pesa tutta allo stesso modo. Questo aiuta a decidere turni, scorte e promozioni con meno impressioni e più evidenza. - Segnale utile: Una mappa dei prodotti e dei momenti che sostengono il conto economico. - Decisione possibile: Riallineare personale, acquisti, promozioni e revisione del menu. - Dati utili dopo: Margine per voce, tempi di preparazione e rotture di stock. - Limite da dichiarare: Non è una previsione; è una priorità operativa da completare con dati di margine. ### 9. Cantina: Proteggere presto i lotti di vino più promettenti Con i dati di laboratorio, il sistema riconosce l’87% dei lotti di fascia alta. Una cantina raccoglie già misure chimiche durante la produzione. Spesso quei dati restano tecnici, separati dalle scelte commerciali e dalle decisioni di destinazione del lotto. L’analisi mostra che quei segnali possono aiutare a individuare presto i lotti con potenziale premium. Non sostituisce il giudizio dell’enologo; lo aiuta a proteggere valore prima che tagli o miscelazioni lo disperdano. - Segnale utile: Una classificazione precoce dei lotti che meritano maggiore attenzione. - Decisione possibile: Dare priorità a degustazioni, affinamento e destinazione commerciale dei lotti promettenti. - Dati utili dopo: Destinazione finale, valore realizzato e giudizio qualitativo. - Limite da dichiarare: Il modello supporta il giudizio tecnico; non lo sostituisce. ### 10. Manutenzione industriale: Usare i sensori per riconoscere un guasto in corso Con i sensori disponibili, l’analisi riconosce circa l’84% dei guasti osservati. In fabbrica il guasto non è solo un evento tecnico: ferma persone, ordini e capacità produttiva. Molte macchine hanno già sensori, ma i segnali restano dispersi o vengono letti troppo tardi. L’analisi costruisce un avviso quando il comportamento della macchina somiglia a situazioni di guasto già viste. È utile se attiva subito un ordine di lavoro, un controllo o una verifica sul campo. - Segnale utile: Un allarme operativo quando la macchina mostra pattern compatibili con un guasto. - Decisione possibile: Collegare l’avviso a manutenzione, escalation e verifica del fermo evitato. - Dati utili dopo: Tempo di intervento, costo del fermo e ricambi usati. - Limite da dichiarare: Riconoscere un guasto in corso non è la stessa cosa che prevederlo settimane prima. ### 11. Moda e resi: Evitare un modello quando il dato giusto non c’è Nei dati di catalogo, la variabile migliore spiega meno del 2% dei resi. Un e-commerce moda potrebbe voler prevedere quali capi verranno restituiti. La tentazione è usare i dati già comodi: categoria, prezzo, colore, scheda prodotto. L’analisi mostra che quei dati non bastano. Questa è una buona notizia manageriale: evita un investimento fragile e indica quali informazioni servono davvero, come vestibilità, storia cliente e motivo del reso. - Segnale utile: Un verdetto negativo chiaro: il segnale non vive nel catalogo prodotto. - Decisione possibile: Non finanziare il modello predittivo prima di cambiare raccolta dati. - Dati utili dopo: Vestibilità, motivo del reso, misure e storico cliente. - Limite da dichiarare: Il “no” non chiude il problema; indica quali dati servono per renderlo affrontabile. ### 12. Logistica: Capire quando un modello non può prevedere il ritardo Con i soli dati di pianificazione, il miglior modello resta vicino a una scelta casuale. Un operatore logistico vuole sapere prima della partenza quali consegne arriveranno in ritardo. Se usa solo dati di piano, però, guarda una fotografia incompleta: mancano le cose che accadono durante il viaggio. L’analisi evita di forzare una previsione debole. La decisione migliore è raccogliere eventi di viaggio, soste, scarico, meteo e anomalie operative prima di costruire un modello più ambizioso. - Segnale utile: Assenza di segnale utile nei dati disponibili prima della partenza. - Decisione possibile: Fermare il modello e progettare una raccolta dati sugli eventi reali del trasporto. - Dati utili dopo: Soste, scarico, traffico, meteo, eccezioni e costo del ritardo. - Limite da dichiarare: Un algoritmo più complesso non crea informazione che il processo non registra. ### 13. Compliance: Mettere prima i controlli dove il rischio è più alto Con lo stesso numero di verifiche, il ranking intercetta più casi gravi. Un ente di controllo o una funzione compliance ha sempre più casi da verificare di quanti ne possa seguire subito. La domanda non è fare controlli infiniti, ma decidere l’ordine giusto. L’analisi usa lo storico delle verifiche per costruire una lista di priorità. I controlli restano umani, ma l’agenda viene ordinata in modo da aumentare la probabilità di trovare prima i casi più seri. - Segnale utile: Una graduatoria di rischio per programmare verifiche e follow-up. - Decisione possibile: Ordinare ispezioni, audit o controlli interni senza aumentare il budget. - Dati utili dopo: Esito del controllo, recidiva, gravità e tempo di rientro in conformità. - Limite da dichiarare: Il modello non decide sanzioni; aiuta a ordinare le priorità. ### 14. Manifattura: Vedere quando una macchina consuma senza rendere Tra i profili operativi emerge un divario di 11,4 punti di efficienza. In produzione, il consumo medio spesso nasconde storie diverse. La stessa macchina può lavorare in modi più o meno efficienti, ma il dato energetico grezzo non spiega subito perché. L’analisi raggruppa i comportamenti della macchina e mostra quali profili meritano confronto. Prima di comprare nuovi sensori o impianti, l’azienda può chiedersi quali condizioni operative distinguono il profilo che rende da quello che spreca. - Segnale utile: Una mappa dei profili di funzionamento, non solo del consumo medio. - Decisione possibile: Confrontare profili migliori e peggiori e avviare un pilota di riduzione sprechi. - Dati utili dopo: Costo energia, ore macchina, produzione e settaggi operativi. - Limite da dichiarare: Il valore in euro va stimato solo quando consumi e produzione sono collegati. ## Domande frequenti ### L'analisi dati agentica sostituisce la Business Intelligence? No. La Business Intelligence controlla indicatori noti; l'analisi agentica diagnostica cause, cerca segnali non evidenti e collega il risultato a una decisione. ### Serve già un data warehouse perfetto? No. Il primo valore può essere proprio verificare se i dati esistenti sono adatti, quali limiti hanno e quali dati raccogliere dopo. ### Che cosa succede se il segnale non c'è? Il metodo dichiara il verdetto negativo e indica quale investimento evitare o quale raccolta dati avviare prima di finanziare un modello.