Excel è uno strumento eccellente per l'analisi, ma una base fragile per i numeri condivisi. Una piattaforma dati sposta le fondamenta in un luogo in cui le definizioni si concordano una volta, i dati si aggiornano da soli e tutti lavorano sulle stesse cifre.
Che cos'è davvero un'unica fonte di verità
Un'unica fonte di verità non è un gigantesco database. È un'organizzazione in cui:
- i dati dei sistemi operativi vengono raccolti automaticamente, con una cadenza nota;
- ogni indicatore di business ha una sola definizione concordata, implementata una volta;
- report e analisi leggono da quell'implementazione, non da copie private;
- chiunque può vedere da dove viene un numero e quando è stato aggiornato.
Excel non sparisce. Le persone continuano a usarlo per esplorare i dati, collegato alla piattaforma anziché a un export manuale.
I componenti
L'acquisizione dai sistemi di origine
I dati vengono estratti da ERP, CRM, e-commerce, applicazioni operative e fonti esterne. Dove possibile tramite API o change data capture, non con file lasciati su una cartella condivisa. La qualità di questo strato dipende dalla qualità della vostra system integration: da sistemi con una titolarità chiara dei dati è molto più semplice estrarre.
L'archiviazione: data warehouse o lakehouse
I dati confluiscono in un archivio analitico progettato per interrogare grandi volumi. Le opzioni più comuni sono i data warehouse in cloud come Snowflake, BigQuery o Microsoft Fabric, le piattaforme lakehouse come Databricks, oppure database open source come PostgreSQL o ClickHouse per volumi più contenuti o quando i dati devono restare sulla vostra infrastruttura. La scelta dipende da volumi, competenze presenti, budget e da dove i dati possono risiedere.
La trasformazione: dove vivono le definizioni
I dati grezzi dei sistemi di origine non sono pronti per i report. Le trasformazioni li puliscono, li collegano e calcolano gli indicatori di business. Scriverle come codice versionato (con uno strumento come dbt, o in semplice SQL in un repository) invece che come formule nascoste nei fogli di calcolo porta nei dati i vantaggi dell'ingegneria del software: revisione, storico, test e documentazione.
Una struttura utile è a strati:
- Grezzo: i dati così come sono arrivati, intatti.
- Pulito: tipi corretti, duplicati eliminati, codici uniformati.
- Business: entità e indicatori come li intende l'azienda, ad esempio clienti, ordini, margine, rotazione del magazzino.
Strato semantico e reportistica
Sopra lo strato di business, un modello semantico definisce una volta sola indicatori e dimensioni, così che "fatturato per regione" significhi la stessa cosa in ogni dashboard. Gli strumenti di BI come Power BI, Tableau, Looker o alternative open source come Apache Superset o Metabase si collegano a questo modello.
La qualità dei dati si verifica, non si spera
La fiducia nei numeri si perde in fretta e si riconquista lentamente. I controlli di qualità girano automaticamente a ogni aggiornamento:
- completezza: ci sono tutti gli ordini di ieri?
- univocità: ogni fattura è contata una volta sola?
- validità: date, importi e codici sono plausibili?
- coerenza: i totali tornano con il sistema di origine e con la contabilità?
Quando un controllo fallisce, la pipeline si ferma o segnala il report coinvolto e il responsabile dei dati viene avvisato: prima della riunione di direzione, non durante.
Governance senza burocrazia
Una piattaforma dati ha bisogno di poche regole, applicate con coerenza:
- Un responsabile per ogni dominio di dati (vendite, amministrazione, produzione) che decide le definizioni e risponde alle domande.
- Un breve glossario dei termini di business e delle definizioni degli indicatori, mantenuto insieme al codice.
- Accessi per ruolo, con i dati personali e sensibili protetti e gli accessi registrati, nel rispetto degli obblighi di protezione dei dati.
- Un processo di modifica delle definizioni: quando "cliente attivo" cambia significato, tutti devono sapere da quando.
La base per l'AI
Dati puliti e documentati sono anche ciò di cui hanno bisogno i progetti di AI. Previsioni, rilevamento di anomalie e assistenti AI che rispondono sulle conoscenze aziendali dipendono tutti da dati completi, coerenti e ben descritti. Le aziende che saltano la piattaforma dati di solito lo scoprono a metà del primo progetto di AI.
Da dove partire
Non si comincia spostando tutto. Scegliete una decisione che conta (il margine mensile per linea di prodotto, le giacenze, la pipeline commerciale) e costruitela da cima a fondo: acquisizione, trasformazione, test e un report che sostituisce il foglio Excel. Concordate le definizioni con chi usa i numeri. Poi si estende, un dominio alla volta. Il nostro servizio di piattaforme dati e analytics lavora esattamente per incrementi di questo tipo, così che ogni passo sostituisca un foglio che le persone usavano davvero.