Analisi predittiva: guida pratica per le aziende

2026-08-19 · Tommaso Maria Ricci

Nel 2025 il 16,4 per cento delle imprese italiane con almeno dieci addetti usava almeno una tecnologia di intelligenza artificiale. Nelle grandi imprese la quota era 53,1 per cento, nelle piccole e medie 15,7. Il dato che conta di più però è un altro, ed è nella stessa rilevazione ISTAT: la quota di imprese che analizza i propri dati, con personale interno o con fornitori esterni, è passata dal 26,6 al 42,7 per cento. Quasi la metà delle aziende italiane guarda i propri numeri. Quasi nessuna li usa per prevedere qualcosa.

Questa è la distanza che l'analisi predittiva copre, ed è anche il punto dove la maggior parte dei progetti si arena. Faccio l'imprenditore, ho fondato e gestito aziende, e lavoro con imprese che vogliono smettere di decidere guardando lo specchietto retrovisore. Nella mia esperienza la differenza tra un progetto predittivo che genera cassa e uno che genera slide non sta nell'algoritmo. Sta in tre cose banali: la qualità dei dati storici, la scelta di una domanda a cui l'azienda reagirebbe davvero, e la presenza di una persona interna che risponde del risultato.

Questa guida spiega che cos'è l'analisi predittiva in termini operativi, quali domande vale la pena farle, quali dati servono, quanto costa, come si calcola il ritorno e in quali casi conviene lasciar perdere. Non è un corso di statistica e non è una rassegna di software. È il metodo che uso quando un'azienda mi chiede se ha senso partire.

Che cos'è l'analisi predittiva, in termini operativi

L'analisi predittiva è l'uso di dati storici, metodi statistici e modelli di apprendimento automatico per stimare la probabilità che un evento futuro accada. Non produce certezze, produce probabilità con un margine di errore misurabile. È una differenza che sembra accademica e invece decide il destino del progetto: chi si aspetta l'oracolo abbandona alla prima previsione sbagliata, chi si aspetta una probabilità costruisce un processo che sfrutta anche le previsioni imperfette.

Un modello predittivo risponde a domande della forma "quanto è probabile che". Quanto è probabile che questo cliente disdica l'abbonamento nei prossimi novanta giorni. Quanto è probabile che questa macchina si fermi nelle prossime due settimane. Quanto è probabile che questo preventivo si chiuda. Quanti pezzi di questo codice articolo venderemo a marzo nel punto vendita di Bologna.

La definizione tecnica, con la distinzione fra metodi di regressione, classificazione e serie storiche, è ben riassunta nella scheda IBM sulla predictive analytics, utile se dovete spiegare la materia a un consiglio di amministrazione senza entrare nel dettaglio matematico.

La parte che interessa a chi decide è più semplice. Un modello predittivo vale qualcosa solo se produce tre cose insieme: una previsione, una stima della sua affidabilità, e un momento nel processo aziendale in cui quella previsione cambia una decisione. Se manca il terzo elemento avete comprato un cruscotto più costoso.

Descrittiva, predittiva, prescrittiva: le differenze che contano

Il vocabolario commerciale mescola le tre categorie apposta, perché la parola predittiva vende meglio. Nella pratica la distinzione serve a capire cosa state comprando.

Analisi descrittiva. Racconta cosa è successo. Fatturato per canale, marginalità per cliente, scarti per linea. È la base e la maggior parte delle aziende italiane si ferma qui, spesso con fogli di calcolo costruiti a mano ogni lunedì mattina.

Analisi diagnostica. Spiega perché è successo. Correlazioni, segmentazioni, scomposizione degli scostamenti. Richiede dati puliti e qualcuno che sappia porre le domande giuste.

Analisi predittiva. Stima cosa succederà. Domanda futura, probabilità di abbandono, rischio di insolvenza, guasto imminente.

Analisi prescrittiva. Suggerisce cosa fare. Quale prezzo applicare, quale cliente chiamare per primo, quando fermare la macchina per manutenzione. È il livello dove il valore si concentra, ed è anche quello che nessuno raggiunge senza aver messo in ordine i tre precedenti.

La regola pratica: non si compra il livello quattro se il livello uno è ancora un foglio di calcolo aggiornato a mano. Non per purismo metodologico, ma perché il modello predittivo si nutre degli stessi dati che il cruscotto descrittivo mostra. Se il cruscotto è sbagliato, il modello sarà sbagliato più in fretta e con più autorevolezza. Chi deve mettere in ordine la base trova il metodo nella mia guida all'intelligenza artificiale per l'analisi dei dati.

Come funziona davvero un progetto predittivo

Tolgo il gergo e descrivo la sequenza, perché è più utile di qualsiasi schema.

Si sceglie la domanda. Una sola, formulata in modo che la risposta cambi un'azione. Non "capire meglio i clienti", ma "quali clienti hanno più del quaranta per cento di probabilità di non riordinare entro sei mesi".

Si costruisce lo storico. Il modello impara dal passato, quindi serve un archivio di casi in cui si conosce già l'esito. Se volete prevedere le disdette servono anni di disdette registrate, con la data e possibilmente il motivo. Questo è il punto in cui la metà dei progetti si ferma, e non per colpa della tecnologia.

Si scelgono le variabili. Sono i segnali che il modello guarda: frequenza degli ordini, ritardi di pagamento, ticket aperti, ore di funzionamento, stagionalità, prezzo, promozioni. La selezione delle variabili conta più della scelta dell'algoritmo, e chi conosce il processo aziendale contribuisce più del data scientist.

Si addestra e si valida. Il modello impara su una parte dello storico e viene provato sulla parte che non ha visto. Questo è il momento della verità: se funziona solo sui dati con cui ha imparato, non funziona.

Si misura l'errore. Ogni previsione ha un margine. Va dichiarato, non nascosto. Un modello che sbaglia del quindici per cento può essere ottimo se oggi sbagliate del quaranta.

Si mette in produzione. La previsione deve arrivare dove si decide: nel gestionale, nel CRM, nella lista del venditore, nella schedulazione della manutenzione. Una previsione che vive in un report PDF non produce alcun effetto.

Si controlla nel tempo. I modelli invecchiano perché la realtà cambia. Un modello di domanda addestrato prima di un cambio di listino o di un nuovo concorrente perde precisione in silenzio. Senza un presidio, il degrado si scopre dai risultati.

Dove l'analisi predittiva produce soldi

Le famiglie di casi d'uso che nella mia esperienza ripagano più in fretta, in ordine di rapporto tra valore e difficoltà.

Previsione della domanda. È il caso d'uso con il ritorno più prevedibile, perché l'errore di previsione ha un costo diretto e già misurato: scorte in eccesso, mancate vendite, urgenze in produzione. McKinsey stima che le previsioni guidate dall'AI nelle operazioni riducano gli errori tra il venti e il cinquanta per cento, con una riduzione delle mancate vendite fino al sessantacinque per cento nei casi migliori. Non prendete quei numeri come promessa: prendeteli come ordine di grandezza di ciò che è possibile quando la base dati è solida.

Probabilità di abbandono del cliente. Vale in tutti i modelli a ricavo ricorrente e in molti modelli B2B a riordino. Il valore non sta nella previsione ma nella lista: sapere quali cento clienti chiamare questo mese invece di chiamare tutti o nessuno.

Rischio di credito e ritardo di pagamento. Un modello che stima la probabilità di ritardo su una fattura permette di anticipare i solleciti e di ridurre il capitale circolante immobilizzato. In molte aziende medie italiane questo è il caso d'uso con l'effetto di cassa più immediato.

Manutenzione predittiva. Stimare quando un componente si guasta permette di fermare la macchina quando conviene e non quando si rompe. Richiede sensori e storico dei guasti, quindi il costo di ingresso è più alto, ma nei processi a ciclo continuo il valore di un fermo evitato ripaga da solo il progetto. Il metodo dedicato è nella mia guida alla manutenzione predittiva.

Punteggio dei contatti commerciali. Stimare la probabilità di chiusura di un'opportunità permette al venditore di spendere il tempo dove conta. È il caso d'uso più semplice da vendere internamente e il più facile da sabotare, perché se la rete vendita non si fida del punteggio lo ignora.

Previsione dei prezzi e della marginalità. Stimare l'elasticità della domanda per fascia di prodotto e canale è la base di qualsiasi politica di prezzo che non sia "il costo più una percentuale". Chi vuole approfondire trova il quadro nella mia guida all'intelligenza artificiale per il pricing.

Previsione del carico di lavoro. Quante chiamate arriveranno giovedì, quanti pazienti si presenteranno, quanti ordini entreranno a fine mese. Serve a dimensionare i turni, ed è il caso d'uso con l'accettazione interna più rapida perché migliora la vita delle persone invece di sorvegliarle.

I dati che servono davvero

Qui si decide tutto, e qui quasi tutte le presentazioni commerciali mentono per omissione.

Profondità storica. Servono abbastanza cicli passati perché il modello riconosca uno schema. Per una previsione di domanda con stagionalità annuale, due anni sono il minimo e tre sono ragionevoli. Per un modello di abbandono servono abbastanza casi di abbandono, non abbastanza clienti: se avete diecimila clienti e dodici disdette all'anno, non avete i dati per un modello.

Granularità coerente. Se volete prevedere per settimana e per punto vendita, i dati storici devono esistere per settimana e per punto vendita. Aggregare è sempre possibile, disaggregare non lo è.

Storico degli eventi anomali. Promozioni, scioperi, rotture di stock, cambi di listino, chiusure. Se non sono registrati, il modello interpreta come normale un mese che normale non era e continuerà a sbagliare in quel modo.

Anagrafiche pulite. Codici articolo duplicati, clienti censiti tre volte, unità di misura incoerenti. Non è un dettaglio informatico, è il motivo numero uno per cui i progetti sforano i tempi.

Esito registrato. Il modello impara solo se sa com'è andata a finire. Le aziende che registrano le offerte perse ma non il motivo, o i guasti ma non l'intervento, si accorgono tardi di non avere la variabile più importante.

Una regola che uso in prima riunione: se per rispondere alla domanda "quante volte è successo negli ultimi tre anni" serve più di una settimana di lavoro, il progetto non è predittivo, è di riordino dei dati. Va fatto lo stesso, ma va chiamato con il suo nome e messo a budget con il suo costo.

Quanto costa e come si calcola il ritorno

Le voci, in ordine di peso reale e non di quanto se ne parla nelle offerte.

Preparazione dei dati. Nella maggior parte dei progetti è la voce più grande, spesso più della metà dello sforzo complessivo. Comprende estrazione, pulizia, riconciliazione fra sistemi, ricostruzione dello storico.

Costruzione del modello. Analisi, scelta delle variabili, addestramento, validazione. È la parte che tutti immaginano quando dicono intelligenza artificiale ed è la meno costosa delle tre.

Messa in produzione. Integrazione con il gestionale o il CRM, automazione dell'aggiornamento, interfaccia per chi deve usare la previsione. Voce sistematicamente sottostimata nelle offerte, perché è quella che dipende dai vostri sistemi e non da chi vende il modello.

Manutenzione e riaddestramento. Un modello va rimisurato periodicamente e riaddestrato quando la realtà cambia. Senza un budget ricorrente, tra diciotto mesi avrete una previsione che nessuno controlla e in cui nessuno crede.

Gestione del cambiamento. Formare chi riceve la previsione e ridisegnare il processo intorno ad essa. Costa poco in denaro e moltissimo in attenzione del management.

Il calcolo del ritorno che uso in fase di business case parte sempre dall'errore attuale, non dal beneficio futuro. Misurate quanto sbagliate oggi: scostamento medio fra previsione e consuntivo, valore delle scorte in eccesso, mancate vendite per rottura di stock, ore di fermo non pianificato, tasso di abbandono clienti. Traducete quell'errore in denaro. Poi stimate, prudenzialmente, di ridurlo di un terzo. Se un terzo di miglioramento non copre il costo del primo anno, il caso non regge e nessuna promessa del fornitore lo salverà.

Attenzione a un errore contabile frequente: il beneficio dell'analisi predittiva quasi mai è un ricavo aggiuntivo immediato. È capitale circolante liberato, fermi evitati, tempo commerciale riallocato, decisioni prese una settimana prima. Sono voci reali ma vanno scritte nel business case con questi nomi, perché a consuntivo verranno confrontate con quello. Il metodo completo per la valutazione economica, con le trappole di calcolo più comuni, è nella mia guida al ROI dell'intelligenza artificiale.

Il contesto italiano, con i numeri

Vale la pena guardare i dati veri, perché la narrazione corrente è più avanti dei fatti e questo distorce le aspettative.

Secondo l'Osservatorio Artificial Intelligence del Politecnico di Milano, il mercato italiano dell'intelligenza artificiale ha raggiunto 1,8 miliardi di euro nel 2025, in crescita del cinquanta per cento, e il settantuno per cento delle grandi imprese ha avviato almeno un progetto. La stessa rilevazione indica che il cinquantaquattro per cento del mercato riguarda ancora progetti di machine learning e analisi, non intelligenza artificiale generativa. Tradotto: la parte che genera valore misurabile nelle aziende italiane resta in larga misura predittiva, non conversazionale.

I dati ISTAT sull'uso delle tecnologie digitali completano il quadro con la parte scomoda. Nel 2025 il 16,4 per cento delle imprese con almeno dieci addetti usa almeno una tecnologia di intelligenza artificiale, con un divario fra grandi imprese e PMI che si è allargato a trentasette punti percentuali, quando nel 2023 era intorno ai venti. Su quasi tutti gli altri indicatori digitali il divario si sta chiudendo. Sull'AI si sta aprendo.

Per un'impresa media italiana questo è insieme un problema e un vantaggio competitivo. Un problema perché la distanza dai grandi cresce. Un vantaggio perché nella maggior parte dei settori i concorrenti diretti sono nella stessa condizione, e un modello di previsione della domanda che funziona discretamente basta a decidere meglio di chi decide a intuito. Chi parte da qui trova il quadro d'insieme nella mia guida all'intelligenza artificiale per le PMI.

Errori che bruciano il budget

Dalla pratica, in ordine di costo.

Partire dall'algoritmo invece che dalla decisione. La domanda giusta non è "quale modello usiamo", è "quale decisione prenderemo diversamente quando avremo la previsione". Se nessuno sa rispondere, il progetto è già morto e non lo sa.

Prevedere qualcosa su cui non si può agire. Sapere che il mercato calerà del sei per cento è interessante e inutile se l'azienda non ha leve per reagire. Le previsioni utili riguardano cose che potete cambiare.

Confondere correlazione e causa. Un modello può scoprire che i clienti che aprono molti ticket disdicono di più. Non significa che chiudere l'assistenza riduca le disdette. Il modello indica dove guardare, non cosa fare.

Chiedere precisione impossibile. Nessun modello prevede il singolo evento raro con affidabilità. Prevede distribuzioni. Un'azienda che pretende di sapere esattamente quale cliente disdirà rifiuterà uno strumento che invece le direbbe correttamente quali duecento clienti sono a rischio.

Ignorare il costo dell'errore asimmetrico. Sbagliare per eccesso e sbagliare per difetto quasi mai costano uguale. Prevedere troppa domanda genera scorte, prevederne troppo poca genera clienti persi. Il modello va tarato su questa asimmetria, altrimenti ottimizza la statistica e non il conto economico.

Costruire il modello lontano da chi decide. Se il venditore, il pianificatore o il manutentore non capiscono da dove viene il numero, non lo useranno. La spiegabilità non è un requisito accademico, è la condizione dell'adozione.

Non misurare il punto di partenza. Senza l'errore di previsione attuale, fra un anno il beneficio sarà un'opinione. E le opinioni non superano una revisione di budget.

Trattarlo come un progetto informatico. L'analisi predittiva cambia processi decisionali. Se il capo progetto è solo il responsabile dei sistemi informativi, mancherà la persona che ha il potere di cambiare il processo a valle.

Scorecard di autovalutazione

Assegnate 0 se falso, 1 se in parte, 2 se vero. Massimo 40 punti.

Domanda e decisione

Esiste una domanda specifica formulata come previsione, non come desiderio generico.
È chiaro chi prenderà una decisione diversa in base alla previsione.
Il momento in cui la previsione serve è definito nel calendario operativo.
Esiste un costo noto dell'errore attuale, quantificato in euro.

Dati

Lo storico copre almeno due cicli completi del fenomeno da prevedere.
Gli esiti passati sono registrati, non ricostruibili a memoria.
La granularità dei dati coincide con quella della decisione.
Gli eventi anomali del passato sono tracciati.
Le anagrafiche di prodotti e clienti sono deduplicate.
I dati risiedono in sistemi accessibili senza estrazioni manuali mensili.

Organizzazione

Esiste un proprietario interno del progetto con nome e cognome.
Chi userà la previsione è coinvolto nella definizione della domanda.
È previsto un budget di manutenzione oltre al progetto iniziale.
Il responsabile del processo a valle ha potere di cambiarlo.

Tecnica e governance

Esiste un ambiente dove far girare il modello in modo ricorrente.
È definito come la previsione arriverà nel sistema operativo usato ogni giorno.
È chiaro chi controlla la precisione del modello e con quale frequenza.
Il trattamento dei dati personali coinvolti è documentato.

Misurazione

L'errore di previsione attuale è misurato e scritto.
Esiste una soglia dichiarata sotto la quale il progetto si considera fallito.

Come leggere il punteggio. Sotto 14: il problema non è il modello, sono i dati e la decisione. Partire adesso significa pagare la ricostruzione dello storico al prezzo di un progetto di intelligenza artificiale. Tra 14 e 28: la base c'è, manca quasi sempre la messa in produzione o il presidio, cioè le due cose che decidono se fra un anno la previsione sarà ancora viva. Sopra 28: potete partire con un caso d'uso e ragionare da subito sul secondo, riusando la stessa infrastruttura dati.

Roadmap 30, 60, 90 giorni

Questa è la sequenza che uso per portare un'azienda dal primo interesse a una previsione usata davvero in un processo, con numeri difendibili davanti a chi firma.

Giorni 1-30: domanda, baseline, fattibilità dei dati

Scegliete una sola domanda predittiva, quella con il costo dell'errore più alto e la reazione più immediata.
Scrivete che cosa cambierà nel processo quando la previsione arriverà, in una pagina, con il nome di chi decide.
Misurate l'errore attuale. Se oggi non prevedete nulla, misurate quanto costa non prevedere: scorte medie, rotture di stock, fermi, disdette.
Verificate la disponibilità dello storico con un'estrazione vera, non con una risposta a voce del fornitore del gestionale.
Elencate gli eventi anomali degli ultimi tre anni con chi c'era, non con chi è arrivato dopo.
Decidete la soglia di successo: quale miglioramento rende il progetto degno di essere esteso.

Giorni 31-60: modello di prova e confronto onesto

Costruite un modello di riferimento elementare, per esempio la media mobile o l'anno precedente più una percentuale. Serve come pietra di paragone: qualsiasi modello sofisticato deve batterlo per meritare il proprio costo.
Addestrate il modello vero su una parte dello storico e validatelo sulla parte non vista.
Confrontate i due su un periodo passato reale, calcolando l'errore in unità di prodotto o in euro, non in punti percentuali astratti.
Fate leggere i risultati a chi conosce il processo: le previsioni assurde saltano fuori subito e indicano dati sporchi, non modelli sbagliati.
Definite come la previsione arriverà nel sistema che le persone usano ogni giorno. Se la risposta è un foglio inviato per email, il progetto morirà entro sei mesi.

Giorni 61-90: produzione, misura, secondo caso d'uso

Portate la previsione dentro il processo con un periodo di sorveglianza dichiarato, durante il quale la decisione umana resta prevalente.
Misurate settimanalmente lo scostamento fra previsto e consuntivo, e tenete il registro. Serve per il riaddestramento e per la discussione di budget.
Documentate variabili, ipotesi e limiti del modello in un documento leggibile da un non tecnico.
Definite chi controlla la precisione, con quale cadenza, e cosa succede quando scende sotto la soglia.
Scegliete il secondo caso d'uso riusando la stessa base dati. Il secondo progetto costa una frazione del primo, ed è lì che il ritorno complessivo diventa interessante.
Portate al vertice un documento con baseline, risultato e piano dei sei mesi successivi.

Alla fine dei novanta giorni l'azienda dovrebbe avere una previsione in produzione, un proprietario interno, un confronto documentato con il metodo precedente e una lista di casi successivi. Chi arriva qui senza uno di questi quattro elementi ha comprato un modello, non una capacità.

Settore per settore

Le differenze contano nella scelta del primo caso d'uso, e trattare tutti i settori allo stesso modo è il modo più rapido per sprecare il primo anno.

|---|---|---|---|

Nella manifattura la previsione della domanda resta il caso d'uso con il ritorno più difendibile, perché il costo dell'errore è già a bilancio sotto forma di scorte. La condizione è che l'anagrafica prodotti sia pulita, e nella media impresa italiana quasi mai lo è alla prima verifica. Il quadro applicato alla catena di fornitura è nella mia guida all'intelligenza artificiale per la supply chain.

Nei servizi ricorrenti il vincolo non è tecnico ma statistico: senza abbastanza casi di abbandono registrati, il modello non impara. In quel caso il progetto giusto per il primo anno è cominciare a registrare bene, non costruire il modello.

Nei servizi professionali il caso d'uso più redditizio riguarda la rete commerciale, perché il tempo dei venditori è la risorsa più cara e peggio allocata. Il metodo dedicato è nella mia guida all'intelligenza artificiale per le vendite.

Casi reali

Esempi presi dal lavoro diretto, con i dettagli identificativi rimossi dove il cliente ha preferito così. Nessuno di questi è un progetto di sola analisi predittiva: sono situazioni in cui prevedere meglio ha spostato un numero.

Centro medico, capacità aumentata di circa il venti per cento. Nessuna sala in più, nessun professionista aggiuntivo. Le leve sono state la previsione delle mancate presentazioni, il recupero automatico degli slot liberati dalle disdette e l'allineamento dei turni alla domanda reale per fascia oraria. Il modello previsionale era volutamente semplice, perché la direzione sanitaria doveva poterlo verificare senza fidarsi sulla parola.

Gruppo alberghiero, ricavi passati da nove a dieci milioni. La leva principale è stata commerciale, sul canale diretto contro l'intermediazione. La parte predittiva ha riguardato la previsione dell'occupazione per data e canale, che ha reso possibile aprire e chiudere tariffe con anticipo invece che a ridosso. La previsione non ha generato il ricavo: ha generato il tempo per decidere.

Organizzazione sportiva e retail, vendite in crescita di circa il trenta per cento. Qui il contributo è arrivato dalla velocità di iterazione sulle campagne e dalla previsione della risposta per segmento, che ha permesso di spostare budget in corsa invece che a consuntivo. Effetto collaterale rilevante: la reportistica commerciale, prima ricostruita a mano ogni lunedì, è diventata automatica, e la squadra ha smesso di discutere quali numeri fossero giusti.

Agriturismo, ospiti circa raddoppiati. Struttura piccola, budget minimo, nessuna piattaforma di analisi. La previsione era un foglio di calcolo ben fatto sulle prenotazioni storiche per settimana e provenienza. Serve a ricordare che sotto una certa scala il valore sta nel guardare i propri dati con metodo, non nel comprare un modello.

Il filo comune: in tutti e quattro i casi la previsione ha spostato un numero solo perché era collegata a una decisione che l'azienda poteva prendere in tempo utile. Dove quella connessione manca, il modello resta un esercizio. Il metodo generale per collegare automazione e decisione è nella mia guida all'automazione dei processi aziendali con l'AI.

Come scegliere chi lo costruisce

Non farò una classifica di piattaforme, perché invecchia in un trimestre e perché lo strumento giusto per un'impresa da mille dipendenti è quello sbagliato per una da cinquanta. Do i criteri, che invece reggono.

Chiedete di vedere un progetto simile finito, non un caso di successo scritto. La domanda che separa i seri dagli altri è: qual è stato l'errore residuo del modello dopo sei mesi di produzione. Chi non sa rispondere non ha mai gestito un modello in produzione.

Pretendete il confronto con il metodo attuale. Un fornitore che non propone il modello di riferimento elementare come pietra di paragone sta vendendo tecnologia, non risultato.

Verificate chi farà l'integrazione. La previsione deve entrare nei vostri sistemi. Se il fornitore del modello e quello del gestionale non si parlano, il progetto si fermerà lì, e il costo di quel blocco lo pagate voi.

Chiedete il piano di manutenzione. Ogni quanto si riaddestra, chi lo fa, quanto costa, cosa succede quando le performance calano.

Chiedete la trasferibilità. Quante giornate servono perché una persona interna capisca e sappia rieseguire il processo. Se la risposta è vaga, avete comprato una dipendenza.

Discutete la proprietà dei dati e del modello. Alla scadenza del contratto, cosa resta a voi. È una clausola che nessuno legge finché non serve.

Diffidate delle percentuali promesse in offerta. Un miglioramento non si può promettere prima di aver visto i dati. Chi lo fa sta scommettendo sui vostri dati con i vostri soldi.

Se il quadro interno non è chiaro, o se le offerte ricevute sono difficilmente confrontabili, la mossa più economica è far analizzare la situazione a qualcuno che non abbia una piattaforma da vendervi. Una diagnosi indipendente su dati, casi d'uso e priorità si chiude in poche settimane e costa una frazione del primo anno di progetto.

Governance, rischi e conformità

Un modello predittivo che entra in un processo decisionale porta responsabilità nuove, e quasi nessuna azienda le mette in conto prima.

Dati personali. Se il modello usa dati di clienti, dipendenti o pazienti, il trattamento va documentato con la stessa serietà di qualsiasi altro sistema. La profilazione con effetti sulle persone richiede attenzione particolare e va discussa prima della costruzione, non dopo.

Decisioni automatizzate. Una previsione che nega automaticamente un fido, esclude un candidato o modifica un prezzo per singolo cliente entra in un terreno regolato. Il quadro normativo europeo sull'intelligenza artificiale classifica gli usi per livello di rischio e impone obblighi crescenti: conoscerne l'esistenza prima di progettare evita di dover rifare il lavoro.

Distorsioni nei dati. Un modello impara anche i pregiudizi contenuti nello storico. Se in passato certe categorie di clienti sono state trattate diversamente, il modello riprodurrà quel trattamento e lo presenterà come oggettivo.

Spiegabilità. Chi subisce una decisione basata su un modello ha diritto a una spiegazione comprensibile. Anche a prescindere dall'obbligo, un modello che nessuno sa spiegare non verrà usato.

Tracciabilità. Ogni previsione messa in produzione va registrata con la data, la versione del modello e i dati in ingresso. Serve per capire cosa è successo quando qualcosa va storto, e prima o poi va storto.

Degrado silenzioso. È il rischio tecnico più sottovalutato. Un modello non si rompe con un errore, smette lentamente di essere preciso. Senza una soglia dichiarata e un controllo periodico, ve ne accorgerete dai risultati commerciali.

Dipendenza dal fornitore. Se il modello gira su un'infrastruttura che non controllate e i dati di addestramento restano altrove, il costo di uscita cresce ogni mese.

Quando NON fare analisi predittiva

Le situazioni in cui la risposta corretta è aspettare, e dirlo apertamente vale più di qualsiasi progetto venduto male.

Quando lo storico non esiste. Un'azienda nata da diciotto mesi, o un prodotto lanciato a marzo, non ha nulla da cui imparare. In quel caso servono regole esplicite e buon senso, non modelli.

Quando il fenomeno è cambiato di natura. Se il mercato, il listino o il modello di vendita sono cambiati radicalmente l'anno scorso, lo storico precedente descrive un'azienda che non esiste più.

Quando nessuno può agire sulla previsione. Se il vincolo è la capacità produttiva e non la conoscenza della domanda, prevedere meglio non produce nulla finché il vincolo resta.

Quando i volumi sono piccoli. Con poche decine di eventi all'anno la statistica non aiuta. Un foglio di calcolo e una riunione mensile fanno lo stesso lavoro con costi vicini allo zero.

Quando il problema è la qualità del dato. In quel caso il progetto giusto è la pulizia, con il suo nome e il suo budget. Un modello addestrato su dati sporchi produce errori credibili, che sono i più costosi.

Prima di partire

Checklist finale, dieci punti, da usare come ultimo controllo prima di firmare qualsiasi contratto.

Avete una domanda predittiva sola, scritta in una frase.
Sapete chi prenderà una decisione diversa e quando.
L'errore attuale è misurato in euro, non descritto a parole.
Lo storico è stato estratto davvero, non promesso.
Gli esiti passati sono registrati, comprese le eccezioni.
Esiste un proprietario interno con nome, cognome e tempo dedicato.
È definito il punto del sistema in cui la previsione comparirà.
Il confronto con un metodo elementare è previsto nel piano.
La manutenzione è a budget per almeno tre anni.
È dichiarata la soglia sotto la quale il progetto si considera fallito.

Se cinque di questi dieci punti sono aperti, il progetto non è pronto. Partire adesso significa pagare due volte: una per il modello, una per rifare l'analisi tra un anno con dati migliori. In quel caso conviene fermarsi e far guardare i dati e i processi a qualcuno che non abbia una licenza da vendervi, prima di impegnare il budget.

Se invece i dieci punti sono in ordine, la raccomandazione è opposta: non aspettate lo strumento perfetto o il momento perfetto. Il valore dell'analisi predittiva non sta nel singolo modello, sta nel costruire dentro l'azienda l'abitudine a chiedersi cosa dicono i dati prima di decidere, e a verificare dopo se avevano ragione. Quella abitudine, una volta acquisita, si applica a tutto quello che verrà dopo, agenti e modelli generativi compresi.

FAQ

Che cos'è l'analisi predittiva in parole semplici?

L'analisi predittiva usa i dati storici di un'azienda, metodi statistici e modelli di apprendimento automatico per stimare la probabilità che un evento futuro accada: una vendita, una disdetta, un guasto, un ritardo di pagamento. Non fornisce certezze ma probabilità con un margine di errore misurabile. Il suo valore pratico non sta nella previsione in sé, sta nel fatto che arriva prima del momento in cui bisogna decidere, quindi permette di agire invece di constatare a consuntivo.

Che differenza c'è tra analisi predittiva e intelligenza artificiale?

L'analisi predittiva è una delle applicazioni dell'intelligenza artificiale, in particolare del machine learning, ed è la più matura in azienda. L'intelligenza artificiale generativa produce testi, immagini o codice a partire da istruzioni. L'analisi predittiva produce numeri e probabilità a partire da dati storici strutturati. Nel mercato italiano oltre la metà della spesa riguarda ancora progetti di machine learning e analisi, non generativi, proprio perché il ritorno è più facile da misurare.

Quanti dati servono per fare analisi predittiva?

Non conta il volume totale dei dati, conta il numero di casi in cui l'esito è noto. Per una previsione con stagionalità annuale servono almeno due anni di storico, tre sono più solidi. Per un modello di abbandono servono abbastanza abbandoni registrati, non abbastanza clienti: con diecimila clienti e una decina di disdette all'anno non ci sono le condizioni. Servono inoltre granularità coerente con la decisione e tracciamento degli eventi anomali passati, come promozioni e rotture di stock.

Quanto costa un progetto di analisi predittiva?

Le voci sono cinque: preparazione dei dati, che di solito assorbe più della metà dello sforzo, costruzione del modello, messa in produzione dentro i sistemi che si usano ogni giorno, manutenzione con riaddestramento periodico, e gestione del cambiamento. La voce che decide se il progetto regge nel tempo è la manutenzione, quasi sempre assente dalle offerte. Il costo del primo caso d'uso è sempre superiore ai successivi, perché include la costruzione della base dati che poi viene riutilizzata.

Quanto è affidabile una previsione fatta con l'AI?

Dipende dalla qualità dello storico e dalla stabilità del fenomeno, ed è sempre un numero, non un giudizio. Un modello serio dichiara il proprio margine di errore e viene validato su dati che non ha visto in addestramento. Il confronto corretto non è con la perfezione, è con il metodo attuale: se oggi si sbaglia del quaranta per cento e il modello sbaglia del quindici, il modello vale, anche se sbaglia. Le previsioni degradano nel tempo, quindi la precisione va rimisurata periodicamente.

In quanto tempo si vedono i risultati?

Un primo caso d'uso ben scelto arriva in produzione in circa novanta giorni: un mese per definire la domanda, misurare l'errore attuale e verificare i dati, un mese per costruire e validare il modello, un mese di sorveglianza e misurazione nel processo reale. I benefici economici diventano visibili quando la previsione entra in un ciclo decisionale ricorrente, quindi tipicamente entro sei mesi per la previsione della domanda e più lentamente per i modelli di abbandono, che vanno verificati su un ciclo di rinnovo completo.

Serve un data scientist interno?

Per il primo progetto conviene lavorare con chi ha già portato modelli in produzione, perché gli errori di impostazione si pagano per anni. Quello che serve internamente fin da subito è un proprietario del progetto che conosca il processo aziendale e abbia il potere di cambiarlo, più una persona capace di verificare i dati. La competenza modellistica si può acquistare, la conoscenza del processo no, ed è quella che determina la qualità delle variabili scelte e quindi del risultato.

L'analisi predittiva va bene anche per una PMI?

Sì, a due condizioni: che esista uno storico coerente e che il fenomeno abbia volumi sufficienti. Molte piccole imprese ottengono la parte più grande del beneficio con previsioni semplici su dati puliti, senza piattaforme costose. Sotto una certa scala il valore sta nel metodo, cioè nel misurare l'errore, confrontarsi con una previsione di riferimento e correggere, più che negli algoritmi. Il divario fra grandi imprese e PMI italiane sull'adozione si è allargato a trentasette punti percentuali, e questo rende il vantaggio competitivo di chi parte oggi più grande, non più piccolo.