Procedure consigliate per l'analisi dei dati nell'era dell'IA

Chiedi a un assistente AI perché il fatturato è diminuito nell'ultimo trimestre e avrai una risposta in pochi secondi: un numero, un grafico e un paragrafo ordinato che spiega cosa è successo. Se quella risposta sia corretta è un'altra questione. È anche la questione che ora decide se l'analisi del tuo team vale la pena di essere messa in pratica.

L'AI ha reso la meccanica dell'analisi dei dati veloce ed economica. Scrivere query, eseguire join tra tabelle, pulire i dati e creare grafici un tempo occupavano la maggior parte della settimana di un analista. Ora richiedono pochi istanti. Questo ha indotto molti team a trattare l'analisi come un passaggio da delegare interamente.

Ma le prove suggeriscono cautela. Quando i ricercatori hanno creato Spider 2.0, un benchmark tratto da database aziendali reali, il miglior agente AI testato ha risolto il 21,3% dei suoi compiti. Su un vecchio benchmark accademico con dati più puliti, lo stesso approccio ha risolto il 91,2%.

Quali sono quindi le best practice per l'analisi dei dati nell'era dell'AI? Si concentrano sui due estremi del flusso di lavoro che l'AI non può gestire. Definire la domanda con precisione prima che l'AI tocchi i dati. Validare la risposta prima che chiunque agisca di conseguenza. Tutto ciò che sta nel mezzo sta diventando più semplice. Quei due estremi stanno diventando più difficili e più preziosi.

L'analisi dei dati non ha mai riguardato solo la query

L'analisi dei dati esiste per ridurre l'incertezza attorno a una decisione. Nessuno analizza il churn per il gusto di farlo. Un team analizza il churn perché deve decidere se modificare i prezzi, rielaborare l'onboarding o assumere più personale per il customer success.

Il processo si articola in cinque fasi:

1. Definire la domanda
2. Raccogliere e preparare i dati
3. Scegliere ed eseguire un metodo
4. Validare e interpretare i risultati
5. Comunicare il loro significato

La seconda e la terza fase contengono gran parte della meccanica. Per decenni quel lavoro ripetitivo ha occupato la maggior parte del tempo, il che ha reso facile dimenticare che il risultato dipendeva solitamente dalla prima e dalla quarta fase. Una query può essere perfetta eppure rispondere alla domanda sbagliata. Un grafico può essere bellissimo eppure fuorviante. L'AI ha semplicemente reso molto più difficile ignorare questo aspetto.

Cosa ha assunto effettivamente l'AI nel processo di analisi dei dati

Il nucleo dell'analisi assistita da AI è il text-to-SQL, che trasforma una domanda in linguaggio naturale in una query di database. Chiedi quanto fatturato è arrivato dai clienti enterprise nell'ultimo trimestre, e uno strumento di AI scriverà la query per te. Somma gli importi degli ordini, collega gli ordini ai clienti, filtra per il segmento enterprise e limita i risultati alle date corrette. Poi crea un grafico del risultato, abbozza un riepilogo e suggerisce cosa chiedere dopo.

Questo è un progresso genuino, ed è il motivo per cui descriviamo l'AI come un co-analista che potenzia l'analisi umana.

Ma guarda cosa ha deciso autonomamente lo strumento mentre rispondeva a quella domanda sul fatturato. Forse ha ipotizzato che "fatturato" significasse l'importo dell'ordine prima dei rimborsi. O ha ipotizzato che "ultimo trimestre" significasse da luglio a settembre, anche se l'azienda segue un calendario fiscale. Ha ipotizzato che i clienti enterprise siano etichettati come "Enterprise" nei dati e non come "ENT". E ha ipotizzato che la prima tabella degli ordini trovata fosse quella giusta. Nessuna di queste scelte era corretta, ma nessuna di esse ha attivato un avviso. Lo strumento ha restituito un numero pulito.

Quando produrre una risposta non costa quasi nulla, i team ne producono molte di più. Una risposta sbagliata arriva tanto velocemente e rifinita quanto una giusta, e viaggia altrettanto lontano. Il rischio si è spostato dal creare l'analisi al fidarsi di essa. Nulla di tutto ciò rende automatica la preparazione dei dati o la selezione del metodo. Qualcuno deve comunque decidere se una fonte è aggiornata, se una join conteggia i record due volte e se una misura si adatta alla domanda. L'AI gestisce una parte maggiore del percorso. Il giudizio all'interno di ogni fase appartiene ancora alle persone.

I dati aziendali reali peggiorano il problema. I set di dati di test accademici utilizzano database puliti. Le aziende hanno centinaia di tabelle, nomi di colonne crittografati e tre versioni della stessa metrica. Questa complessità è ciò che Spider 2.0 ha catturato, ed è il motivo per cui i punteggi sono diminuiti così drasticamente. La parte difficile dell'analisi aziendale non è mai stata il linguaggio SQL. È il contesto dell'azienda.

Definire la domanda è ora la fase più difficile

Quando le risposte sono economiche, la domanda porta tutto il peso. Una domanda vaga affidata all'AI raramente fallisce del tutto. Riceve una risposta sicura a una domanda leggermente diversa, e nessuno se ne accorge.

Una domanda analitica ben formulata fa cinque cose:

• Nomina la decisione che serve. Cosa farà diversamente qualcuno a seconda della risposta?
• Definisce i suoi termini. Cosa conta esattamente come churn, cliente attivo o fatturato?
• Imposta la popolazione e la finestra temporale. Quali clienti, in quali date e con quali esclusioni?
• Indica una baseline. Rispetto all'ultimo trimestre, allo stesso trimestre dell'anno scorso o a un obiettivo?
• Dice cosa cambierebbe il piano. Quanto deve essere grande un risultato per giustificare un'azione?

Confronta "Perché il fatturato è in calo?" con "Perché il fatturato riconosciuto dai clienti nordamericani esistenti è cambiato questo trimestre rispetto allo stesso trimestre dell'anno scorso, e quali segmenti di clienti hanno contribuito maggiormente?". La seconda versione stabilisce la metrica, la popolazione, la geografia, il confronto e la scomposizione prima che qualsiasi dato venga toccato. Lascia all'AI molti meno spazi vuoti da riempire con ipotesi.

I buoni strumenti di AI aiutano in questo senso. Come abbiamo già scritto, quando gli utenti pongono domande ambigue, "l'AI dovrebbe cercare chiarimenti anziché fare supposizioni". Ma uno strumento può solo chiedere informazioni sull'ambiguità che nota. Non ha modo di sapere quale decisione stai effettivamente cercando di prendere. Peggio ancora, la fluidità può far sembrare una risposta poco specificata più autorevole di quanto non sia.

Ciò colloca la formulazione direttamente nella descrizione del ruolo dell'analista. Tratta il prompt come una specifica analitica. Definisci la decisione, i termini, l'ambito e i criteri di successo prima di chiedere all'AI di eseguire la meccanica. Parte del lavoro analitico più prezioso ora avviene prima che venga eseguita la prima query. Sembra di sedersi con un stakeholder, definire con precisione la decisione e scrivere la domanda in termini a cui i dati possono rispondere.

Abbinare il metodo di analisi dei dati alla domanda

Una domanda incisiva può comunque ottenere la risposta sbagliata se viene affrontata nel modo sbagliato. Le domande analitiche rientrano in quattro ampie famiglie, che si mappano strettamente sui quattro tipi di business analytics, e ciascuna richiede un tipo diverso di metodo.

Gli strumenti di AI tendono a scegliere tutto ciò che è più facile da calcolare. Questo di solito significa una descrizione o una correlazione, ed è qui che si insinuano quattro errori comuni:

Correlazione scambiata per causa. I clienti che utilizzano una determinata funzionalità potrebbero registrare un churn inferiore, e un riepilogo dell'AI potrebbe concludere che la funzionalità riduce il churn. Forse lo fa. O forse i tuoi clienti più fedeli utilizzano più funzionalità e registrano anche meno churn, per ragioni che non c'entrano nulla con quella funzionalità. Solo un esperimento, come il rilascio della funzionalità a un gruppo casuale e il confronto dei risultati, può fare la differenza. È l'errore più costoso nell'analisi perché indirizza denaro verso cose che non funzionano.

Medie che nascondono la storia vera. Immagina due flussi di onboarding. Il flusso A converte meglio tra le piccole imprese (25% contro 20%) e meglio tra i clienti enterprise (60% contro 50%). Eppure il flusso B sembra molto migliore in generale, dal 47% al 28%, perché per caso ha ottenuto principalmente clienti enterprise, che convertono a tassi più elevati in entrambi i casi. Gli statistici chiamano questo paradosso di Simpson. Uno strumento di AI che riporta solo la cifra combinata consiglierebbe il flusso più debole.

La baseline errata. Le vendite al dettaglio aumentano ogni dicembre, quindi un incremento del 40% rispetto a novembre dice ben poco. Lo stesso mese dell'anno scorso è il confronto che conta, e sceglierlo è una decisione di definizione.

Previsioni senza intervalli. L'estensione di una linea di trend breve produce una proiezione che sembra precisa e di solito non lo è. Una previsione utile fornisce un intervallo e dichiara le ipotesi alla base. Dovrebbe anche essere testata su periodi di holdout che il modello non ha mai visto prima che chiunque si affidi ad esso.

L'AI può essere un partner utile in tutto questo. Può proporre alternative, spiegare le ipotesi e suggerire controlli extra. Ma "l'ha scelto l'AI" non è una giustificazione metodologica. Scegliere il metodo giusto dipende ancora da qualcosa di più fondamentale: input che significano ciò che tutti pensano significhino.

Perché le definizioni governate decidono se l'analisi dell'AI è corretta

Chiedi a tre team qual è stato il fatturato dell'ultimo trimestre e potresti ottenere tre numeri diversi. Il reparto finanziario riporta il fatturato al netto dei rimborsi. Il team vendite conta le prenotazioni. Il marketing definisce un cliente attivo come chiunque abbia effettuato l'accesso negli ultimi 30 giorni, mentre il team di prodotto ne usa 90. Ogni dashboard è coerente al suo interno. Tuttavia, i dati non coincidono e la riunione si trasforma in una discussione su quale sia il numero corretto.

L'intelligenza artificiale peggiora la situazione. Una colonna chiamata fatturato non indica a un modello se l'azienda intende fatturato prenotato, fatturato fatturato, fatturato riconosciuto o fatturato netto. Per rispondere a una domanda, uno strumento di intelligenza artificiale deve sceglierne una. Se le definizioni si trovano all'interno di singoli dashboard e report, lo strumento o tira a indovinare o eredita il primo conflitto che incontra. Di fatto, è costretto a risolvere un disaccordo organizzativo mentre risponde a una singola domanda. Utenti diversi possono quindi ottenere risposte che sono internamente coerenti ma basate su metriche differenti.

La soluzione è un layer semantico. Si tratta di un unico punto in cui l'azienda definisce il significato dei suoi termini in termini di dati, in modo che ogni dashboard e ogni strumento di intelligenza artificiale utilizzino le stesse definizioni. I team possono comunque mantenere le proprie viste legittime, a patto che il significato e l'ambito di ciascuna siano espliciti. Gartner prevede che questo aspetto avrà un'importanza fondamentale. Prevede infatti che entro il 2027 le organizzazioni che danno priorità alla semantica nei dati pronti per l'intelligenza artificiale aumenteranno l'accuratezza dell'intelligenza artificiale agentica fino all'80% e ridurranno i costi fino al 60%.

Puoi osservare questo effetto in azione in un singolo progetto. In una guida pratica di Databricks, un team ha configurato AI/BI Genie, il nostro strumento di analisi conversazionale, per un set di dati di marketing e lo ha testato su 13 domande di benchmark. Utilizzando solo le tabelle grezze, Genie non ne ha risposto correttamente nemmeno una. L'aggiunta di descrizioni delle tabelle, chiavi che mostrano come si collegano le tabelle e liste dei valori effettivi nelle colonne chiave ha portato l'accuratezza al 54%. Le query di esempio per metriche personalizzate l'hanno portata al 77%. Le regole aziendali scritte, come l'esclusione delle campagne di test e l'utilizzo del calendario fiscale, l'hantto portata al 100%. Il modello era lo stesso allo 0% e al 100%. Ogni miglioramento è derivato dal contesto.

Ecco perché integriamo la governance e il significato aziendale direttamente nella piattaforma dati. Sulla Databricks Data + AI Platform, questo compito spetta a Unity Catalog Business Semantics. È progettato per rendere metriche, regole aziendali e definizioni riutilizzabili tra le esperienze analitiche e di intelligenza artificiale, invece di intrappolarle all'interno di un unico dashboard. Questo contesto condiviso può supportare AI/BI Dashboards, Genie, SQL, notebook e agenti, mentre i controlli di governance determinano a quali dati e contesti ciascun utente può accedere. Questo divario è importante perché gli errori generati dall'intelligenza artificiale sembrano spesso completi. Un grafico rifinito può nascondere un denominatore errato o una definizione diversa da quella utilizzata dal dipartimento finanziario.

La governance ripaga anche in termini di fiducia. Precisely e il LeBow College of Business della Drexel University hanno intervistato 505 leader dei dati per un report del 2026. Tra le organizzazioni con programmi di governance, il 71% ha dichiarato di riporre molta fiducia nei propri dati, rispetto al 50% di quelle che ne sono sprovviste.

Come convalidare l'analisi generata dall'intelligenza artificiale prima che chiunque agisca

Le definizioni soggette a governance rendono un risultato verificabile. Tuttavia, qualcuno deve comunque verificarlo, e molte organizzazioni non lo fanno. Nel sondaggio State of AI di McKinsey di marzo 2025, il 27% degli intervistati le cui organizzazioni utilizzano l'intelligenza artificiale generativa ha affermato che i dipendenti esaminano tutti i suoi output prima che vengano utilizzati. Una percentuale simile ha dichiarato che viene controllato il 20% o meno.

La convalida può essere rapida, purché sia intenzionale. Questi sette controlli intercettano la maggior parte dei problemi:

1. Riformula la domanda e conferma le definizioni. Qual è esattamente la metrica e quali record, periodi di tempo ed esclusioni si applicano? Se non è chiaro, l'analisi non è pronta per la convalida.
2. Controlla la sorgente. Conferma che i dati provengano dalla fonte autorevole, siano aggiornati e siano appropriati per la persona che li richiede.
3. Leggi la logica. Rivedi i filtri, i join e il livello di aggregazione della query generata, quindi osserva il conteggio delle righe, i valori null e i duplicati. Un improvviso salto del 300% è più spesso dovuto a un join duplicato che a una svolta epocale.
4. Riconcilia con un numero noto. Collega i totali importanti a una metrica certificata, a un report affidabile o a un calcolo indipendente. Se non corrispondono, scopri perché prima di procedere.
5. Scomponilo. Verifica che il risultato sia valido per i principali segmenti. È così che si intercetta il paradosso di Simpson prima che arrivi a una slide.
6. Testa le alternative. Un metodo diverso ma difendibile porterebbe alla stessa decisione? Un fattore di confusione potrebbe spiegare questo pattern?
7. Lascia una traccia. Salva le origini, la query, le definizioni, le ipotesi e i limiti in modo che qualcun altro possa riprodurre il risultato.

Adatta l'impegno alla posta in gioco. Un riepilogo settimanale del traffico richiede un rapido sguardo alla logica. Una decisione sui prezzi richiede l'elenco completo. E chiedere all'intelligenza artificiale se è sicura non conta come convalida.

Gli strumenti giusti rendono questi controlli una routine. Genie, ad esempio, mostra come è arrivato a ciascuna risposta, in modo che la logica sia sempre disponibile per la lettura.

Cosa i leader della data analytics dovrebbero sviluppare nei loro team

Un singolo analista meticoloso che esegue controlli non è scalabile. Per i responsabili della data analytics, il vero lavoro consiste nell'integrare la definizione del contesto e la convalida nel modo in cui opera l'intero team.

Tutto inizia con una nuova visione del ruolo dell'analista. Gli analisti dedicano meno tempo a produrre risposte e più tempo a curare il contesto che consente all'intelligenza artificiale di produrre risposte di qualità. In pratica, ciò significa mantenere le definizioni, configurare spazi Genie, scrivere domande di benchmark e revisionare i risultati segnalati. Il ruolo inizia a somigliare più a quello di un editor che a quello di un autore di bozze. I migliori analisti diventano traduttori tra decisioni di business, dati, metodi e sistemi di intelligenza artificiale.

Le competenze derivano da questo cambiamento:

• Inquadrare le domande insieme agli stakeholder aziendali
• Ragionamento statistico e sperimentale, inclusa la consapevolezza di quando una correlazione non è sufficiente
• Conoscenza del dominio sufficientemente approfondita da individuare un numero implausibile
• Alfabetizzazione sui dati in merito a grain, join, qualità e lineage, oltre alla cura delle definizioni condivise
• Utilizzo dell'intelligenza artificiale per esplorare alternative, valutandone poi l'output rispetto a casi noti e validati
• Spiegare l'incertezza ai dirigenti con un linguaggio semplice

Molti team non sono ancora a questo punto. Nello stesso sondaggio di Precisely e Drexel LeBow, il 51% dei leader dei dati ha indicato le competenze come un'esigenza prioritaria per la prontezza all'intelligenza artificiale, e solo il 38% si è detto molto preparato.

Come può un leader capire se l'analisi del team merita fiducia? Fai attenzione a cinque segnali:

• Con quale frequenza le analisi richiedono correzioni dopo essere state condivise
• Con quale frequenza i team sono in disaccordo a causa di definizioni incoerenti
• Se fonti obsolete o non certificate compaiono in lavori importanti
• Se i risultati ad alto impatto hanno un proprietario documentato
• Se le decisioni vengono invertite perché l'analisi alla base era errata

Per il lavoro assistito dall'intelligenza artificiale, mantieni un set di domande rappresentative con risposte note e validate e valuta regolarmente i risultati tra utenti e domini aziendali. Un accesso più ampio aumenta ulteriormente la posta in gioco. AI/BI è integrato nella piattaforma senza costi di licenza per utente, quindi l'analisi governata può raggiungere ben oltre il team di dati. Una volta che migliaia di persone possono fare domande, il rigore non può dipendere da una manciata di analisti. Deve essere integrato nel sistema.

Cinque best practice per l'analisi dei dati nell'era dell'intelligenza artificiale

1. Inizia dalla decisione, non dallo strumento. Definisci cosa deve essere deciso, chi è il responsabile della decisione e quali prove cambierebbero il piano d'azione prima di chiedere una risposta all'intelligenza artificiale.
2. Rendi esplicito il significato aziendale. Usa definizioni condivise per metriche, periodi di tempo e regole aziendali. Se un termine può ragionevolmente significare due cose diverse, documenta la differenza invece di pretendere che l'intelligenza artificiale la deduca.
3. Associa il metodo all'affermazione. I modelli descrittivi, di segmentazione, di previsione e causali supportano affermazioni diverse. Non lasciare che il metodo più semplice determini la conclusione.
4. Valida la catena di prove. Controlla la fonte, le definizioni, la logica e le ipotesi. Confronta i risultati chiave con riferimenti attendibili noti e verifica se la conclusione regge a fronte di alternative ragionevoli.
5. Usa l'AI per espandere la capacità analitica, non per abbassare gli standard. Lascia che l'AI gestisca il lavoro ripetitivo e ampli l'accesso, mentre le persone mantengono la responsabilità delle domande, delle prove e delle decisioni.

FAQ

Che cos'è l'analisi dei dati e perché è importante per le decisioni aziendali?

L'analisi dei dati è il processo che utilizza i dati per ridurre l'incertezza su una decisione. È importante perché la qualità di una decisione raramente supera la qualità della domanda e delle prove su cui si basa.

Quali sono le fasi principali del processo di analisi dei dati?

Sono cinque: definire la domanda, preparare i dati, applicare un metodo, validare i risultati e comunicare cosa significano. L'AI ora accelera soprattutto le fasi centrali.

Quali sono gli errori più comuni nell'analisi dei dati?

La maggior parte si verifica prima del grafico finale: una domanda poco chiara, definizioni incoerenti, una popolazione non rappresentativa, la correlazione presentata come causa e unioni a un livello di granularità errato che duplicano il conteggio dei record. L'AI può accelerare questi processi e i suoi errori spesso sembrano completi.

Come si valida l'analisi dei dati generata dall'AI?

Inizia riformulando la domanda e confermando le definizioni. Quindi controlla la fonte, leggi la query generata, riconcilia i totali chiave con un riferimento attendibile noto e verifica se la conclusione regge a fronte di alternative ragionevoli.

L'AI sostituirà gli analisti dei dati?

L'AI sta assumendo gran parte del lavoro meccanico nell'analisi. Il giudizio rimane alle persone. Gli analisti che definiscono le domande, scelgono i metodi, gestiscono le definizioni e validano i risultati stanno diventando sempre più preziosi di conseguenza.

Il giudizio è il nuovo collo di bottiglia

L'AI ha restituito ai team di analisti le ore che prima dedicavano alla scrittura di query e alla pulizia dei dati. I team che ne traggono il massimo vantaggio trascorreranno quelle ore ai due estremi del flusso di lavoro: domande più precise da un lato e controlli più rigorosi dall'altro. Svilupperanno inoltre definizioni condivise da tutti.

Questo è il tipo di analisi che AI/BI è progettato per supportare: risposte colloquiali basate sui tuoi dati governati e disponibili a chiunque ne abbia bisogno.

Un'analisi migliore inizia con la giusta domanda e termina con una risposta di cui ti puoi fidare. Scopri come Databricks AI/BI fonda l'analisi in linguaggio naturale sulle definizioni governate della tua organizzazione, in modo che ogni dashboard e domanda successiva funzioni partendo dalle stesse metriche. Se desideri una panoramica più ampia di come l'AI sta cambiando il ruolo dell'analista, leggi How AI Is Transforming Data Analytics per un'analisi fase per fase del moderno flusso di lavoro di analisi.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale