Analisi dati in azienda: da dove iniziare senza assumere nessuno

Analisi dati: cosa significa per una PMI (non per Google)

Quando una grande azienda dice «data analysis» pensa a modelli, algoritmi, squadre di analisti. In una PMI l'analisi dati significa una cosa più semplice e più utile: rispondere con i numeri a domande che oggi si rispondono a sensazione. Quali clienti rendono davvero. Quali prodotti marginano e quali si vendono solo tanto. Dove si perde tempo. Chi paga in ritardo e quanto ci costa.

La gestione dei dati, di conseguenza, non è un progetto informatico ma una disciplina: tenerli in un posto e in una forma tale che possano rispondere. Il rapporto con la business intelligence per PMI è semplice: l'analisi è il lavoro, la business intelligence è lo strumento che lo rende continuo invece che occasionale.

Una scena che si ripete: il titolare è convinto che il cliente storico, quello che ordina di più, sia il migliore. Nessuno ha mai messo insieme quanto fattura, quanto sconto ha, quante ore di assistenza assorbe e con quanti giorni di ritardo paga. Quando qualcuno lo fa, scopre che è il cliente su cui l'azienda guadagna meno di tutti — e che due clienti piccoli, che nessuno guarda, marginano il doppio. Non serviva un algoritmo: servivano quattro colonne una accanto all'altra.

I dati che hai già e non stai guardando

Sono sporchi? Quasi certamente. Sono sufficienti per iniziare? Sempre. Il perfezionismo sui dati è il modo più efficace per non analizzarli mai.

Il primo lavoro utile, quindi, non è comprare niente: è scrivere questa tabella per la tua azienda, con i nomi veri dei sistemi e delle persone che li usano. Ci vuole un'ora, e alla fine sai già quale domanda puoi rispondere domani mattina.

Le 3 domande di business da cui partire

• Su quali clienti guadagno davvero? Fatturato per cliente meno costi diretti meno il tempo che gli dedichiamo. La risposta ribalta più convinzioni di qualunque altra.
• Quali prodotti o servizi marginano, e quali si vendono solo tanto? Volume e margine sono due classifiche diverse, e spesso i primi posti non coincidono.
• Dove sta il capitale fermo? Merce a magazzino più crediti scaduti: sono soldi che esistono e non lavorano.

Perché queste tre: i dati esistono già, l'impatto è diretto sul conto economico, e ogni risposta ha un'azione dietro. Quando ti chiedi come analizzare i dati, la regola è: una buona domanda è specifica e ha una decisione appesa.

Il primo report utile: come costruirlo

Scegli una domanda sola. Individua le due o tre fonti che servono. Esporta l'ultimo anno in formato tabellare. Pulisci il minimo indispensabile: i codici cliente uguali ovunque, le date nello stesso formato. Costruisci una tabella pivot. Un grafico, uno solo. Una pagina, con la risposta scritta in alto in una frase.

Esempio reale, con i nomi cambiati: margine per cliente. Fatture per cliente dal gestionale, ore per cliente dai fogli dei tecnici, una pivot che le mette insieme. Risultato: il venti per cento dei clienti produce l'ottanta per cento del margine, e tre clienti storici — quelli «importanti» — lavorano in perdita. Da lì, tre conversazioni commerciali che prima nessuno avrebbe avuto il coraggio di aprire. La regola finale: un report che non cambia una decisione è decorazione.

Secondo esempio, ancora più veloce: i crediti scaduti. Scadenzario dalla contabilità, una colonna in più con i giorni di ritardo, una pivot per cliente. In un'ora sai chi ti sta usando come banca, per quanto e da quanto. La decisione che segue — solleciti sistematici, condizioni riviste, un limite di fido — vale spesso più di qualunque campagna di vendita dell'anno, e nasce da dati che erano già lì.

Strumenti: cosa basta davvero all'inizio

Fase uno: Excel o Google Sheets, con tabelle pivot e grafici. Basta e avanza per il primo report, e per i successivi cinque. Fase due: uno strumento di dashboard — Looker Studio è gratuito, Power BI costa poco — collegato direttamente alle fonti, così il report si aggiorna da solo invece che a colpi di esportazioni. Fase tre: un cruscotto costruito sui tuoi processi, con le metriche del tuo mestiere calcolate come le calcoli tu.

Cosa non serve all'inizio, per quanto te lo propongano: un data warehouse, un data scientist, l'intelligenza artificiale. L'AI arriva dopo, quando i dati puliti e i flussi esistono — e a quel punto fa cose serie, dalle previsioni di vendita alle anomalie segnalate da sole. Prima, è un modo costoso di analizzare dati sporchi.

La risorsa che serve davvero non è uno strumento: è una persona in azienda con due caratteristiche — conosce come si lavora e ha l'autorità di fare domande scomode. Non deve saper programmare; deve saper chiedere «perché questo cliente ci costa così tanto?» e reggere la risposta. Le PMI che analizzano bene i dati non hanno assunto nessuno: hanno dato a qualcuno che c'era già mezza giornata alla settimana e il permesso di guardare i numeri.

Quando fare il salto: dall'analisi manuale ai cruscotti automatici

I segnali sono quattro. Il report viene richiesto ogni settimana. L'esportazione manuale è diventata un compito che nessuno vuole fare. Le fonti da incrociare sono tre o più. Le decisioni aspettano il report invece di guidarlo. A quel punto il problema non è più l'analisi: è che i dati non si muovono da soli tra i sistemi.

Il salto vero, quindi, non è comprare uno strumento di dashboard più bello: è far sì che gli ordini, le ore e gli incassi arrivino nei posti giusti senza che nessuno li ricopi — cioè l'automazione dei processi aziendali che produce quei dati. Quando quello succede, il cruscotto si aggiorna da solo, e l'analisi smette di essere un progetto per diventare un'abitudine. Si parte piccoli, si misura, si allarga: è l'unico modo che abbiamo visto funzionare senza assumere nessuno.

Le domande più comuni