Business intelligence o AI? Quando serve un agente

In sintesi

Non si sceglie tra BI e AI: report, analisti e agenti AI sono strumenti diversi che possono leggere gli stessi dati e le stesse definizioni, e convivere senza dare numeri diversi.
Prima degli strumenti serve una base: dati integrati in un unico modello, con sopra un modello semantico, e definizioni condivise dei KPI, scritte una sola volta. È lì che si concentra l’investimento.
Lo strumento dipende da chi fa le domande. Pochi manager che seguono sempre gli stessi KPI lavorano bene con i report. Molte persone con domande che cambiano ogni settimana creano una coda di richieste agli analisti: è su quella coda che un agente AI porta valore.
Due casi mostrano scelte opposte: in una rete di cliniche private report e agente leggono lo stesso modello; in un e-commerce di moda bastano i report, e l’agente si potrà aggiungere in futuro senza rifare la base.

Report, analisti e agenti possono leggere gli stessi numeri: cosa serve per arrivarci e come si decide quali usare oggi.

Sempre più aziende si chiedono se sia arrivato il momento di affiancare un agente AI alla propria business intelligence, o addirittura di sostituirla. La domanda viene posta quasi sempre come una scelta fra due strade: tenere i report e le dashboard che il management conosce, oppure passare a uno strumento che risponde alle domande in linguaggio naturale e porta la risposta direttamente a chi decide.

Posta così, però, la scelta è mal impostata. Report, analisti e agenti sono strumenti diversi che possono leggere gli stessi dati e le stesse definizioni, e quando la base su cui poggiano è costruita bene, possono convivere senza dare numeri diversi. La decisione riguarda quali strumenti attivare oggi, in base a chi interroga i dati e a quanto cambiano le domande, più che quale tecnologia adottare.

Radici, tronco e rami

Prima degli strumenti viene una base fatta di due strati, che si possono immaginare come le radici e il tronco di un albero. Le radici sono i dati dell’azienda, raccolti dalle diverse fonti, integrati, puliti e controllati nel tempo, in linea con il lavoro di infrastruttura dati già descritto.

Quando l’obiettivo è alimentare report e agenti, quel lavoro ha una direzione precisa. I dati vanno organizzati in un unico modello, di solito un data warehouse con sopra un modello semantico, cioè lo strato che traduce le tabelle in misure e dimensioni comprensibili al business. Il modello va costruito alla granularità che le decisioni richiedono, per esempio per singolo punto vendita, prodotto o giorno, perché nessuno strumento può scendere più in basso di quanto i dati permettano. Su questo strato si concentra la parte più consistente dell’investimento, ed è il motivo per cui, una volta costruito, aggiungere un nuovo strumento costa poco.

Il tronco sono le definizioni condivise: cos’è un nuovo cliente, come si calcola il fatturato, quale data si usa per attribuirlo a un mese. Sono le definizioni che una data strategy, concorda con le funzioni che usano quei numeri. Per sostenere più strumenti vanno scritte una sola volta nel modello da cui tutti leggono, con una misura certificata per ogni KPI e la definizione accanto alla formula.

I rami sono gli strumenti che leggono quelle definizioni: report e dashboard, analisti che costruiscono analisi ad hoc, agenti AI che rispondono alle domande.

Quale ramo per quale domanda?

Ogni ramo risponde meglio a un tipo di domanda, e il punto di partenza è chi interroga i dati e con quale regolarità. Quando a farlo sono pochi manager, che seguono ogni mese gli stessi KPI, i report sono lo strumento più efficace. Si costruiscono una volta sopra il modello, si aggiornano a ogni caricamento dei dati e mostrano a tutti lo stesso numero nello stesso formato, con filtri e drill-down pensati per le domande da cui sono nati, come l’andamento per mercato, canale o periodo. In questa situazione un agente aggiungerebbe un costo senza cambiare le decisioni.

Il limite dei report sta nelle domande per cui sono costruiti. Il modello semantico può rispondere a qualsiasi domanda sui dati che contiene, ma un report fa emergere solo le risposte che chi l’ha commissionato cercava in origine. Quando arriva una domanda nuova, la risposta passa da un analista, che costruisce un’analisi ad hoc interrogando lo stesso modello. È il ramo più flessibile, ma anche il più costoso, e regge finché le richieste restano poche.

La situazione cambia quando a fare domande sono molte persone, in team diversi, e le domande variano ogni settimana incrociando mercati, canali, prodotti e periodi in combinazioni che nessuna dashboard può prevedere. Le richieste agli analisti formano allora una coda, ed è su quella coda che lavora un agente AI. Risponde a domande scritte in linguaggio comune, come quali punti vendita abbiano perso più margine nelle ultime otto settimane, e su quali categorie di prodotto, interrogando in sola lettura lo stesso modello che alimenta i report.

Perché le sue risposte siano affidabili, l’agente non costruisce i numeri da solo. Interroga il modello semantico solo attraverso le misure già definite, le stesse del catalogo che usano gli analisti, e può impostare i filtri, come periodo, sede o categoria di prodotto, ma non decidere come i dati vengono aggregati. Ogni risposta ha quindi un’origine nota per costruzione, e chiunque può interrogare la stessa misura in modo indipendente e ritrovare lo stesso numero.

Come lo affrontiamo

Con i clienti la conversazione non parte dalla scelta fra BI tradizionale e AI. Parte da chi oggi usa i dati, con quali domande e con quale frequenza, e dallo stato della base, cioè se i dati sono già organizzati in un unico modello e se le definizioni sono condivise. Da lì si decide quali rami attivare subito e quali rimandare.

In un progetto per una rete di cliniche private, le esigenze di chi usa i dati sono di due tipi. La direzione segue ogni mese un insieme stabile di indicatori, come fatturato, produzione e scostamento dal budget, e per questo lavora con i report. Gli analisti ricevono invece domande che cambiano di continuo, perché incrociano molte sedi, periodi diversi e decine di misure economiche, e nessuna dashboard può prevederle tutte. Dati e definizioni sono stati quindi organizzati in un unico modello, da cui leggono sia i report sia un agente che risponde agli analisti in linguaggio naturale.

Quando un analista chiede quali siano le tre cliniche migliori per fatturato, l’agente restituisce lo stesso numero del report. Nella risposta specifica anche quale fatturato ha usato, cioè quello per data di emissione del documento, che è diverso dal valore dei preventivi accettati e dalla produzione. Se la domanda non indica la clinica, chiede un chiarimento prima di rispondere. Nelle analisi più ampie, invece, segnala i dati che non si possono confrontare, come quelli delle cliniche senza budget.

Diverso è il caso di un’azienda del fashion e-commerce, per cui abbiamo costruito la stessa base, con i dati organizzati in un unico modello e le definizioni condivise. Le esigenze attuali dell’azienda sono coperte dai report, e per ora un agente non è necessario. Se in futuro le domande dovessero moltiplicarsi, l’agente potrà leggere le definizioni già scritte nel modello, senza ricostruire la base, che andrà solo mantenuta aggiornata come avviene già per i report.

Da dove si comincia?

Si comincia da chi usa i dati oggi. Conviene raccogliere per qualche settimana le domande che arrivano agli analisti, annotando chi le fa e quanto spesso tornano: quelle ricorrenti indicano cosa dovrebbe stare in un report, quelle sempre diverse indicano dove un agente sarebbe efficace. Per i KPI che compaiono più spesso in quelle domande resta da verificare se tutti i report li calcolano allo stesso modo, perché è da quella verifica che si capisce se si può già lavorare sui rami o se prima va sistemato il tronco.

Per un’azienda che costruisce la base in questo modo, decidere quando introdurre un agente smette di essere una scommessa sulla tecnologia e diventa una valutazione su come cambiano le domande dei propri team.

Chi è Digital Pills e come può aiutarvi

Digital Pills è una società di consulenza su dati e intelligenza artificiale con sede a Torino. Aiuta aziende ed e-commerce a trasformare dati, analytics e AI in decisioni di business misurabili, e lavora dentro le organizzazioni insieme ai team che useranno report e agenti. È il metodo che abbiamo applicato nei due progetti raccontati in questo articolo.

Per costruire la base su cui report, analisti e agenti AI possono convivere lavoriamo con due servizi:

Ground Data: costruisce le radici. Integra i dati delle diverse fonti in un unico modello, con data warehouse e pipeline mantenute nel tempo, alla granularità che le decisioni richiedono.
Govern KPIs: costruisce il tronco. Definisce i KPI insieme alle funzioni che li usano, li scrive una sola volta nel modello semantico e allinea report e dashboard alle stesse definizioni.

Se vi state chiedendo se sia il momento di affiancare un agente AI alla vostra business intelligence, prenotate una call con il nostro team. Partiamo da chi usa i dati oggi e da come cambiano le sue domande.