Data strategy: cos'è e perché va fatta prima di tracciare qualsiasi cosa

Perché tracciare tutto non è una strategia

Ogni progetto sui dati comincia allo stesso modo: qualcuno, dentro o fuori dall’azienda, apre gli strumenti di analisi, gli archivi e il tracciamento, e prova a rispondere alle proprie domande o a quelle poste dal proprio responsabile. Succede quando si costruisce un’infrastruttura, come quella descritta nell’articolo sull’infrastruttura dati, e si vuole dimostrare che l’investimento stia portando valore. Succede ogni volta che i dati devono finire in un report, in un modello o in un agente. In tutti questi casi la prima domanda non riguarda gli strumenti: riguarda quali dati servono davvero, e a che cosa.

Spesso la risposta non c’è. Nel piano di tracciamento si trovano centinaia di eventi, cioè le azioni che compiono gli utenti e che il sito o l’app registra, dal clic su un pulsante all’aggiunta al carrello. Si sono accumulati un aggiornamento dopo l’altro, per esigenze del momento, e di molti nessuno sa dire a quale decisione servano. È la spesa fatta senza aver deciso cosa cucinare: il carrello è pieno, il conto è alto, e la cena resta da inventare.

La data strategy serve a invertire quest’ordine. Prima si chiariscono le domande a cui vogliamo rispondere e le metriche che ci interessa monitorare, poi si stabilisce quali dati rendono possibile tutto ciò.

Cos’è la data strategy

La data strategy è innanzitutto una fase progettuale, il cui output principale è un framework di misurazione. Comprende un numero ristretto di metriche di riferimento e le relazioni che le legano alle metriche operative. Per ciascuna fissa una definizione univoca, con formula e logica di calcolo, e le regole con cui quella definizione può cambiare. Accanto al framework c’è una valutazione di fattibilità, che separa le metriche già calcolabili con i dati disponibili da quelle che richiedono nuove fonti o nuovi tracciamenti. È il lavoro che chiamiamo Govern KPIs.

Non va confusa con la data governance, che riguarda ruoli, regole e qualità dei dati nel loro insieme. La data strategy decide cosa misurare e perché; la governance assicura che quelle misure restino affidabili nel tempo.

La parte più delicata non è tecnica. I KPI di un’azienda sono il risultato di compromessi fra funzioni che guardano lo stesso business da angolazioni diverse: il marketing ragiona sul costo di acquisizione, il finance sul margine, il product sull’utilizzo. Un framework costruito senza queste funzioni può essere coerente sulla carta e restare inutilizzato. Costruito insieme a loro, attraverso interviste e workshop, produce definizioni che la persone riconoscono come proprie, e che per questo sopravvivono alla prima riorganizzazione.

Data strategy, measurement plan e tracking plan: che differenza c’è

Sono tre documenti che spesso vengono confusi. Rispondono a domande diverse e vanno scritti in quest’ordine.

Nei progetti più piccoli data strategy e measurement plan possono coincidere in parte. Quello che non cambia è l’ordine: il tracking plan arriva sempre per ultimo.

Come si costruisce una data strategy, in quattro passaggi

1. Partire dal modello di business e dalle decisioni

Il punto di partenza è il modello di business: come l’azienda genera ricavi, dove si formano i costi, quali passaggi del ciclo di vita del cliente pesano di più sui risultati. Da qui emergono le domande a cui il management deve rispondere con regolarità, e le scelte che ne dipendono, ricorrenti come l’allocazione del budget o occasionali come l’apertura di un nuovo mercato. Gli indicatori, in questa fase, restano volutamente fuori: sceglierli prima di aver chiarito cosa devono aiutare a decidere porta quasi sempre a misurare ciò che è disponibile, invece di ciò che serve.

2. Costruire l’albero dei KPI

Quando le domande sono chiare, si traducono in un albero dei KPI. In cima ci sono pochi indicatori di output, quelli con cui il board valuta l’andamento del business, e ciascuno si scompone in indicatori di input legati da relazioni esplicite. Si continua a scendere finché ogni ramo arriva a una leva su cui un team può agire direttamente. Il beneficio si vede quando qualcosa cambia: se un numero di vertice si muove, l’albero dice in quale ramo cercare la causa.

3. Verificare la fattibilità sui dati grezzi

Un albero ben costruito, però, può contenere KPI che nessuno è in grado di calcolare. Per questo ogni nodo passa una verifica di fattibilità sui dati grezzi, che guarda alla fonte, al suo stato di integrazione, alla granularità, alla possibilità di mappare i campi in modo univoco e alla completezza dello storico. Non è un passaggio formale: secondo l’Osservatorio Big Data & Business Analytics del Politecnico di Milano, solo il 24% delle grandi imprese italiane è soddisfatto della qualità dei dati che analizza.

Ciò che supera la verifica entra nel framework. Il resto non si scarta, perché un indicatore rilevante ma non calcolabile segnala esattamente quale dato manca, e quell’elenco è il punto di partenza del tracciamento.

4. Scrivere il tracking plan

Il tracking plan, o piano di tracciamento, arriva quindi per ultimo, con una base solida alle spalle. È il documento con cui la strategia passa nelle mani degli sviluppatori, e il suo compito è non lasciare nulla all’interpretazione. Per ogni evento stabilisce come si chiama e in quale momento esatto va registrato. Definisce poi quali informazioni deve portare con sé e in che forma, così che un acquisto riporti sempre importo, prodotto e metodo di pagamento nello stesso modo. Indica anche dove quel dato deve arrivare, e chi ne risponde se un giorno smette di farlo. Un evento che non serve a calcolare nessun nodo dell’albero non entra nel piano.

Esempio di albero dei KPI per un e-commerce

Ecco come si presenta un albero dei KPI semplificato per un e-commerce. In cima c’è il fatturato, che si scompone in tre fattori moltiplicati tra loro; ciascuno scende fino a una leva su cui un team può agire.

Fatturato = Utenti attivi × Tasso di conversione × Valore medio dell’ordine

Utenti attivi

• Nuovi utenti per canale (paid, organico, email, referral). Leva: budget media e contenuti, team marketing
• Utenti di ritorno. Leva: CRM e programmi di fidelizzazione, team CRM

Tasso di conversione

• Tasso di aggiunta al carrello. Leva: schede prodotto e disponibilità, team e-commerce
• Tasso di completamento del checkout. Leva: metodi di pagamento e costi di spedizione, team prodotto

Valore medio dell’ordine

• Articoli per ordine. Leva: bundle e cross-selling, team merchandising
• Prezzo medio per articolo. Leva: mix di prodotto e promozioni, team commerciale

Se il fatturato cala, l’albero dice dove guardare. Se gli utenti attivi tengono e il tasso di conversione scende, il problema è nel sito o nell’offerta, non nella pubblicità. Per ogni nodo, una scheda riporta nome, formula, fonte, responsabile e versione della definizione.

Chi governa i KPI: definizioni, responsabili e versioni

Quando si parla di «KPI di governance», in italiano si intendono di solito gli indicatori con cui si valuta il funzionamento del consiglio di amministrazione e dei controlli interni. Qui intendiamo un’altra cosa: la governance dei KPI, cioè le regole con cui un’azienda decide, scrive e modifica le proprie metriche.

Senza queste regole la stessa metrica finisce per avere tre formule in tre report. Per questo ogni KPI del framework ha:

• un nome e una formula univoci;
• una fonte dati dichiarata;
• un responsabile che risponde della definizione;
• una versione e un registro delle modifiche;
• una procedura di approvazione per cambiarlo.

Alcuni indicatori dicono se la governance dei KPI funziona: la quota di KPI con un responsabile nominato, la quota con formula e fonte documentate, il numero di definizioni diverse della stessa metrica in circolazione, il tempo necessario per approvare un nuovo indicatore.

La stessa sequenza, su scale diverse

Un progetto di data strategy può riguardare i KPI di un’intera azienda oppure una singola piattaforma, app o prodotto digitale. Cambia la scala, non la sequenza di domande.

Su scala aziendale, uno dei progetti più recenti ha riguardato una multinazionale che offre servizi eSIM, arrivata con circa 600 KPI nati dentro 25 team diversi. Le interviste e i workshop con tutte le funzioni hanno fatto emergere quali numeri usasse ciascuna e per quali decisioni, e da lì sono state scelte 6 metriche di riferimento, in modo da bilanciare i risultati di oggi con la salute futura del business. Gli alberi costruiti su queste metriche scendono su tre livelli, dall’azienda ai team fino ai gruppi operativi, e collegano i risultati economici a dinamiche concrete come il mix di prodotto, il funnel e la struttura dei costi. Perché le definizioni non tornassero in discussione a ogni nuova esigenza, ogni modifica passa da un’approvazione e resta tracciata nelle sue versioni. Il risultato più visibile è un linguaggio comune fra il vertice e i team.

Su scala di prodotto, lo stesso percorso è stato applicato con un gruppo leader dell’editoria a un singolo servizio digitale. Qui le domande riguardavano l’uso: quanto e come viene usato, quali funzionalità contano, dove intervenire. Prima ancora dell’albero è servita un’analisi del prodotto, compresa una expert review della piattaforma, per partire dalle stesse conoscenze dei team interni. Rispetto al caso precedente cambia soprattutto il peso del qualitativo. Survey, interviste, feedback della rete commerciale e user testing vengono ricondotti alle stesse definizioni dell’albero, così che il dato quantitativo dica cosa succede e quello qualitativo aiuti a capire il perché.

Cosa rende possibile: forecast e agenti AI

Il valore della data strategy si vede soprattutto nei progetti più ambiziosi. Un forecast dei ricavi, per esempio, dipende meno dall’algoritmo che dal lavoro che lo precede. Bisogna stabilire con il business cosa prevedere, su quale orizzonte e con quale livello di dettaglio. I ricavi si possono dividere fra clienti nuovi, clienti che tornano e clienti già attivi, ciascuno con le proprie leve.

La retention, invece, si legge per coorte, seguendo mese dopo mese gli stati che un utente attraversa, da attivo a perso a recuperato. È questa scomposizione a dire al modello cosa prevedere, perché ogni componente segue una dinamica propria e va stimata a parte, prima di ricomporre il totale. Le stime vanno poi verificate, con lo storico e con i dati reali a scadenze fissate, decidendo in anticipo quale scostamento è accettabile e cosa fare quando viene superato.

Con un agente AI lo stesso principio si spinge un passo oltre: su quei numeri non si limita a fare stime, ma può prendere decisioni. Senza un’adeguata strategia iniziale, ogni dato superfluo o definito male entra nel suo ragionamento e diventa un’azione non controllata.

Da dove si comincia?

Non serve aspettare un progetto. Basta scegliere una decisione importante e ricorrente, per esempio dove allocare il budget del prossimo trimestre. Poi si risale la catena: quale metrica la guida, con quale formula si calcola, da quali dati nasce, chi l’ha definita. Se a una di queste domande non c’è una risposta, oppure arrivano risposte diverse a seconda degli interlocutori, il lavoro da fare comincia proprio da lì, molto prima di aggiungere l’ennesimo tracciamento.

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 alle funzioni che useranno le metriche. È il metodo che abbiamo applicato nei due progetti raccontati in questo articolo.

Sulla data strategy e sulla misurazione lavoriamo con tre servizi:

• Govern KPIs: parte dai KPI in uso e li razionalizza, definisce North Star Metric e framework dei KPI, costruisce gli alberi diagnostici e il dizionario condiviso delle metriche, e allinea le dashboard alle nuove definizioni.
• Ground Data: traduce il framework in tracking plan e raccolta dei dati su web e app, integra le fonti in un’unica infrastruttura e rende i KPI calcolabili nel tempo.
• Predict Behaviour: costruisce modelli predittivi sul singolo cliente per anticipare abbandono e riacquisto. Funzionano solo se poggiano su definizioni solide, come quelle descritte sopra.

Se state pensando di mettere in ordine le metriche della vostra azienda o di un vostro prodotto digitale, è da qui che partiamo insieme ai nostri clienti: prenotate una call con il nostro team.