L’AI su dati sbagliati vi dà risposte sbagliate, solo più in fretta
È il motivo per cui tanti progetti di “analisi con l’AI” deludono: il modello fa il suo lavoro benissimo, ma su numeri che misuravano già la cosa sbagliata. La parte che cambia i risultati viene prima, e non è la più appariscente.
Prima cosa misurate, poi come lo leggete
Mettere l’AI sopra all’analisi che avete vi porta dal sei al sette
Non è poco, ma non è la rivoluzione che vi hanno raccontato. E soprattutto: la stessa fatica spesa un piano più sotto rende molto di più.
La strada breve
Un assistente AI sopra ai dati che avete già
6 7
Si collega un modello a Google Analytics e si comincia a fargli domande. I riassunti arrivano più in fretta e le tabelle diventano leggibili — cose vere e utili. Ma le risposte restano limitate da quello che era già stato tracciato, e cioè quasi sempre le visite e poco altro. Il modello non può dirvi qualcosa che nei dati non c’è.
La strada che consiglio
Prima si sistema cosa viene misurato
6 9
Si parte dal tracciamento: cosa succede davvero sul sito, quali passaggi le persone fanno prima di comprare, dove si fermano. Quando quei dati esistono, l’AI ha finalmente materiale su cui ragionare — e allora sì che tira fuori cose che nessuno aveva visto. È lo stesso strumento, applicato a un’altra base di partenza.
Detta brutalmente: mettere una skill per fare analisi non è il modo migliore per fare analisi.
Quasi nessuno misura quello che gli servirebbe
Nella maggior parte delle aziende che apro, l’analytics è quello installato anni fa da qualcuno che se n’è andato. Conta le visite, e basta.
Le visite però non rispondono a nessuna delle domande che vi fate davvero: perché quel prodotto non vende, quali contenuti portano clienti e quali solo curiosi, in quale punto le persone si scoraggiano e chiudono. Per rispondere serve misurare comportamenti, non pagine.
È il motivo per cui ho costruito Nexavior: un tracciamento che registra cosa fanno le persone, non solo dove passano, e che restituisce quei dati in una forma su cui un modello può ragionare sul serio.
Dove l’AI fa una differenza vera
Non nel dirvi quante visite avete fatto: in quello Google Analytics era già bravo. Nelle tre cose che prima richiedevano una persona per giorni.
Il tracciamento e l’analisi, costruiti da me
Uso i modelli di tutti — GPT, Claude, quelli che servono di volta in volta — ma lo strato che raccoglie i dati e quello che li interroga me li sono fatti io, perché è lì che gli strumenti commerciali si fermano.
Nexavior
Il tracciamento avanzato: registra i comportamenti delle persone sul sito, non solo le pagine viste. È la base senza cui tutto il resto resta un sei.
Lucentix
Estrae e incrocia i dati con l’aiuto dei modelli, per far emergere le relazioni che in una tabella non si vedono.
SybilLM
La parte previsionale: stima come si muoveranno i numeri, dicendo anche quanto c’è da fidarsi.
Non dovete comprarli né impararli: sono il motivo per cui posso lavorare su dati che altrove non esistono.
Come si arriva a rispondere a una domanda
Si parte sempre da una domanda vera dell’azienda, non da un cruscotto da riempire.
Progetti in cui i numeri hanno deciso
In entrambi i casi la parte lunga non è stata l’analisi: è stata capire cosa valeva la pena misurare.
Badacare
La storia di Badacare Badacare: come raggiungere oltre 5.600 keyword locali senza link building La SEO che vale quanto un […]
Mercato delle Occasioni
La storia di Mercato delle Occasioni Dare valore all’usato e raddoppiare il fatturato con la SEO Il punto di partenza […]
Perché vi dico di partire dai dati e non dal modello
Da docente
Master in Intelligenza Artificiale per i Processi Aziendali
UNINFORM Group
- Insegno il Modulo 2, “Data Management e Cloud Basics: il carburante dell’AI”.
- Il titolo del modulo è già la tesi di questa pagina: senza carburante il motore non va, per quanto sia bello.
Insegnare a un’aula di professionisti costringe a semplificare senza banalizzare. È lo stesso metodo che porto in azienda.
Da allievo
Executive Master “Intelligenza Artificiale e scelte manageriali”
Politecnico di Torino, con Deloitte
- 100 ore sull’integrazione dell’AI nelle strategie aziendali e nel modello di business.
- Machine learning, deep learning e NLP visti dal lato delle decisioni, non del codice.
- Edizione 2026, coordinamento scientifico dei professori Emilio Paolucci ed Elisabetta Raguseo.
Serve a non vendervi l’AI come magia: so anche dove non conviene usarla.
Da allievo
Percorso di carriera Machine Learning Engineer
Data Masters
- Il percorso intero: machine learning classico, reti neurali, deep learning e reinforcement learning, con sotto la matematica e la statistica che li reggono.
- E la parte che in azienda decide tutto: ML-Ops, cioè il momento in cui un modello smette di essere un esperimento e comincia a girare in produzione.
- Livello avanzato, con certificazione finale verificabile.
Sui dati serve a distinguere la domanda che regge un modello da quella a cui basta una query fatta bene. Sono due preventivi molto diversi.
E dieci anni passati a misurare siti e campagne di aziende vere, che è dove si impara quali numeri contano e quali fanno solo scena.
Qual è la domanda a cui non riuscite a rispondere?
Ditemi quella, e in mezz’ora capiamo se i dati per rispondere ci sono già, se vanno raccolti, o se la domanda va riformulata — cosa che capita più spesso di quanto sembri.
Rispondo io, non un modulo automatico.