Dati Aziendali e AI: Cosa Sistemare Prima di Introdurre gli Strumenti

In sintesi: I progetti di intelligenza artificiale che si bloccano in azienda quasi mai si fermano sul software ma sui dati che lo alimentano: anagrafiche doppie, campi vuoti, informazioni che vivono in tre sistemi diversi con tre versioni diverse. Sistemare quelle informazioni prima di scegliere lo strumento richiede qualche settimana di lavoro e cambia il risultato di tutto quello che viene dopo.

Perché i progetti di AI si fermano sui dati e non sulla tecnologia

Nelle aziende il ragionamento parte quasi sempre dallo strumento: quale software, quale abbonamento, quale fornitore. La domanda scomoda arriva dopo e riguarda le informazioni su cui quello strumento dovrebbe lavorare.

Un modello linguistico non verifica niente di quello che riceve. Se nel CRM lo stesso cliente compare tre volte con tre ragioni sociali scritte in modo diverso, l’assistente che prepara la scheda prima della chiamata ne userà una a caso. Se il campo con il settore merceologico è compilato in tre schede su dieci, qualunque segmentazione automatica lavorerà su quelle tre e ignorerà le altre sette. Lo strumento non segnala il problema perché non sa che esiste: restituisce una risposta plausibile costruita su informazioni parziali; la plausibilità è quello che rende l’errore difficile da intercettare.

Gartner ha chiesto a 154 aziende clienti di stimare quanto costa loro la scarsa qualità dei dati e la media delle risposte è stata di 12,9 milioni di dollari all’anno. La cifra arriva da grandi organizzazioni e va letta per quello che è, cioè una stima dichiarata da chi risponde; il ragionamento però regge anche su scala molto più piccola, perché il costo non sta nel singolo dato sbagliato ma nelle ore che qualcuno impiega a rimediare, nelle offerte mandate al contatto sbagliato, nelle decisioni prese su un quadro incompleto.

Che cosa vuol dire «dati pronti» in concreto

L’espressione suona tecnica, in realtà si riduce a quattro condizioni che un responsabile può verificare in un pomeriggio, senza consulenti e senza software nuovi.

1. Ogni cliente esiste una volta sola

Il duplicato è il difetto più diffuso e nasce quasi sempre da una procedura, non da distrazione: la richiesta che arriva dal sito crea un contatto nuovo anche quando quella persona è già cliente da otto anni, la telefonata in centralino ne crea un altro, l’importazione della fiera un terzo. Il fenomeno si misura esportando l’anagrafica e ordinandola per dominio email oppure per partita IVA. Una quota di doppioni fra il 5% e il 15% è la normalità in un archivio che nessuno ha mai ripulito.

2. I campi che contano sono compilati

Non servono quaranta campi compilati al 100% ma i cinque o sei su cui si baseranno le automazioni, cioè settore, dimensione, referente con il ruolo, stato del rapporto commerciale, fonte di provenienza. Il criterio per decidere quali tenere è semplice: se un campo non entra in nessuna regola e in nessun report, la sua compilazione è tempo speso senza ritorno, quindi conviene smettere di chiederla.

3. Qualcuno risponde dell’aggiornamento

Un archivio pulito una volta torna sporco in un anno. La differenza fra le aziende che mantengono i dati in ordine e le altre sta in una regola scritta che stabilisce chi inserisce, con quali campi obbligatori e in quale momento del processo. Quando il commerciale chiude l’offerta, l’anagrafica deve essere completa prima del passaggio all’amministrazione, altrimenti il vuoto resta lì per sempre.

4. Il dato è raggiungibile dal software

Molte informazioni preziose stanno in fogli di calcolo sul computer di una persona sola oppure dentro un gestionale che non espone nessuna interfaccia verso l’esterno. Finché restano lì, nessuno strumento di AI potrà usarle. La verifica da fare è concreta: il gestionale ha delle API? Il CRM parla con la fatturazione? Se la risposta è no, il primo progetto si sceglie in un’area dove i dati sono già accessibili, mentre l’integrazione più complessa si affronta con calma.

Un esempio concreto: tre sedi e un’anagrafica cresciuta male

In un esempio illustrativo, un gruppo di poliambulatori privati con tre sedi voleva introdurre un assistente automatico per la conferma degli appuntamenti e per i richiami periodici. Il progetto sembrava semplice, il preventivo del fornitore era ragionevole, l’avvio si è bloccato alla prima verifica.

L’anagrafica contava circa 14.000 posizioni, di cui quasi 1.600 duplicate: ogni prenotazione telefonica veniva registrata come contatto nuovo, senza nessun controllo sul numero già presente. Il campo con il consenso alle comunicazioni era compilato in poco più della metà delle schede. Il recapito mobile mancava in un quarto dei casi, spesso sostituito dal numero fisso di casa. Un assistente automatico lanciato su quella base avrebbe telefonato due volte alle stesse persone e nessuna volta a chi non aveva il cellulare registrato.

La pulizia ha richiesto cinque settimane di lavoro condiviso fra la segreteria e un tecnico esterno. Le posizioni sono scese a 12.400, il consenso è stato ricostruito con una campagna di verifica, il recapito mobile è diventato obbligatorio all’accettazione. Sui dati sanitari la cautela in più era d’obbligo, quindi l’intervento ha riguardato solo i campi anagrafici e di contatto, senza toccare le informazioni cliniche.

Con l’archivio sistemato, l’assistente è entrato in funzione un mese dopo. Nel primo trimestre la quota di appuntamenti confermati in anticipo è passata dal 46% al 71% mentre le mancate presentazioni sono scese di circa un terzo. Il risultato viene dallo strumento, la condizione che lo ha reso possibile stava nelle cinque settimane precedenti.

Quali dati contano, caso d’uso per caso d’uso

La lista delle informazioni da sistemare cambia parecchio a seconda dell’obiettivo, quindi conviene ragionare per caso d’uso invece che per archivio.

Per un assistente che risponde ai clienti servono soprattutto informazioni aggiornate su prodotti e servizi: listini in vigore, tempi di consegna, condizioni di garanzia, risposte alle domande ricorrenti. Un documento interno scritto due anni fa produce risposte sbagliate con la stessa sicurezza di uno aggiornato ieri.

Per la preparazione delle visite commerciali contano lo storico degli ordini, le offerte precedenti con il loro esito, i referenti con il ruolo effettivo. L’esito dell’offerta è il campo che manca quasi ovunque: senza sapere perché una trattativa è stata persa, nessuno strumento può suggerire come impostare la successiva.

Per la segmentazione delle campagne bastano pochi attributi puliti sui contatti attivi, insieme a un consenso registrato in modo verificabile. Qui la quantità conta meno della coerenza, perché un criterio applicato a un campo compilato a metà produce liste sovrapposte e messaggi che arrivano due volte alla stessa persona.

Errori da evitare

• Rimandare il progetto finché i dati non sono perfetti. La perfezione non arriva mai; serve il livello di qualità che regge il primo caso d’uso, niente di più.
• Pulire tutto l’archivio prima di sapere a che cosa servirà. Senza un obiettivo preciso si bonificano campi che nessuno userà, mentre restano sporchi quelli decisivi.
• Affidare la bonifica solo a un fornitore esterno. Le regole su che cosa sia un duplicato e su quale versione tenere le decide chi conosce i clienti, non chi scrive lo script.
• Confondere la quantità con la qualità. Un archivio di 40.000 contatti mai verificati vale meno di 6.000 contatti aggiornati con il ruolo e con il consenso.
• Caricare dati riservati o personali su strumenti pubblici. Prima di incollare un elenco clienti in un servizio online si verifica dove finiscono quelle informazioni e chi può leggerle.

Come partire: un percorso di sessanta giorni

Settimane 1-2: scegliere il caso d’uso. Si parte da un processo che costa tempo misurabile, per esempio la preparazione delle schede cliente prima delle visite oppure la risposta alle richieste che arrivano dal sito. Il caso d’uso decide quali dati contano; senza quella scelta ogni bonifica procede alla cieca.

Settimane 3-4: fotografare lo stato dell’archivio. Si esportano i dati, si contano i duplicati, si misura la compilazione campo per campo. Il risultato è una pagina con quattro o cinque numeri che dicono quanto lavoro serve prima di partire.

Settimane 5-6: bonifica mirata. Si uniscono i duplicati, si normalizzano i campi obbligatori, si recuperano le informazioni mancanti sui clienti attivi. Sui contatti dormienti da anni spesso conviene fermarsi, perché il costo del recupero supera il valore.

Settimane 7-8: regole e avvio. Si scrive chi inserisce che cosa e in quale fase, si blocca la creazione di contatti senza i campi minimi, poi parte il primo strumento su un perimetro ristretto. Gli stessi criteri valgono quando si affronta la scelta del CRM oppure quando si valuta dove un agente AI funziona già.

Sessanta giorni sono una stima onesta per un’azienda con un archivio di media complessità e con una persona interna che segue il lavoro. Chi parte da fogli di calcolo sparsi su cinque computer impiegherà di più, chi ha già un CRM adottato bene chiuderà in metà tempo.

Da leggere anche