AI DataExplorer

Due progetti paralleli nel settore Footwear/Sportswear condividevano lo stesso problema: gli operatori marketing e merchandising avevano bisogno costante di numeri – andamento di un brand, performance di una campagna, marginalità di una categoria – ma ogni richiesta passava dal team BI, generando code di lavoro e rallentando le decisioni quotidiane. Era il classico caso in cui la maturità dei dati supera la maturità dei processi di accesso al dato.

#Il Problema

In un'organizzazione data-driven moderna, ogni ora che un operatore aspetta un numero è un'ora di decisioni rinviate o, peggio, prese a sentimento. La BI tradizionale (dashboard) copre il 70% dei bisogni ricorrenti, ma il restante 30% – domande ad-hoc, "tagli" non previsti dalle dashboard, esplorazioni occasionali – richiede sempre l'intervento dell'analista. Quel 30% è proprio dove nascono le intuizioni di business più interessanti.

Il team BI dei nostri clienti era saturo di richieste ripetitive ("dammi le vendite del brand X negli ultimi 7 giorni per regione") che sottraevano tempo all'analisi vera, quella che genera vantaggio competitivo. Si era arrivati a un punto in cui gli analisti dedicavano la maggior parte del loro tempo a scrivere query banali, mentre i progetti strategici di modellazione e attribution si accumulavano in backlog.

Sul lato operatori, il sintomo era opposto ma speculare: una sorta di "rassegnazione" all'attesa, con la conseguenza che molte domande non venivano mai fatte ("non vale la pena disturbare l'analista per questo"). E le domande non fatte sono insight perduti.

#La Soluzione WMR Intelligence

Abbiamo costruito AI DataExplorer: un agente conversazionale integrato in Slack che permette agli operatori di interrogare i database aziendali in linguaggio naturale. Una domanda come "quali sono i top 10 prodotti per fatturato di marzo nel canale e-commerce?" viene tradotta in query SQL, eseguita su BigQuery e restituita come tabella, testo o file Excel direttamente nel canale Slack.

L'architettura è multi-step: un Agente coordina il workflow, un Assistant traduce la domanda in query SQL, l'esecuzione avviene su BigQuery sul data warehouse del cliente, infine l'Agente formatta la risposta nel formato più leggibile per l'utente. Le fonti incluse: la BI/gestionale, GA4 e le piattaforme pubblicitarie già integrate nel data lake.

Il punto chiave non è la magia tecnica, ma il governo: il sistema opera sempre sui dati strutturati e validati del data warehouse, non inventa numeri. Quando una domanda è ambigua, chiede chiarimenti. Quando il dato non c'è, lo dichiara apertamente. È così che si fa Business Intelligence davvero affidabile in produzione, dove la fiducia dell'utente si guadagna con la trasparenza, non con la spettacolarità.

Sul piano dei permessi, ogni canale Slack ha visibilità solo sulle tabelle pertinenti al suo scope, replicando i ruoli che esistono già nel data warehouse. Un buyer non vede dati di marginalità, un brand manager non vede stipendi: i guardrail di accesso non sono una postilla, sono parte centrale del design.

#Implementazione

Fase 1 – Mappatura delle fonti dati e validazione dello schema BigQuery, con identificazione delle tabelle stabili (su cui far operare il bot) e di quelle ancora in evoluzione (escluse dallo scope iniziale). Fase 2 – Costruzione dei prompt per l'Assistant SQL con esempi few-shot sui pattern di query più comuni, frutto di interviste con gli operatori per capire le domande "vere". Fase 3 – Integrazione Slack con autenticazione SSO e gestione dei permessi per canale. Fase 4 – Beta interna con un sottoinsieme di operatori e iterazione sui prompt sulla base delle domande reali, con un canale dedicato di feedback. Fase 5 – Roll-out completo con sessioni di onboarding sul "come si fanno buone domande al bot".

L'onboarding non è un dettaglio: gli operatori devono imparare il modello mentale dello strumento (che cosa sa, cosa non sa, come formulare richieste efficaci). Senza questo step, l'adozione plateau dopo poche settimane.

#Risultati & KPI

• Linguaggio naturale come interfaccia primaria di accesso al dato, eliminando la dipendenza dal team BI per le query ricorrenti.
• BigQuery come backbone per garantire scala, governance e sicurezza dei dati.
• Output multi-formato (tabella, testo, Excel) coerente con il modo in cui l'operatore vuole consumare il dato.
• Liberazione del team BI dalle richieste ripetitive, con focus restituito all'analisi avanzata.
• Auditability: ogni query e ogni risposta sono loggate, garantendo tracciabilità e compliance.

#Cosa abbiamo imparato e replicabilità

Il pattern Natural Language BI funziona in aziende con un data warehouse già consolidato e un team BI maturo. Non sostituisce le dashboard, le complementa: copre il 30% di domande ad-hoc che sfuggono per definizione a qualunque report pre-costruito. Sui clienti che lo hanno adottato, il numero di "domande effettivamente fatte" cresce, perché scompare il costo psicologico del disturbare l'analista.

È replicabile su qualunque verticale con un data warehouse ordinato. Lo abbiamo applicato in contesti retail, e-commerce e media, sempre con risultati coerenti. Per progetti dove invece il problema è la qualità del dato di partenza, vedi anche il case Labelizer dove abbiamo lavorato sul layer di intelligenza fra feed grezzo e attivazione media. La sequenza giusta è: prima ordiniamo il dato, poi lo rendiamo accessibile.

Una nota importante: la qualità delle risposte dipende dalla qualità del modello dati. Tabelle confuse, naming incoerente, dimensioni duplicate sono problemi che il bot eredita dal warehouse. La fase di assessment iniziale spesso porta come benefit collaterale un riordino del modello dati.

Se il tuo team BI è saturo di richieste ripetitive e i tuoi operatori aspettano numeri per prendere decisioni, c'è uno spazio concreto per un'interfaccia conversazionale. Possiamo costruirla sopra al tuo data warehouse esistente, partendo da un assessment che identifichi le aree con il miglior rapporto valore/effort.