📩 Newsletter Dati365 → https://daiti365.substack.com/📊 Academy Dati365 → https://dai-dati-alla-bi-393157.socialacademy.com/

In questa nuova puntata dello spin-off “Dietro le quinte di un progetto dati” entriamo in una fase cruciale: siamo ormai vicini alla dashboard… ma è proprio qui che molti fanno l’errore più grande. L’analisi dei dati non è un processo lineare, ma un ciclo continuo fatto di iterazioni, ritorni indietro e raffinamenti progressivi.Partendo dal lavoro fatto nelle puntate precedenti — dalla definizione della domanda di business fino alla costruzione del data warehouse e delle viste — analizziamo cosa succede davvero quando si inizia a preparare i dati per la dashboard. Scoprirai perché la granularità dei dati è fondamentale, quali sono i rischi nascosti quando si uniscono tabelle diverse e perché numeri apparentemente corretti possono nascondere errori profondi.Parliamo anche del passaggio chiave tra mondo tecnico e business: come si costruiscono le viste, come si validano e perché questo step è spesso sottovalutato. Vedremo inoltre perché l’approccio iterativo è l’unico realmente efficace nei progetti data driven, e come questo impatta direttamente sulla qualità delle decisioni.Se pensi che il lavoro finisca con la creazione di una dashboard, questo video ti farà cambiare prospettiva: la dashboard è solo l’inizio. Il vero valore nasce da un processo continuo di analisi, revisione e miglioramento.Un contenuto pratico e concreto per chi vuole capire davvero come funzionano i progetti di data analytics nel mondo reale, senza teoria inutile e senza buzzword.Capitoli00:00 Introduzione e recap della puntata precedente00:33 Sigla01:01 Dove eravamo: dalle viste alla dashboard01:29 Cosa sono le viste e perché sono fondamentali02:13 Il modello dati: tabelle e struttura (prodotti, contatti, abbonamenti, pagamenti)03:27 Prime analisi: abbonamenti e fatturato mensile04:18 Ricavo per utente e per prodotto (ARPU e logiche di aggregazione)06:00 Granularità dei dati: quanto dettaglio serve davvero07:20 Approccio corretto: meglio dati granulari o aggregati?08:13 Il mito dei Big Data (e la realtà nei progetti)10:11 Data Warehouse: a cosa serve davvero (e a cosa no)12:14 Il ruolo degli strumenti di BI (Power BI e simili)14:16 Interattività e drill-down: perché serve granularità15:41 Perché le viste servono a “recintare” il dato16:55 Dal business alla tecnica (e ritorno): chiudere il cerchio18:00 Validazione dei dati prima della dashboard18:46 Il rischio delle join: quando i numeri “esplodono”21:00 La difficoltà reale del data modeling22:19 Il problema dei numeri “quasi giusti”22:56 Il processo iterativo nei progetti dati23:23 Waterfall vs Agile: perché nei dati non funziona24:56 Nei dati si impara facendo (e testando)26:31 Data analytics come processo continuo27:54 Decisioni, processi e miglioramento continuo29:00 Verso la dashboard (e il prossimo step)29:36 Dalla tecnica alla comunicazione: il ruolo della dashboard30:00 Prototipazione prima della BI (carta e penna)30:03 Conclusione

📩 Newsletter Dati365 → https://daiti365.substack.com/📊 Academy Dati365 → https://dai-dati-alla-bi-393157.socialacademy.com/In una dashboard fatta bene, i dati che vedi NON sono quelli che pensavi all’inizio.In questa puntata di Dai Dati alla Business Intelligence entriamo nel cuore reale di un progetto dati, insieme al partner di progetto Itauros.Non parliamo di tool.Non parliamo di grafici.Parliamo di quello che succede davvero quando provi a trasformare un’esigenza di business in un sistema di analytics funzionante.🎯 Di cosa parliamo concretamente in questo episodioPartiamo da un punto molto semplice (ma sottovalutato):👉 “Cosa vogliamo analizzare?”Sembra banale.Non lo è.Perché quello che emerge durante il progetto è questo:gli obiettivi iniziali sono spesso incompleti o poco chiariil business fatica a formalizzare davvero cosa vuoleil team dati scopre vincoli e opportunità solo lavorando sui datiE quindi cosa succede?Succede che il processo NON è lineare.🔄 Il processo reale (che nessuno racconta)In questo episodio vediamo passo dopo passo il loop vero:Si parte da un’esigenza di businessSi entra nei dati (ETL, modellazione, viste)Si costruisce una prima strutturaSi torna al business con più consapevolezzaSi ridefiniscono gli obiettiviE questo ciclo si ripete.👉 Non è un errore. È il processo.📊 Caso concreto: cosa stiamo costruendoIn questo progetto (Dati365) partiamo da un business in abbonamento.Le domande iniziali sembrano semplici:quanti clienti attivi abbiamo?quanto fatturano?quanto restano nel tempo?Ma appena iniziamo a lavorarci sopra emergono subito nuove complessità:differenza tra clienti mensili e annualigestione delle coorti (quando entrano e come evolvono)analisi dei canali di acquisizioneconfronto tra clienti “sopra” e “sotto” la media👉 Risultato: la “dashboard semplice” non è più così semplice.⚠️ L’errore più comune (e pericoloso)Partire subito dalla dashboard.“Facciamo qualche grafico”“Mettiamo dentro un po’ di KPI”“Poi vediamo”👉 È qui che iniziano i problemi:dashboard piene di rumoreanalisi poco utilizzabilicontinue modifiche e reworkPerché?Perché non è chiaro cosa vuoi davvero capire.🧠 Il vero lavoro nei datiQuesto episodio chiarisce una cosa fondamentale:Il valore non è:nel toolnel graficonella queryIl valore è nel:👉 definire le domande giuste👉 tradurre business ↔ dati👉 costruire un percorso di analisi coerente⚖️ Il trade-off reale che affrontiamoDurante la puntata tocchiamo anche un tema avanzato:centralizzare vs specializzare i datiuna sola vista → rischio rigiditàtroppe viste → caos e inconsistenza👉 la soluzione è progettare viste “intermedie”:abbastanza flessibilima governate🎬 Serie “Dietro le quinte”Questa è una serie in cui raccontiamo come nasce davvero un progetto dati:confronto tra business e ITerrori, iterazioni, cambi di direzionescelte architetturali e di analisiNiente teoria astratta.Solo processo reale.🤝 Partner del progettoQuesto progetto è sviluppato insieme a Itauros, con cui stiamo costruendo passo dopo passo l’intera architettura dati e il sistema di analisi.📣 Se lavori con i dati (o vuoi farlo)Questo è il tipo di contenuto che fa davvero la differenza.Iscriviti al canaleLascia un likeScrivi nei commenti:👉 da dove parti quando devi costruire una dashboard?

Se vuoi approfondire questi temi, nella mia newsletter condivido ogni settimana contenuti pratici su dati, AI e decisioni 👉 https://substack.com/@dati365------------------------------------------------------------In questo video trovi la registrazione di un workshop che ho tenuto come ospite nella community di @RaffaeleGaito , all’interno della sua academy AI 360.Il tema è l’utilizzo dell’intelligenza artificiale nella data analytics, con un focus molto pratico su come supportare (e non sostituire) il lavoro del data analyst.Il video è di qualche mese fa, quindi alcuni modelli o funzionalità potrebbero essere cambiati nel frattempo.Quello che non cambia, però, è il punto centrale: l’AI da sola non basta.Nel workshop mostro alcuni esempi concreti di utilizzo di ChatGPT per analizzare dati e creare grafici, e come il risultato cambi in modo significativo quando si inseriscono contesto, obiettivi e competenze di data analytics.Si parla anche di:cosa fa davvero un data analystperché molte dashboard non aiutano a prendere decisioniil ruolo del data storytellingcome progettare una dashboard prima ancora di costruirlacome usare i custom GPTs per supportare la fase di prototipazioneL’idea di fondo è semplice: l’AI è uno strumento molto potente, ma va guidata.Se usata senza metodo, tende a produrre output medi o fuorvianti.Se inserita in un processo strutturato, diventa un acceleratore enorme.Se lavori con dati, dashboard o decisioni, qui trovi un approccio concreto che puoi applicare subito.00:00 Introduzione e contesto workshop (AI 360)02:15 Chi sono e cosa faccio04:30 Cos’è davvero la data analytics07:20 Il ruolo del data analyst: dai dati alle decisioni10:10 La piramide dati → informazione → decisione13:30 Esempio pratico: dati senza contesto17:20 Perché serve il data storytelling20:30 Primo test con ChatGPT sui dati24:00 Limiti dell’AI: grafici e analisi superficiali27:30 Come migliorare i risultati con prompt migliori32:10 Il ruolo dello human-in-the-loop36:00 Dal grafico alla dashboard39:30 Cos’è davvero una dashboard efficace43:00 I 3 pilastri del data storytelling47:30 Prototipazione: perché carta e penna52:00 Il metodo di progettazione dashboard56:30 Introduzione ai Custom GPTs59:00 Custom GPT 1: storyboard01:05:00 Custom GPT 2: scelta dei grafici01:12:00 Custom GPT 3: titoli e testi01:18:00 Esempio reale: costruzione dashboard01:28:00 Errori dell’AI e iterazione01:35:00 Considerazioni finali sull’AI nei dati01:38:00 Q&A e conclusione