I vostri dati sanno già cosa sta per succedere

Dipende dalla domanda. Per il churn di solito bastano qualche migliaio di clienti con 12-24 mesi di storia; per l'antifrode si parte anche senza casi già etichettati, con modelli che imparano il comportamento normale e segnalano gli scostamenti; per il forecasting servono almeno due o tre cicli stagionali completi. Se i dati non bastano per la domanda che ci fate, ve lo diciamo prima di iniziare invece di consegnarvi un modello che sembra funzionare e non funziona: capita spesso che la prima fase utile sia sistemare la raccolta, non addestrare un algoritmo.

Perché lo misuriamo come si misura in ricerca, non come si misura in una demo. Il modello viene valutato su dati che non ha mai visto e rispettando l'ordine del tempo, senza mai usare informazioni che in produzione non sarebbero state disponibili: è l'errore più comune e più costoso, quello che produce accuratezze meravigliose in prova e disastri in esercizio. Le metriche che vi consegniamo sono legate al vostro conto economico — fatturato trattenuto, frodi intercettate per ogni falso allarme, scorte risparmiate — e verifichiamo anche la calibrazione, cioè che quando il modello dice «80% di probabilità» le cose vadano davvero così nell'80% dei casi.

L'AI generativa lavora su testo, documenti e conversazioni: chatbot, estrazione da PDF, ricerca semantica sulla base di conoscenza. La data science lavora sui vostri dati strutturati e restituisce numeri e probabilità su cui si decide: chi contattare, quanto ordinare, a chi dare fido, quale transazione bloccare. Spesso convivono nello stesso progetto — un modello di churn che assegna il punteggio e un assistente che scrive l'email di recupero al cliente giusto — ma sono due mestieri diversi e conviene non confonderli.

Solo se lo decidete voi. L'elaborazione può restare interamente su vostra infrastruttura o su un server dedicato che controllate, e in molti progetti i dati personali non servono affatto: si lavora su identificativi pseudonimizzati e su aggregati. Quando invece il trattamento è nel perimetro GDPR, definiamo insieme base giuridica, minimizzazione e tempi di conservazione prima di toccare i dati, non dopo.

Il modello in esercizio con la sua API di scoring, integrato dove serve (gestionale, CRM, e-commerce); una dashboard o un report periodico per chi deve decidere; il codice, riproducibile e vostro; e un documento che spiega il metodo, le assunzioni e soprattutto i limiti — dove il modello è affidabile e dove non lo è. Se non capite come funziona, non potete fidarvene: la spiegabilità fa parte della consegna, non è un extra.

Sì, ed è il terreno in cui la parte statistica pesa di più: credit scoring e rischio di insoluto, antifrode su transazioni e sinistri, previsione dei consumi e dei carichi. In questi settori il modello non deve solo funzionare, deve essere spiegabile e difendibile: usiamo tecniche di attribuzione (SHAP) per motivare ogni singolo punteggio, teniamo traccia di versioni e dati di addestramento e mettiamo per iscritto le assunzioni, così le decisioni restano verificabili anche a distanza di mesi.

La BI racconta cosa è successo, i modelli dicono cosa sta per succedere e cosa conviene fare. Sono complementari, e spesso il primo lavoro non è nemmeno predittivo: è mettere ordine nelle definizioni e nella qualità del dato che la BI mostra già — due report che contano i clienti in modo diverso, ricavi contabilizzati con criteri diversi, anagrafiche duplicate. È il lavoro meno appariscente e quello che restituisce di più, perché rende affidabile tutto ciò che ci si costruisce sopra.