Il report delle vendite mostra due totali diversi a seconda di chi lo prepara: il problema potrebbe essere nei dati, ma spesso nasce da relazioni definite male tra le tabelle. Il data modeling aiuta a rappresentare visivamente dati e collegamenti, anche se il modello giusto dipende dalle domande a cui l’azienda deve rispondere.

Un modello chiaro rende i dati più coerenti e leggibili
- Parti dalle decisioni: definisci quali domande aziendali devono trovare risposta.
- Separa i livelli: concettuale per il business, logico per struttura e regole, fisico per l’implementazione.
- Dichiara la granularità: ogni riga di una tabella dei fatti deve rappresentare lo stesso tipo di evento.
- Per l’analytics: uno schema a stella collega una tabella dei fatti a dimensioni descrittive.
- Controlla le relazioni: collegamenti molti-a-molti senza una tabella ponte possono produrre conteggi ambigui.
Un modello utile parte dalla domanda aziendale
Una tabella con ordini, clienti e prodotti può sembrare completa finché qualcuno non chiede quanto fatturato arriva dai clienti acquisiti tramite una campagna specifica. Se il modello non rappresenta quel legame, il report può dare una risposta parziale o costringere il team a ricostruire i dati ogni volta.
Con il data modeling si descrivono entità, attributi e relazioni in una forma che persone tecniche e decisori possano discutere. La domanda iniziale, quindi, non è quale database adottare: è quale decisione deve sostenere il dato, e con quale definizione condivisa di termini come “cliente attivo” o “vendita completata”.
A mio avviso, un modello è ben progettato quando chi legge un indicatore può capire che cosa misura e da quali dati deriva, senza dover interpretare ogni volta convenzioni nascoste.
Tre livelli evitano di mescolare esigenze e tecnologia
Un diagramma unico, con concetti aziendali e dettagli del database tutti insieme, diventa presto difficile da usare. La distinzione tra livelli consente di partire dal significato e arrivare all’implementazione senza anticipare decisioni tecniche.
Il DoDAF, il framework architetturale del Dipartimento della Difesa degli Stati Uniti, descrive tre livelli di astrazione: concettuale, logico e fisico. Per un’azienda, la distinzione è utile anche fuori da quel contesto istituzionale:
- Concettuale: identifica i concetti principali, come cliente, ordine e prodotto, e i rapporti tra loro.
- Logico: precisa attributi, regole e cardinalità, per esempio che un cliente può effettuare più ordini.
- Fisico: specifica come strutture e tipi di dato vengono implementati nella tecnologia scelta.
Se cambia il database, il modello concettuale può restare valido; se cambia la definizione aziendale di “ordine”, invece, serve rivedere anche le regole logiche. Separare i livelli rende più facile capire quale decisione va aggiornata, senza rifare tutto il lavoro.
La granularità determina che cosa puoi sommare
Due tabelle possono avere entrambe una colonna “importo” e descrivere eventi diversi. Una riga potrebbe rappresentare un ordine completo, un’altra una singola riga d’ordine: sommarle insieme può duplicare gli importi o rendere impossibile confrontare i risultati.
Nei modelli analitici, la granularità è il livello di dettaglio rappresentato da una riga della tabella dei fatti. Le linee guida di Microsoft Learn sullo schema a stella insistono sulla coerenza di questo livello: prima di aggiungere misure, conviene dichiarare se ogni record rappresenta un ordine, una riga d’ordine o un pagamento.
| Situazione | Rischio o causa | Che cosa fare |
|---|---|---|
| Un record per ordine, ma serve analizzare i prodotti | Il dettaglio degli articoli non è presente al livello della riga. | Modellare le righe d’ordine come fatti distinti, con quantità e importo per articolo. |
| Il totale cambia quando si aggiunge il nome del cliente al report | La relazione può duplicare righe o propagare filtri in modo inatteso. | Verificare chiavi, cardinalità e granularità prima di correggere la misura. |
| Lo stesso cliente compare con identificativi diversi in più fonti | Le fonti non condividono una chiave coerente per l’entità. | Definire una regola di riconciliazione e documentare quale identificativo governa il modello. |
Un caso tipico: nel sistema operativo esiste un importo per ordine, mentre nel gestionale commerciale il dettaglio è per prodotto. Se si uniscono i due livelli senza una regola esplicita, l’importo totale dell’ordine può ripetersi su ogni riga articolo. La misura sembra plausibile, ma il totale cresce con il numero di prodotti.
Per l’analisi, lo schema a stella rende i report più leggibili
Quando le domande riguardano vendite per mese, prodotto o area, una struttura a stella offre un orientamento immediato: al centro si trova la tabella dei fatti, intorno le dimensioni che descrivono gli eventi. La tabella dei fatti contiene valori aggregabili, mentre le dimensioni danno contesto e permettono di filtrare o raggruppare.
In un modello commerciale, per esempio, i fatti possono contenere quantità e ricavi; le dimensioni possono descrivere data, prodotto, cliente e canale. L’approccio è documentato anche in Microsoft Learn sulle best practice per i modelli dimensionali, che descrive le tabelle dei fatti e delle dimensioni come componenti di un modello a stella.
Se devi costruire report per utenti business, partirei da questa struttura quando gli indicatori sono principalmente aggregazioni e confronti. Se, invece, l’obiettivo è registrare transazioni operative con vincoli di aggiornamento puntuali, il modello transazionale normalizzato può essere più adatto: analisi e gestione operativa non chiedono sempre la stessa struttura.
Le relazioni molti-a-molti richiedono una regola esplicita
Un cliente può appartenere a più segmenti e un segmento può includere molti clienti. Collegare direttamente le due dimensioni può lasciare poco chiaro come debbano propagarsi i filtri e come conteggiare le righe; la relazione grafica, da sola, non risolve la regola di business.
Per casi simili si può usare una tabella ponte, che registra le coppie di chiavi collegate. Microsoft descrive, per esempio, una tabella priva di misure che associa venditori e aree commerciali: ogni riga rappresenta un’associazione, non una vendita. Così il modello conserva il legame senza inventare un importo o un evento che non esiste.
Prima di introdurre la tabella ponte, chiarisci se un’associazione deve contare una volta, più volte o con una ponderazione. Se un cliente è assegnato a due aree, per esempio, il fatturato può essere attribuito interamente a entrambe oppure ripartito: la scelta cambia il totale e deve riflettere una regola aziendale, non una comodità tecnica.
Una verifica semplice può prevenire report contraddittori
Prima di pubblicare un modello, scegli una domanda reale e segui il percorso dal risultato fino alle righe sorgenti. Se “vendite per mese e canale” restituisce un totale diverso dal sistema amministrativo, controlla prima periodo, stato degli ordini e granularità: aggiungere altre visualizzazioni non corregge definizioni incompatibili.
Per mantenere il modello affidabile, assegna un significato condiviso ai nomi delle misure, documenta le relazioni e testa i totali con esempi campione. Un diagramma comprensibile e una regola chiara per ogni collegamento aiutano l’azienda a reagire ai cambiamenti senza perdere fiducia nei numeri.