Il cruscotto delle vendite mostra un calo improvviso, ma il team commerciale sostiene che gli ordini siano stabili: spesso il problema è nella qualità dei dati, anche se non basta controllare quanti campi sono compilati. Per capire se i numeri sono affidabili, occorre verificarne accuratezza, completezza e coerenza rispetto alla decisione da prendere, tenendo conto anche di aggiornamento e definizioni condivise.
La qualità dei dati si misura rispetto a una decisione precisa
- Definisci l’uso: un dato può essere sufficiente per un report mensile e inadeguato per un aggiornamento in tempo reale.
- Parti da pochi controlli: completezza, validità e coerenza spesso individuano problemi pratici prima di metriche più sofisticate.
- Assegna responsabilità: ogni regola deve avere un referente che possa correggere la causa, non soltanto segnalare l’errore.
- Fissa soglie per processo: il livello accettabile dipende dal rischio della decisione e dal costo di un errore.
- Per l’AI, verifica prima le basi: un modello può amplificare incongruenze e lacune già presenti nelle fonti aziendali.
Un dataset è affidabile solo per l’uso a cui è destinato
Una scheda cliente priva del numero di telefono può essere completa per un’analisi di fatturato, ma inutilizzabile per una campagna di assistenza. La qualità non è un voto assoluto: dipende dal processo, dal livello di dettaglio richiesto e da quanto è recente l’informazione.
Oltre ad accuratezza, completezza e coerenza, le aziende valutano aspetti come validità, unicità e tempestività. La norma ISO 8000-1:2022 offre una panoramica dei principi e della struttura della serie ISO dedicata alla qualità dei dati: può aiutare a dare un lessico comune al progetto, ma non sostituisce le regole specifiche del business.
Per un indicatore mensile di vendite, per esempio, una riga duplicata può gonfiare i ricavi; per un modello di previsione, invece, può pesare anche un dato corretto ma arrivato con troppo ritardo. Prima di scegliere la metrica, chiarisci quale errore comprometterebbe davvero la decisione.
In molte aziende italiane la gestione resta un ostacolo all’AI
Un progetto di intelligenza artificiale può incepparsi prima ancora di arrivare alla scelta dell’algoritmo: basta che vendite e amministrazione definiscano in modo diverso un cliente attivo. Nel rapporto AI Driven Organization Survey 2024 di Deloitte, il 44% delle aziende italiane partecipanti indicava la gestione della qualità dei dati tra le criticità affrontate nell’area data; il 40% segnalava difficoltà nel reperire in tempo dati affidabili da fonti diverse.
Il dato proviene da una survey svolta nella prima metà del 2024 su aziende italiane medie e grandi, con una forte presenza di ruoli senior e professionisti dell’IT. Non descrive automaticamente ogni impresa italiana, ma mette a fuoco un problema operativo: investire in analytics o AI senza concordare definizioni e responsabilità lascia intatto il collo di bottiglia.
Credo che qui si giochi una distinzione spesso trascurata: acquistare uno strumento di controllo non equivale a governare la qualità. Se il reparto che rileva l’errore non sa chi può correggere il dato alla fonte, gli stessi scarti tornano a ogni aggiornamento.
La prima soglia utile dipende dal danno possibile
Un controllo che segnala ogni anomalia come se avesse lo stesso peso produce rumore e finisce ignorato. Per questo, la soglia va collegata alla decisione: un’anomalia su un report esplorativo può essere annotata, mentre un dato che attiva un pagamento o una comunicazione al cliente richiede una gestione più rigorosa.
La tabella propone un criterio operativo da adattare ai processi aziendali, non soglie universali. La stessa percentuale di errori può essere tollerabile in un’analisi preliminare e inaccettabile in un flusso che genera fatture.
| Situazione | Possibile causa o conseguenza | Decisione pratica |
|---|---|---|
| Campi facoltativi vuoti in un report esplorativo | Copertura incompleta, ma il calcolo principale può restare interpretabile | Documenta i campi mancanti e continua se non cambiano l’analisi |
| Codici prodotto differenti tra gestionale e piattaforma di vendita | Join incompleti, con ricavi o volumi attribuiti al prodotto sbagliato | Blocca il confronto finché i codici non sono riconciliati |
| Indirizzi e-mail ripetuti in un invio promozionale | Duplicati, contatti multipli o identità non risolte | Deduplica secondo una regola documentata e conserva traccia della trasformazione |
| Prezzo mancante in un flusso che alimenta la fatturazione | Importo errato o documento incompleto | Metti il record in quarantena e assegna la correzione al referente del dato |
Una regola semplice per decidere: se l’errore può modificare un importo, un obbligo o un’azione verso una persona, blocca o sottoponi il record a verifica; se incide solo su un’analisi esplorativa, segnala il limite e conserva l’informazione sul margine d’incertezza. Così eviti sia di fermare ogni dashboard sia di lasciar passare errori con conseguenze concrete.
La documentazione può far fallire un dataset anche quando i valori sono corretti
Due file possono contenere gli stessi numeri e risultare comunque difficili da confrontare: uno registra le date in formato giorno-mese-anno, l’altro mese-giorno-anno. Le Data Quality Guidelines di data.europa.eu descrivono un progetto di valutazione dei dati pubblici europei che ha individuato 12 indicatori e definito 42 metriche distribuite secondo le dimensioni FAIR, relative a reperibilità, accessibilità, interoperabilità e riutilizzo.
Il punto utile per un’impresa non è adottare tutte quelle metriche: il lavoro riguarda dati pubblici e non costituisce un benchmark universale per ogni azienda. Mostra però perché il controllo dei valori, da solo, non basta: formati, codifiche, standard e metadati possono impedire l’uso corretto di informazioni altrimenti accurate.
Se più sistemi chiamano “cliente attivo” stati diversi, la correzione tecnica non risolve la divergenza semantica. Serve un glossario condiviso, con definizione, fonte autorevole, frequenza di aggiornamento e referente per ogni dato usato nei report.
La qualità di rappresentazione cambia il modo in cui si decide
Un dato può essere corretto e tuttavia fuorviante se le unità sono poco leggibili, le categorie ambigue o le etichette incoerenti. Nell’esperimento di laboratorio An Experimental Study of the Effects of Representational Data Quality on Decision Performance, i ricercatori hanno confrontato livelli diversi di qualità rappresentativa e complessità del compito; i risultati indicano effetti significativi sulla prestazione decisionale.
Lo studio non fornisce una percentuale trasferibile a ogni dashboard aziendale, ma sostiene un accorgimento spesso sottovalutato: uniformare nomi, unità e presentazione delle variabili. Se un grafico usa “ricavi netti” e un altro “vendite” per misure calcolate diversamente, chi decide può confrontare grandezze che non sono davvero equivalenti.
Una buona scheda di controllo, quindi, dovrebbe chiarire la definizione della metrica, l’unità di misura, il periodo coperto e la data dell’ultimo aggiornamento. Quando questi elementi mancano, un numero ben formattato può sembrare più affidabile di quanto sia.
Per migliorare i dati, correggi la causa prima del sintomo
Una pulizia una tantum può sistemare il file del mese, ma non impedisce che il problema ricompaia nell’importazione successiva. Assegna ogni controllo a un responsabile e collega l’anomalia al punto in cui nasce: il reparto che inserisce il dato, il sistema che lo trasferisce o la regola che lo trasforma.
Per cominciare, scegli un processo circoscritto, come la reportistica clienti o la previsione delle scorte; definisci due o tre controlli collegati alle decisioni, registra il valore di partenza e verifica se gli errori si riducono dopo l’intervento. Il risultato non è un’etichetta generica di “dato pulito”, ma una decisione più solida e una traccia chiara di ciò che ancora richiede cautela.