Vai al contenuto
In questo articolo troverai:
- Data Intelligence: dal dato alla decisione in tempi più rapidi
- Data 360 e Tableau Next: dati unificati, analisi agentica e insight azionabili
- Active Analytics: come trasformare l’analisi in azione
- Le condizioni per partire: governance, dati affidabili e coinvolgimento delle persone
Per anni la promessa della business intelligence è stata sostanzialmente una: dare alle persone i numeri giusti al momento giusto. Il risultato, nella maggior parte delle aziende, è stato però un altro: una collezione di report e dashboard che raccontano con grande precisione ciò che è già accaduto. Utili, spesso eleganti, ma passivi. Qualcuno li apre il lunedì mattina, li interpreta, ne discute in riunione e, se tutto va bene, qualche giorno dopo prende una decisione.
Nel frattempo il mercato si è mosso, il cliente ha comprato altrove, la scorta si è esaurita, la macchina si è fermata.
È qui che si gioca la partita della Data Intelligence: non tanto nel produrre più analisi, quanto nel ridurre la distanza tra il momento in cui un dato si genera e il momento in cui qualcuno agisce di conseguenza. Ed è una partita che negli ultimi due anni ha cambiato natura, perché l’intelligenza artificiale ha smesso di essere un modulo aggiunto agli strumenti di analisi ed è diventata il modo in cui gli strumenti di analisi funzionano.
La combinazione tra Salesforce Data Cloud, oggi rinominato Data 360, e Tableau Next è uno degli esempi più concreti di questo passaggio. Non perché sia l’unica strada possibile, ma perché mostra con chiarezza cosa significa, in pratica, passare da un’analisi che descrive a un’analisi che agisce.
Il problema non è la mancanza di dati. È la distanza tra dato e decisione
Vale la pena partire dai numeri: secondo la ricerca State of Data and Analytics di Salesforce, condotta su oltre 7.600 rispondenti in 18 Paesi, il 63% dei leader aziendali descrive oggi la propria organizzazione come data-driven: dieci punti in più rispetto al 2023. Un progresso reale. Eppure, nello stesso campione, il 49% ammette di non riuscire a produrre insight in tempo utile, e il 49% dei responsabili dati dichiara che in azienda si arriva, occasionalmente o frequentemente, a conclusioni sbagliate perché ai dati manca il contesto di business.
Il quadro si completa con due dati che spiegano molto: si stima che il 26% del patrimonio informativo aziendale non sia affidabile, e che il 19% sia in silos, inaccessibile o inutilizzabile. Il paradosso è che il 70% dei responsabili dati ritiene che gli insight più preziosi si trovino proprio in quella porzione irraggiungibile. Non sorprende, allora, che l’84% dei leader tecnici affermi che la propria strategia dati debba essere rivista in profondità prima di poter sostenere ambizioni serie sull’AI.
In sintesi il collo di bottiglia non è la capacità di calcolare, né la mancanza di informazioni. È la frammentazione. L’azienda media utilizza quasi 900 applicazioni e ne ha collegate meno di un terzo. Ogni analisi interessante richiede quindi un lavoro di ricomposizione manuale come export, fogli di calcolo, allineamenti tra team che consuma il tempo che servirebbe a decidere.
Primo tassello: un dato unico, aggiornato, che non si sposta
La risposta tradizionale a questa frammentazione è stata costruire un altro contenitore: un data warehouse, un data lake, una nuova piattaforma dove copiare tutto. Funziona, ma con due effetti collaterali noti a chiunque abbia gestito un progetto di integrazione: i tempi si allungano e le copie invecchiano.
Salesforce Data Cloud propone di affrontare il tema da un’angolazione diversa, tramite la funzionalità zero copy. Invece di duplicare i dati, la piattaforma li interroga dove si trovano — in Snowflake, Databricks, BigQuery, Redshift e negli altri sistemi della rete di partner — federando la query e restituendo il risultato senza far persistere nulla. Il dato resta di chi lo governa; ciò che si condivide è l’accesso, non la copia.
Il vantaggio non è solo architetturale. È il presupposto tecnico del Real-Time Data: se non devi attendere il ciclo notturno di caricamento, l’analisi lavora sullo stato attuale dell’azienda e non su una fotografia di ieri. Salesforce riporta che, nei primi undici mesi di adozione, la tecnologia ha gestito oltre 11 mila miliardi di record in ambienti clienti reali; e la stessa ricerca citata sopra rileva che le organizzazioni che adottano architetture zero copy hanno il 34% di probabilità in più di ottenere risultati concreti dai progetti di AI.
Sopra questo strato si colloca l’elemento meno spettacolare ma probabilmente più decisivo: il livello semantico. Tableau Semantics, integrato in Data 360, è il dizionario condiviso dell’azienda: definisce che cosa significa “cliente attivo”, come si calcola il margine, quale gerarchia hanno prodotti e territori. Senza questo strato, ogni sistema di AI risponde in modo plausibile ma incoerente, e tre reparti arrivano a tre numeri diversi per la stessa domanda. Gartner, nelle sue previsioni per il 2026, arriva a sostenere che entro il 2030 i livelli semantici universali saranno considerati infrastruttura critica, allo stesso titolo delle piattaforme dati e della cybersecurity.
Una nota sul nome, per chiarezza: a ottobre 2025, durante Dreamforce, Salesforce ha rinominato Data Cloud in Data 360, collocandolo sotto l’ombrello Agentforce 360. Il prodotto e il ruolo restano gli stessi — lo strato dati unificato che fornisce contesto ad applicazioni e agenti AI — ma nella documentazione più recente troverete la nuova denominazione.
Secondo tassello: un’analisi che non aspetta di essere interrogata
Se Data Cloud risolve il “dove sono i dati”, Tableau Next affronta il “chi fa l’analisi, e quando”.
Presentato da Salesforce nell’aprile 2025 come piattaforma di agentic analytics, Tableau Next introduce un cambio di paradigma. La BI classica è reattiva per costruzione: qualcuno formula una domanda, qualcuno costruisce la vista, qualcuno la legge. Tableau Next affianca a questo modello un insieme di agenti che lavorano sul dato in modo continuativo:
Concierge risponde a domande in linguaggio naturale. Un responsabile commerciale può chiedere perché il margine di una linea di prodotto è calato nell’ultimo trimestre e ricevere una risposta ragionata, senza aprire un editor di query né aspettare un ticket al reparto IT.
Data Pro si occupa della preparazione del modello dati, automatizzando la parte più complessa e meno gratificante del lavoro analitico — quella che tipicamente assorbe la maggior parte del tempo di un progetto.
Inspector monitora i dati in modo continuo, individua variazioni rilevanti e le segnala prima che qualcuno pensi a cercarle. È il passaggio dal “vado a vedere come stiamo andando” al “vengo avvisato quando qualcosa merita attenzione”.
Alla Tableau Conference di maggio 2026 questa direzione è stata portata avanti in modo esplicito. La piattaforma è stata unificata attraverso Tableau Cloud, Server, Desktop e Next, ed è stata presentata come knowledge and decision engine: un motore capace di leggere non solo tabelle, ma anche contenuti non strutturati come PDF e threads di posta; di costruire automaticamente un grafo della conoscenza che si riaddestra in base a come le persone usano i dati; di riconciliare metriche in conflitto tramite modellazione semantica assistita dall’AI. Sono state annunciate inoltre le Agent Actions, workflow autonomi che si attivano al verificarsi di condizioni definite, un command center per orchestrare centinaia di agenti analitici, l’integrazione conversazionale in Slack e il supporto al protocollo MCP, che consente di esporre la conoscenza analitica ad altri sistemi di AI.
La formula usata da Tableau per riassumere il cambiamento è efficace: si passa dal riportare ciò che è accaduto all’orchestrare ciò che accadrà.
Cosa cambia davvero: dalla BI passiva all’Active Analytics
Messi insieme, i due strati abilitano quella che possiamo chiamare Active Analytics. Vale la pena descriverla non con uno schema, ma con una scena.
Un’azienda che distribuisce prodotti attraverso più canali ha, come tutte, un problema di clienti che smettono gradualmente di comprare. Nel modello tradizionale, il churn emerge da un report mensile: a fine mese qualcuno nota un calo, apre un’analisi, identifica un gruppo di clienti a rischio e propone una campagna di recupero. Tra il primo segnale debole e la prima azione passano settimane, e per molti di quei clienti la decisione è già stata presa altrove.
Nel modello attivo la sequenza si comprime. I dati transazionali, i ticket di assistenza, le interazioni digitali e i segnali di magazzino convergono nello strato unificato senza essere duplicati e sono disponibili in tempo reale. Un modello di Analisi Predittiva stima la probabilità di abbandono e la assegna al singolo cliente. Un agente rileva che il rischio ha superato la soglia su un segmento specifico e non produce un grafico: produce un Insight Azionabile, ovvero evidenzia chi è a rischio, perché, con quale probabilità, con quale impatto stimato sul fatturato e quale azione è consigliata. E poiché la piattaforma è integrata con i sistemi operativi, quell’azione può essere avviata dove il lavoro accade davvero: un task al commerciale nel CRM, una notifica in Slack, l’inserimento in una campagna.
Il Decision Making cambia natura non perché la macchina decide al posto delle persone, ma perché le persone arrivano alla decisione con il contesto già ricomposto. Il tempo che prima serviva a capire cosa fosse successo viene liberato per valutare cosa fare.
È questa la differenza sostanziale tra fare AI-Powered Analytics e limitarsi ad aggiungere un chatbot sopra una dashboard esistente: nel primo caso l’AI accede a un patrimonio informativo unificato, governato e semanticamente definito; nel secondo produce risposte fluide su dati che nessuno ha davvero armonizzato. Non è un dettaglio: l’89% dei responsabili con progetti AI in produzione dichiara di aver già ottenuto output inaccurati o fuorvianti, e nella grande maggioranza dei casi la causa è a monte, nel dato, non nel modello.
Le condizioni che rendono tutto questo realistico
Chi ha vissuto qualche ciclo tecnologico sa riconoscere la distanza tra una demo e un sistema in produzione. Vale quindi la pena essere espliciti su ciò che serve perché questo scenario funzioni.
Serve governance ben definita. Un’analisi attiva che agisce su dati non affidabili non è un vantaggio competitivo: è un moltiplicatore di errori. Lo strato semantico e le regole di accesso non sono adempimenti burocratici, sono la condizione di funzionamento.
Serve un perimetro iniziale ristretto. Non è necessario, né consigliabile, sistemare l’intero patrimonio informativo prima di partire. È molto più efficace scegliere un processo decisionale specifico e ricorrente, portare a qualità i dati che servono a quello, e allargare in modo progressivo.
Serve progettare il ruolo delle persone. Un sistema che segnala anomalie in autonomia deve avere soglie sensate e un punto di controllo umano dove il rischio è alto. Un flusso che genera cento avvisi al giorno viene ignorato dopo una settimana; la qualità dell’attenzione è una risorsa scarsa e va trattata come tale.
E serve evoluzione, non sostituzione. Modelli operativi, competenze e processi consolidati sono un patrimonio: l’obiettivo è farli evolvere integrando l’AI in modo naturale, non azzerarli per inseguire un’architettura nuova. Non a caso Tableau Next è posizionato come piattaforma interoperabile con gli strumenti di analisi esistenti, non come loro rimpiazzo rendendola dal punto di vista di chi deve governare un progetto di system integration.
In sintesi
La Data Intelligence non è l’ennesima etichetta per la business intelligence. È il riconoscimento che il valore di un dato decade rapidamente nel tempo, e che l’unico modo per non perderlo è ridurre gli attriti tra il momento in cui si genera e il momento in cui produce una decisione.
L’unione tra uno strato dati unificato e in tempo reale come Salesforce Data Cloud e una piattaforma di analisi agentica come Tableau Next mostra la direzione con chiarezza: dati che restano dove sono ma diventano interrogabili come se fossero un’unica fonte; un vocabolario aziendale condiviso che rende affidabili le risposte dell’AI; agenti che sorvegliano, spiegano, prevedono e propongono; azioni che partono dentro i sistemi che le persone usano ogni giorno.
Nessuna di queste tecnologie, da sola, rende un’azienda più intelligente. Ciò che fa la differenza è la capacità di collegarle a un problema di business che valga la pena risolvere facendolo un passo alla volta, misurando ogni passo. È esattamente il terreno su cui si misura, oggi, un buon lavoro di integrazione.
Contattaci e scopri come rendere i tuoi dati più accessibili
e trasformarli in insight utili per le decisioni.
