AI Data Analyst: come l’Intelligenza Artificiale trasforma l’analisi dati nel Marketing B2B

Non sono uno che usa l’AI per conversarci.

Nel mio lavoro tendo a utilizzarla in maniera piuttosto asciutta: le do i dati, le spiego da dove partiamo, le dico quale output voglio ottenere e vedo cosa succede. Niente grandi dialoghi, insomma. La tratto abbastanza per quello che è: uno strumento.

Mi occupo principalmente di analisi dati. Lavoro sui KPI dei siti, sulle conversioni, sulle newsletter, sulle performance delle campagne e, più in generale, su tutte quelle analisi che servono ai diversi colleghi e team di Nextwork360 per capire come stanno andando attività, eventi o property editoriali. Sono attività che ovviamente facevo anche prima dell’arrivo della GenAI. La differenza è che oggi riesco a farle molto più velocemente e, soprattutto, riesco a fare analisi che prima probabilmente non avrei proprio fatto.

Dall’automazione dei report all’AI Data Analyst: come abbattere i tempi di elaborazione

Prima il lavoro era anche mettere insieme i pezzi. Prendiamo una delle analisi ricorrenti che preparo sull’andamento dei nostri siti (11 testate di Nextwork360 tra cui AgendaDigitale e ZeroUno, CorCom, Cybersecurity360, EconomyUp ecc.).

Ci sono articoli pubblicati, sessioni, conversioni, fonti di traffico, produzione editoriale e diversi altri indicatori che devono essere aggregati per periodo, confrontati e restituiti in una forma leggibile. Prima una parte consistente del lavoro consisteva semplicemente nel costruire quell’output: esportavo i dati, li mettevo insieme con Excel oppure cercavo di ricavare direttamente dalla piattaforma di Business Intelligence quello che mi serviva. Non era necessariamente un lavoro difficile, ma richiedeva tempo e diversi passaggi manuali.

Oggi ho costruito dei piccoli applicativi ai quali posso fornire i file grezzi. Il sistema conosce già la struttura dell’output che deve produrre, ha a disposizione lo storico e aggrega automaticamente buona parte delle informazioni. Un aggiornamento che poteva richiedermi ore oggi, nella maggior parte dei casi, mi richiede una ventina di minuti o mezz’ora. Il tempo che rimane lo utilizzo soprattutto per controllare che i dati tornino.

Questo, però, è soltanto il primo livello; perché risparmiare tempo su qualcosa che già facevo è utile. La parte più interessante arriva quando quel tempo e quella capacità di calcolo permettono di fare qualcosa che prima non era realisticamente possibile.

Analisi semantica e performance SEO: il caso dei 20 mila URL in Nextwork360

Matchare 20 mila URL a mano non era nel mio piano di carriera.

Da alcuni mesi stiamo lavorando insieme al team SEO su un tipo di analisi più approfondita delle performance editoriali. Per ogni sito possiamo avere migliaia di URL. Per capire veramente cosa sta succedendo non basta sapere che il traffico complessivo è aumentato o diminuito del 10%, bisogna capire dove. Tipo: quali pagine hanno perso traffico? Quali temi stavano funzionando un anno fa e oggi meno? Da quali argomenti arrivano più conversioni? Ci sono cluster di contenuti che stanno crescendo? È cambiata la composizione del traffico?

Su una property particolarmente grande arriviamo a confrontare circa 20 mila URL tra il mese corrente, quello precedente e lo stesso periodo dell’anno precedente.

Tecnicamente si poteva fare anche prima, ma personalmente non credo che mi sarei messo a farlo.

Con l’AI riesco a incrociare le performance di migliaia di URL non soltanto dal punto di vista quantitativo, ma anche semantico. Posso individuare relazioni tra contenuti che trattano argomenti simili pur appartenendo a topic differenti, riconoscere cluster tematici emergenti, analizzare come cambia nel tempo l’interesse verso determinati argomenti e identificare pattern che difficilmente avrei cercato attraverso le tradizionali interrogazioni dei dati.

Il risultato non è soltanto un confronto delle performance, ma una prima interpretazione di ciò che sta succedendo nelle nostre property editoriali, che poi approfondiamo con i team SEO e le redazioni.

È uno di quei casi in cui dire che “l’AI fa risparmiare tempo” è corretto, ma non racconta tutta la storia.

L’AI ha reso economicamente sensata un’analisi che prima avrebbe richiesto troppo lavoro umano. E questo ovviamente cambia anche la qualità delle domande che possiamo porci.

Dati vs interpretazione: il Ruolo della supervisione umana e l’interazione con la redazione

Per molto tempo l’analisi digitale è stata inevitabilmente legata soprattutto a indicatori quantitativi: sessioni, utenti, conversioni, engagement, tempo medio. Numeri utilissimi, che continuano a esserlo. Ma da soli raccontano fino a un certo punto perché una property editoriale sta andando in una certa direzione.

Quello che stiamo provando a fare è aggiungere un livello successivo. Una volta individuati pattern, crescite, cali e differenze tra i vari topic, chiediamo al sistema di formulare anche alcune possibili interpretazioni: per esempio suggerire aree editoriali da rafforzare, temi sui quali costruire nuovi pillar o contenuti che potrebbero meritare maggiore visibilità. Qui cambia completamente il grado di fiducia che si può concedere all’AI. Perché sui dati quantitativi posso verificare calcoli, aggregazioni e criteri utilizzati. Una raccomandazione, invece, richiede di interpretare quei numeri alla luce del contesto.

Per questo le analisi vengono poi condivise con SEO e direttori delle testate, che conoscono mercato, piano editoriale e audience molto meglio di qualsiasi modello. Le loro correzioni tornano poi nel processo e ci aiutano a migliorare le analisi successive. È una parte del lavoro che trovo particolarmente interessante perché mette insieme due cose diverse: la possibilità della macchina di osservare una quantità enorme di dati e la capacità delle persone di capire se ciò che emerge ha davvero senso.

Dopo mesi di utilizzo, affinando le istruzioni, strutturando meglio gli input e introducendo controlli, sono riuscito a ridurre parecchio gli errori.

Questo non significa che io lasci partire un’analisi e prenda per buono qualunque risultato. Ho abbastanza familiarità con i dati da accorgermi se compare qualcosa di palesemente fuori contesto. Faccio controlli a campione sulle singole URL, verifico alcuni topic e confronto sempre i totali principali.

Sulla parte qualitativa sono ancora più prudente. Una cosa che ho imparato è anche a non essere troppo permaloso nei confronti dell’AI. Se un sistema analizza dei dati e suggerisce che stiamo facendo male qualcosa, la prima reazione non dovrebbe necessariamente essere: “sta sbagliando”.

Magari sta sbagliando davvero, oppure sta osservando un segnale che vale la pena approfondire. Vale la pena capire perché è arrivata a quella conclusione e se nei dati c’è qualcosa che merita attenzione.

Come cambiano le competenze tecniche: il rapporto tra AI, Query SQL e apprendimento

Ho imparato SQL. Oggi forse non lo imparerei allo stesso modo.

Per il mio lavoro utilizzo abbastanza spesso SQL. Quando ho iniziato, se dovevo costruire una query particolare, incrociare tabelle o capire la funzione corretta, andavo sulla documentazione, cercavo esempi, facevo tentativi.

Ed è così che ho imparato.

Oggi posso spiegare a un modello quali tabelle ho a disposizione, quali campi contengono e quale risultato voglio ottenere. Se l’input è preciso, una query che prima poteva richiedere parecchio tempo arriva quasi immediatamente. Continuo a dover capire quello che sto facendo. Ma la barriera d’ingresso si è abbassata moltissimo. A volte ci penso: se avessi avuto questi strumenti quando ho iniziato, probabilmente SQL non l’avrei imparato nello stesso modo.

È contemporaneamente un vantaggio e una cosa su cui vale la pena riflettere. L’AI ti permette infatti di acquisire molto rapidamente capacità operative che prima richiedevano studio e pratica. Ma proprio per questo diventa importante capire abbastanza della materia da accorgersi quando l’output non è corretto.

Oltre PowerPoint: ripensare i format e gli output di Business Intelligence

Una cosa su cui ho cambiato idea riguarda invece gli output.

All’inizio tendevo naturalmente a chiedere all’AI di replicare ciò che facevo già. Se dovevo ad esempio preparare una presentazione, provavo a farle produrre una presentazione. Se dovevo impaginare qualcosa, cercavo di farle replicare quell’impaginato. Sulla parte grafica continuo a trovare parecchi limiti. Se dò un documento esistente e chiedo “aggiungimi una slide identica alle altre”, non sempre ottengo qualcosa che utilizzerei. Se invece parto da zero e specifico molto bene ciò che voglio, i risultati stanno migliorando rapidamente.

Ma la scoperta più utile è stata un’altra: non è detto che l’output debba rimanere quello di prima. Per alcuni debrief, per esempio, abbiamo realizzato un piccolo strumento che produce un risultato in HTML. Inizialmente la domanda era come automatizzare la PowerPoint. Poi ci siamo chiesti: ma ci serve davvero PowerPoint? In un caso abbiamo mostrato direttamente quell’output a un cliente e funzionava benissimo. È un cambio di approccio che sto cercando di applicare anche altrove.

Se fino a ieri svolgevo un’attività in dieci passaggi, introdurre l’AI non dovrebbe significare necessariamente automatizzare quegli stessi dieci passaggi. Potrebbe significare scoprire che ne servono quattro. O che il risultato finale può essere completamente diverso.

L’evoluzione del ruolo: perché l’AI Data Analyst deve lavorare vicino ai dati

Il mio tool preferito? Quello dentro i dati

Uso ChatGPT, soprattutto perché nel tempo ho costruito progetti e contesti che ormai mi è comodo riutilizzare. Ogni tanto confronto uno stesso problema con Claude per capire se i due modelli arrivano a conclusioni differenti. Ma se domani mi cancellassero tutti gli strumenti AI e potessi tenerne soltanto uno, probabilmente sceglierei quello integrato direttamente nella piattaforma di BI che utilizzo.

Il motivo è abbastanza semplice: nel mio mestiere non mi serve avere un chatbot particolarmente brillante, mi serve un’AI vicino ai dati sui quali devo lavorare, dentro un ambiente controllato, e poter costruire strumenti specifici per attività specifiche.

È anche per questo che non sono particolarmente affezionato all’idea dell’AI come “collega virtuale”. Io non la saluto neanche. Le dico cosa ho, le dico cosa voglio e cerco di essere il più preciso possibile sull’output finale. Probabilmente è poco romantico, ma per l’analisi dati funziona piuttosto bene.

Il lavoro dell’analista si sposta un po’ più avanti.

Nei prossimi anni immagino soprattutto sistemi più precisi e una riduzione progressiva degli errori sulle attività più standardizzabili. Ma credo che il cambiamento più interessante dipenderà da noi.

Ogni volta che affronto un’attività, ormai provo a chiedermi se esista un modo in cui l’AI possa aiutarmi. Non necessariamente per fare prima la stessa cosa, ma magari per farne una diversa. È questo, finora, il vantaggio maggiore che vedo.

Passare meno tempo a preparare manualmente il dato significa poter dedicare più tempo a capire che cosa ci sta dicendo. E avere a disposizione una capacità di elaborazione molto più grande significa poter cominciare a fare domande che, fino a poco tempo fa, avremmo probabilmente evitato perché trovare la risposta sarebbe costato troppo tempo. Per chi lavora con i dati, non è poco.