DATA QUALITY: IL PROBLEMA CHE MOLTI IMPRENDITORI NON VEDONO FINCHÉ NON DIVENTA COSTO, RITARDO E PERDITA DI FIDUCIA…

A cura di CP Spa – Unimatica Confapi Emilia  

C’è un momento, in molte PMI, in cui i numeri sembrano finalmente in ordine.
Il report è pulito. Il gestionale restituisce una fotografia rassicurante. Il magazzino, sulla carta, pare sotto controllo. I margini sembrano tenere. Le date promesse ai clienti sembrano sostenibili.

Poi basta entrare un po’ più a fondo, guardare meglio, ascoltare cosa succede davvero tra ufficio, produzione, logistica e amministrazione, per accorgersi che quella fotografia nitida è spesso solo una superficie lucidata a dovere. Sotto, troppo spesso, si muove un sistema di dati incompleti, registrazioni tardive, codici duplicati, consuntivi approssimativi, correzioni fatte a mano, file Excel paralleli e abitudini tramandate più per comodità che per governo.

E qui va detto con chiarezza: la data quality non è un tema da tecnici.
È un tema da imprenditori.

Perché quando i dati sono deboli, non si rompe solo un report. Si incrina la qualità delle decisioni. E quando le decisioni si appoggiano su basi fragili, i problemi non restano teorici: diventano ordini in ritardo, margini evaporati, acquisti urgenti, clienti irritati, banche più prudenti, persone interne che litigano sui numeri invece di risolvere i problemi.

Molte aziende non dicono “abbiamo un problema di qualità del dato”.
Dicono altro.

Dicono: “Il magazzino non torna mai del tutto”.
Dicono: “Ogni mese ognuno ha i suoi numeri”.
Dicono: “Facciamo tanta fatica e guadagniamo meno di quanto dovremmo”.
Dicono: “Il gestionale non ci aiuta”.
Dicono: “Abbiamo i dati, ma continuiamo a decidere di pancia”.

Queste frasi non sono normali rumori di fondo. Sono segnali. E chi li sa vedere per tempo capisce una cosa decisiva: il vero problema non è quasi mai il software in sé. Il problema è il modo in cui i dati nascono, vengono inseriti, controllati, corretti, interpretati e poi usati per guidare l’azienda.

I numeri parlano. I dati, però, possono mentire

Un numero ha sempre un’apparenza neutrale.
Un margine del 18% sembra un fatto.
Una puntualità del 94% sembra un fatto.
Un valore di magazzino sembra un fatto.

Ma la domanda seria non è “quanto dice il numero?”.
La domanda seria è: da quali dati nasce quel numero?

Perché un numero elegante può nascere da una catena disordinata.

Tempi di produzione caricati solo nel fine settimana.
Scarti registrati solo in parte.
Codici articolo simili o duplicati creati da persone diverse.
Movimenti di magazzino inseriti quando c’è tempo.
Sconti commerciali concessi fuori sistema.
Anagrafiche incomplete.
Rettifiche fatte per “far tornare i conti”.

Alla fine, il numero arriva, sì. Ma arriva dopo essere passato in un percorso opaco. E allora quel numero non è più uno strumento di governo: è una media politica, una rappresentazione conveniente, un equilibrio fragile che regge finché nessuno decide di andare a vedere dentro.

È qui che molte imprese si fanno male. Non perché manchino di intelligenza, di esperienza o di capacità. Ma perché scambiano la disponibilità del dato con la sua affidabilità.

Avere dati non significa avere dati buoni.
E avere dashboard non significa vedere bene.

Il magazzino è, tra gli altri, forse lo specchio più sincero

Se si vuole capire davvero lo stato di salute della data quality in una PMI, il primo posto da guardare non è una slide. È il magazzino.

Perché il magazzino è il punto in cui i numeri devono combaciare con la realtà fisica.
Lì non ci sono scuse: o il dato fotografa ciò che c’è, oppure no.

E quando il dato non vede bene, la catena del danno parte in silenzio.

Basta un duplicato anagrafico: due codici per lo stesso articolo.
Basta un movimento di scarico non registrato in tempo.
Basta una rettifica fatta “a sentimento” per sistemare a fine periodo.
Basta una descrizione generica che confonde materiali simili.

Da lì in avanti il sistema comincia a raccontare una storia che non coincide con ciò che l’azienda tocca con mano.

Il responsabile pianifica una produzione perché a video il materiale risulta disponibile.
Il magazziniere va a prelevare e non trova ciò che serve.
La produzione rallenta o si ferma.
Parte un riordino urgente.
Il costo sale.
La consegna slitta.
Il cliente se ne accorge.
La fiducia si incrina.

E tutto questo non nasce da un grande errore strategico.
Nasce da un dato nato male e lasciato vivere peggio.

Chi vede bene questa sequenza capisce subito che la data quality non è un argomento astratto. Si sente sulla pelle dell’azienda. Si vede nei volti tesi quando una consegna salta. Si ascolta nel tono delle telefonate ai fornitori fatte in emergenza. Si tocca nei margini compressi da costi extra e inefficienze evitate troppo tardi.

Il margine non sparisce all’improvviso: evapora nei dettagli

Il margine reale, in molte PMI, non crolla in modo teatrale. Si consuma poco alla volta. Goccia dopo goccia. Dato dopo dato.

Una commessa sembra in utile perché i tempi sono ancora quelli standard di anni fa.
Un’altra sembra sotto controllo, ma gli scarti non sono stati imputati correttamente.
Una famiglia prodotto pare reggere bene, ma parte dei costi di materiale è finita su codici generici o su prelievi sporchi.
Uno sconto commerciale sembra sostenibile, ma il costo vero di servizio al cliente non è stato visto fino in fondo.

Il problema è che queste distorsioni non fanno rumore subito. Anzi, spesso rassicurano. Mostrano un’apparenza di stabilità. E proprio per questo sono pericolose.

Il punto non è avere il dato perfetto. Il punto è avere un dato abbastanza affidabile da poterci mettere sopra decisioni pesanti senza dover aggiungere ogni volta un “sì, però…”.

Perché quando un margine è da prendere sulla fiducia e non da difendere con serenità, l’azienda non sta governando. Sta sperando.

L’errore più costoso? Pensare che sia un problema dell’IT

Qui serve una scossa culturale.

La qualità del dato non si risolve scaricando il problema su:
il fornitore del gestionale,
l’ufficio IT,
“quelli che inseriscono male i dati”,
oppure il nuovo software da comprare.

La questione è molto più direzionale.

Chi decide quali dati contano davvero?
Chi decide quali campi sono obbligatori?
Chi decide che cosa va tracciato con precisione e che cosa no?
Chi decide quanta tolleranza è accettabile sugli scostamenti?
Chi decide quali numeri devono essere difendibili davanti a un socio, a una banca, a un cliente importante, a un potenziale acquirente?

Queste non sono decisioni tecniche. Sono decisioni di governo.

La data quality è leadership applicata ai numeri.
È disciplina organizzativa.
È cultura d’impresa.
È chiarezza di ruoli.
È responsabilità.

Finché non viene affrontata così, ogni progetto di miglioramento rischia di diventare cosmetica digitale: interfacce migliori, grafici più belli, flussi più veloci… sopra dati ancora incerti o, peggio del tutto fasulli!

E poi arriva l’AI. E amplifica tutto

Oggi molte imprese sentono una spinta fortissima verso AI, automazioni, agenti intelligenti, forecasting, pianificazione evoluta, business intelligence sempre più raffinata.

È comprensibile. Gli strumenti sono potenti. Promettono velocità, sintesi, capacità di previsione, automazione delle attività ripetitive.

Ma proprio qui si apre il punto più delicato.

L’AI non bonifica magicamente i dati.
L’AI lavora su ciò che trova.

Se trova anagrafiche pulite, processi chiari, tempi credibili, giacenze affidabili, storici coerenti, allora può davvero aiutare a vedere prima, decidere meglio, correre con più sicurezza.

Ma se trova duplicati, registrazioni tardive, giacenze gonfiate, costi sporchi, consuntivi incompleti e logiche operative incoerenti, allora farà una cosa molto semplice: renderà più veloce l’errore.

Prometterà date che non puoi mantenere.
Suggerirà riordini sbagliati.
Darà priorità distorte.
Produrrà grafici convincenti su basi fragili.
Offrirà una sensazione di controllo che non coincide con la realtà.

È qui che la data quality smette di essere un progetto “utile”. Diventa urgente.

Perché ieri un dato sporco rallentava.
Oggi un dato sporco, inserito in sistemi più potenti, può far deragliare più in fretta.

Da dove si comincia davvero

La buona notizia è che non serve una rivoluzione teorica. Serve una scelta pratica.

La prima mossa non è “sistemiamo tutto”.
La prima mossa è: scegliamo i dati che governano margine, consegna e fiducia.

Pochi. Chiari. Critici.

Le imprese che migliorano davvero cominciano da qui:
vedono dove il dato nasce,
definiscono chi lo inserisce,
stabiliscono quando va inserito,
mettono controlli minimi ma seri,
assegnano un responsabile ai dati più delicati,
controllano poco ma spesso,
e soprattutto smettono di tollerare che ciò che conta davvero venga gestito “quando si riesce”.

È una scelta che si può vedere subito.

Si vede quando l’anagrafica smette di moltiplicarsi.
Si vede quando il magazzino torna più spesso senza scene da inventario traumatico.
Si vede quando le riunioni smettono di essere discussioni sui numeri e tornano a essere decisioni sui fatti.
Si vede quando il margine non è più una sensazione.
Si vede quando le promesse al cliente diventano più credibili.
Si vede quando l’azienda inizia a respirare meno emergenza e più controllo.

Esiste una domanda semplice, quasi brutale, che vale più di molte analisi:

I numeri su cui sto decidendo sono davvero difendibili?

Difendibili significa:
spiegabili,
tracciabili,
credibili,
verificabili,
presentabili senza imbarazzo.

Se domani un socio chiedesse di vedere il margine reale di una commessa importante, lo mostreresti con tranquillità?
Se una banca guardasse con attenzione il valore del magazzino, ti sentiresti sereno?
Se dovessi spiegare a un cliente strategico come prometti una data di consegna, il dato che usi reggerebbe?
Se volessi introdurre AI nei processi chiave, i dati di partenza sarebbero abbastanza robusti da non trasformare la tecnologia in un acceleratore di caos?

Queste domande non servono per colpevolizzare. Servono per svegliare.

Perché il costo più alto non è scoprire che i dati non sono a posto.
Il costo più alto è accorgersene tardi, quando il danno si è già visto nel margine, nella reputazione e nella fiducia interna.

Il momento di intervenire è prima

La data quality non è un lusso per aziende grandi.
È una forma di autodifesa per aziende serie.

È ciò che permette di vedere meglio.
Di ascoltare prima i segnali deboli.
Di sentire dove l’azienda sta perdendo energia senza accorgersene.
Di prendere in mano i numeri prima che siano loro a portare l’impresa dove non vuole andare.

Le PMI che nei prossimi anni cresceranno meglio non saranno quelle che avranno semplicemente più software. Saranno quelle che avranno reso affidabili i dati che contano davvero.

Perché un’impresa può sopportare molte imperfezioni.
Ma non può continuare a lungo a decidere su dati che non reggono.

E allora la vera domanda non è se la data quality sia importante.
La vera domanda è un’altra: quanto ti costa, oggi, continuare a rimandarla?

Ogni mese in cui il magazzino resta opaco, qualcuno sta decidendo peggio del necessario.
Ogni settimana in cui i tempi sono caricati male, un margine si sta deformando.
Ogni giorno in cui un dato critico nasce senza regole, l’azienda sta cedendo controllo senza rendersene conto.

Chi guida un’impresa non può permettersi questo lusso.

È il momento di guardare i dati per quello che sono davvero:
non un sottoprodotto amministrativo,
non un fastidio da delegare,
non un tema tecnico da rinviare,
ma una leva concreta di marginalità, affidabilità e futuro.

Vederlo adesso cambia il modo in cui decidi.
Aspettare ancora significa lasciare che il prossimo errore, il prossimo ritardo, il prossimo cliente irritato o il prossimo margine sbagliato ti spieghino il prezzo del rinvio.

E quel prezzo, quasi sempre, è più alto di quanto sembri a prima vista.