La trasformazione del dato in un asset condiviso, comprensibile e affidabile è oggi una delle priorità per le imprese che vogliono sfruttare appieno il potenziale dell’intelligenza artificiale. Al convegno Data & Decision Intelligence: pilotare l’AI per usarla davvero!, organizzato dall’Osservatorio Big Data & Business Analytics del Politecnico di Milano, Ingmar D’Amato, Business Data Cloud Solution Advisor di SAP Italia, ha illustrato come il concetto di Data Product possa favorire una relazione più efficace tra dati, intelligenza artificiale e persone .
Indice degli argomenti
Dal Data Management tradizionale ai Data Product semantici
D’Amato ha spiegato come il tradizionale approccio al Data Management porti le aziende a svuotare i sistemi sorgente dei loro dati, separandoli dal contesto di business che dà loro significato. In questo modo, l’informazione perde parte del proprio valore e diventa più difficile da utilizzare in chiave decisionale.
Per superare questo limite, le imprese stanno adottando un modello che mantiene il contesto di business all’interno del dato stesso, trasformandolo in un oggetto coerente con il suo dominio di origine. Questo approccio permette di ridurre il rischio di “allucinazioni” nei modelli di intelligenza artificiale, un fenomeno che nasce quando gli algoritmi elaborano dati incompleti o non governati.
Secondo D’Amato, le piattaforme dati cloud offrono un ambiente in cui le aziende possono armonizzare le fonti, integrare modelli semantici e fornire dati strutturati in modo che le decisioni derivino da informazioni solide e coerenti.
Il dato, in questo contesto, smette di essere un semplice output tecnico e diventa una risorsa viva, capace di restituire senso e valore.
Un linguaggio comune per le funzioni aziendali
Nel suo intervento, D’Amato ha posto al centro dell’evoluzione digitale il concetto di Data Product, un insieme di dati transazionali, analitici e tecnici che parlano una lingua comune a tutti i ruoli aziendali. «I Data Product sono descritti da dati ma anche da immagini, perché l’obiettivo è rendere il dato comprensibile a una platea più ampia», ha affermato.
Grazie a questa visione, figure diverse collaborano sugli stessi asset informativi senza barriere linguistiche o tecniche. La condivisione semantica del dato consente di accelerare la collaborazione e di ridurre la distanza tra chi produce, analizza e consuma l’informazione .
Il dato assume così un ruolo dinamico e collaborativo. Ogni Data Product integra regole di business e logiche di collegamento tra entità diverse, mantenendo la coerenza con i sistemi sorgente. Gli utenti possono aggiornarlo, versionarlo e riutilizzarlo in nuovi contesti analitici, costruendo un ecosistema di conoscenza condivisa che si evolve nel tempo.
Data Mesh e qualità del dato: la struttura abilitante
D’Amato ha collegato il tema dei Data Product al paradigma del Data Mesh, che distribuisce la responsabilità della qualità del dato ai diversi domini aziendali. In questo modello, ogni dominio gestisce i propri dati come un prodotto e li armonizza in una rete scalabile e coerente.
«Quando forniamo un Data Product, ne garantiamo il versioning, l’aggiornamento e una serie di informazioni per far sì che ciò non sia più una preoccupazione e faccia risparmiare tempo», ha spiegato D’Amato, chiarendo che l’obiettivo è liberare risorse umane dalle attività tecniche di manutenzione per concentrarsi sull’analisi e sul valore decisionale .
La qualità e la consistenza del dato derivano da politiche di Data Quality integrate, che includono pulizia, controlli di coerenza e riconciliazione automatica. In questo modo, le aziende mantengono un livello costante di affidabilità senza dover ricostruire manualmente la business logic. Il dato diventa quindi un prodotto garantito, pronto per l’uso operativo e analitico, anche in architetture complesse e distribuite.
Un ecosistema condiviso e interoperabile
Il modello illustrato da D’Amato punta a creare un ecosistema di dati interoperabili. All’interno di una piattaforma dati cloud, le imprese possono condividere i loro Data Product sia internamente sia con partner esterni, attraverso protocolli di scambio standard e sicuri.
Questa apertura favorisce la collaborazione tra aziende e tecnologie diverse, che possono integrare i dati armonizzati nei propri sistemi di AI o di analisi, mantenendo la tracciabilità delle fonti. Secondo D’Amato, questo approccio consente di «installare applicazioni analitiche che integrano cubi e KPI preconfigurati, pronti per l’utilizzo», permettendo anche a chi usa strumenti di terze parti di collegarsi con la stessa logica semantica .
La conseguenza è una maggiore elasticità operativa: le imprese possono costruire dashboard e modelli di analisi partendo da basi comuni, evitando ridondanze e garantendo che ogni team lavori su dati coerenti. La standardizzazione semantica diventa così un fattore di competitività.
Collaborazione tra ruoli e decision intelligence
Nell’intervento, D’Amato ha mostrato come i Data Product favoriscano la cooperazione quotidiana tra diverse figure professionali. In una dimostrazione pratica, un Business Engineer, un Data Scientist e un Data Engineer hanno lavorato insieme per aggiornare una dashboard di analisi finanziaria.
Il Business Engineer ha individuato il Data Product collegato ai flussi di cassa e lo ha condiviso con il Data Scientist, che ha elaborato un modello di cluster analysis. Dopo aver generato i risultati, il team ha pubblicato un nuovo Data Product, poi integrato nel modello analitico dal Data Engineer.
Questo ciclo continuo dimostra che l’approccio ai dati può diventare un laboratorio di decision intelligence, dove ogni intervento contribuisce a migliorare la base informativa collettiva. La Data Governance diventa parte attiva di questo processo, garantendo che le informazioni siano coerenti e riutilizzabili in modo trasparente .
Dalla gestione del dato all’AI affidabile
L’adozione dei Data Product sta cambiando il modo in cui le imprese costruiscono e utilizzano l’intelligenza artificiale. Grazie alla loro struttura semantica e tracciabile, i modelli di AI elaborano dati coerenti e affidabili, riducendo il rischio di errori e bias.
Allo stesso tempo, gli utenti possono comprendere e validare i risultati in modo più chiaro, mantenendo il controllo umano sulle decisioni automatizzate. Come ha ricordato D’Amato, il valore non risiede solo nella tecnologia, ma nella capacità di costruire fiducia nel dato e nella collaborazione che lo genera. I Data Product rappresentano quindi un punto di incontro tra Data Management e AI: un linguaggio operativo comune che consente alle imprese di passare dalla gestione del dato alla sua piena valorizzazione.
