Il ruolo tradizionale dell’analista dati

Nel mio lavoro mi limito a fornire all’AI i dati, spiegare il punto di partenza e indicare l’output desiderato. Non c’è dialogo complesso: l’AI è uno strumento, non un sostituto. Mi occupo principalmente di analisi KPI dei siti, conversioni, newsletter, performance delle campagne e, più in generale, di tutte le analisi necessarie ai colleghi di Nextwork360 per valutare attività, eventi o property editoriali.

Queste attività le svolgevo anche prima dell’arrivo della generative AI, ma la differenza è evidente: oggi le eseguo più velocemente e riesco a fare analisi che prima avrei ritenuto troppo onerose.

Un esempio tipico è l’analisi ricorrente sull’andamento dei nostri 11 siti (AgendaDigitale, ZeroUno, CorCom, Cybersecurity360, EconomyUp e altri). Dobbiamo aggregare articoli pubblicati, sessioni, conversioni, fonti di traffico, produzione editoriale e altri indicatori per periodo, confrontarli e presentarli in forma leggibile.

In passato l’intero processo consisteva nel:

Non era difficile, ma richiedeva tempo e numerosi passaggi manuali.

Automazione con piccoli applicativi AI

Oggi ho costruito dei piccoli applicativi a cui fornisco i file grezzi. Il sistema conosce già la struttura dell’output, dispone dello storico e aggrega automaticamente la maggior parte delle informazioni. Un aggiornamento che poteva richiedere ore ora richiede venti minuti o mezz’ora, il tempo risparmiato lo dedico al controllo della coerenza dei dati.

Questo è solo il primo livello di vantaggio. Il vero salto qualitativo avviene quando il tempo e la capacità di calcolo liberati consentono di affrontare analisi prima irrealizzabili.

Matchare 20 000 URL: un caso pratico

Prima, matchare 20 000 URL a mano era fuori dal mio piano di carriera. Recentemente, con il team SEO, abbiamo avviato un’analisi approfondita delle performance editoriali. Per ogni sito possiamo avere migliaia di URL; non basta sapere che il traffico è aumentato o diminuito del 10 %, bisogna capire dove.

Le domande chiave sono:

Su una property particolarmente grande confrontiamo circa 20 000 URL tra il mese corrente, quello precedente e lo stesso periodo dell’anno precedente. Tecnologicamente era possibile anche prima, ma personalmente non avrei intrapreso il lavoro.

Grazie all’AI riesco a incrociare le performance di migliaia di URL non solo dal punto di vista quantitativo, ma anche semantico: individuo relazioni tra contenuti simili appartenenti a topic diversi, riconosco cluster tematici emergenti, analizzo l’evoluzione dell’interesse verso argomenti specifici e identifico pattern difficilmente rilevabili con le tradizionali query.

Il risultato non è solo un confronto di metriche, ma una prima interpretazione di ciò che sta accadendo nelle nostre property editoriali, da approfondire poi con i team SEO e le redazioni.

Dal risparmio di tempo alla creazione di valore

Dire che “l’AI fa risparmiare tempo” è corretto, ma non racconta l’intera storia. L’AI ha reso economicamente fattibile un’analisi che prima avrebbe richiesto un’enorme mole di lavoro umano, cambiando anche la qualità delle domande che possiamo porci.

Per molto tempo l’analisi digitale si è basata quasi esclusivamente su indicatori quantitativi: sessioni, utenti, conversioni, engagement, tempo medio. Sono numeri utilissimi, ma da soli non spiegano perché una property editoriale stia seguendo una certa direzione.

Stiamo aggiungendo un livello successivo: una volta individuati pattern, crescite, cali e differenze tra i vari topic, chiediamo al sistema di formulare possibili interpretazioni, ad esempio suggerire aree editoriali da rafforzare, temi per nuovi pillar o contenuti da dare maggiore visibilità.

Qui cambia radicalmente il grado di fiducia nell’AI. Per i dati quantitativi possiamo verificare calcoli, aggregazioni e criteri. Una raccomandazione, invece, richiede l’interpretazione dei numeri nel contesto specifico, il che rende indispensabile il coinvolgimento umano.

Il ciclo di feedback umano‑AI

Le analisi vengono condivise con SEO e direttori delle testate, che conoscono mercato, piano editoriale e audience meglio di qualsiasi modello. Le loro correzioni rientrano nel processo, migliorando le analisi successive. Questo mix di capacità della macchina di osservare enormi volumi di dati e della capacità umana di dare senso ai risultati è la parte più interessante del lavoro.

Dopo mesi di utilizzo, affinando le istruzioni, strutturando meglio gli input e introducendo controlli, ho ridotto notevolmente gli errori. Tuttavia, non lascio mai un’analisi senza verifiche: faccio controlli a campione su singole URL, verifico alcuni topic e confronto sempre i totali principali.

Sulla parte qualitativa sono ancora più prudente. Ho imparato a non essere troppo permaloso nei confronti dell’AI. Se il sistema suggerisce un problema, la prima reazione non dovrebbe essere “sta sbagliando”, ma piuttosto “forse ha rilevato un segnale da approfondire”.

L’impatto sull’apprendimento di SQL e sulle competenze operative

Ho imparato SQL per costruire query complesse, incrociare tabelle e capire le funzioni corrette. Prima consultavo la documentazione, cercavo esempi e facevo tentativi. Oggi spiego al modello quali tabelle ho, quali campi contengono e quale risultato voglio. Se l’input è preciso, una query che prima richiedeva tempo arriva quasi immediatamente.

Continuo a dover capire cosa sto facendo, ma la barriera d’ingresso è drasticamente diminuita. Spesso penso che, se avessi avuto questi strumenti all’inizio, probabilmente non avrei imparato SQL nello stesso modo.

Questo è un vantaggio, ma anche una riflessione importante: l’AI permette di acquisire rapidamente capacità operative che prima richiedevano studio e pratica. Tuttavia, è fondamentale comprendere a fondo la materia per riconoscere quando l’output è errato.

Evoluzione degli output AI

All’inizio tendevo a chiedere all’AI di replicare ciò che facevo già. Se dovevo preparare una presentazione, la chiederei di generare le slide nella stessa forma tradizionale. Con il tempo ho capito che l’AI può andare oltre la semplice replica, suggerendo nuovi layout, insight inattesi e modi più efficaci di comunicare i dati.

Questa evoluzione ha portato a:

Conclusioni: un futuro ibrido tra intelligenza artificiale e intelligenza umana

L’AI Data Analyst non sostituisce l’analista, ma ne amplifica le capacità. Automatizza le operazioni ripetitive, riduce gli errori di aggregazione e rende economicamente sostenibili analisi semantiche su larga scala. Allo stesso tempo, la centralità dell’interpretazione umana rimane imprescindibile: solo gli esperti di mercato possono contestualizzare le raccomandazioni e guidare le correzioni.

Il risultato è un ciclo virtuoso: l’AI fornisce dati e insight, gli specialisti li validano e li arricchiscono, e il feedback migliora gli algoritmi per le analisi successive. In questo modo, il marketing B2B può prendere decisioni più informate, rapide e strategiche, sfruttando appieno il potenziale della generative AI.