Dal dato ERP all'intelligenza commerciale — data warehouse, strato semantico e versione unica di verità

La constatazione. La maggior parte delle PMI industriali conserva già, dentro il proprio ERP, quasi tutto ciò che servirebbe a una buona decisione commerciale : ogni ordine, ogni riga di fattura, ogni movimento di magazzino è registrato. Eppure la stessa domanda torna in riunione : quali prodotti accelerano, quali rallentano e quante settimane di copertura ci restano? L'informazione esiste ; semplicemente non è resa leggibile. Trasformare il dato transazionale in intelligenza commerciale non è un progetto di strumento : è una questione di modellazione, governance e disciplina.

Perché l'ERP da solo non basta

Un ERP è fatto per eseguire transazioni, non per analizzarle. Il suo schema è normalizzato per l'integrità di scrittura. Ciò che è eccellente per l'inserimento diventa ostile alla lettura analitica : una domanda semplice come « qual è la velocità di questo prodotto per mercato su dodici mesi? » può richiedere di unire da cinque a dieci tabelle, con rischio reale di doppio conteggio. Bill Inmon formulò già negli anni Novanta la distinzione fondante : sistemi transazionali (OLTP) e analitici (OLAP) non hanno la stessa forma né la stessa finalità.

Il modello data warehouse e strato semantico

La risposta classica, tuttora valida, è separare i due mondi. Si estrae il dato dall'ERP verso un data warehouse (o un lakehouse moderno), lo si modella per l'analisi e si espone uno strato semantico : un dizionario condiviso dove « ricavo netto », « margine » o « velocità » hanno un'unica definizione, calcolata una sola volta, per tutti.

• Modellazione dimensionale — il metodo di Ralph Kimball organizza il dato in tabelle di fatti (ordini, righe fattura) e di dimensioni (prodotto, cliente, mercato, tempo).
• Strato semantico — gli indicatori si definiscono una volta, a monte dei cruscotti.
• Cruscotti per responsabile — ogni responsabile di mercato vede solo il proprio perimetro, con le stesse definizioni.

Velocità e copertura, due indicatori sobri

La velocità è il ritmo di vendita di una referenza — unità a settimana, lisciate. La copertura traduce lo stock disponibile in settimane di vendita alla velocità corrente. Alta velocità e bassa copertura è una rottura annunciata ; bassa velocità e alta copertura immobilizza liquidità. Nessuno dei due si legge nell'ordine grezzo ; emergono quando il dato è ben modellato.

Dato governato, o la versione unica di verità

Il vero ostacolo non è quasi mai tecnico : è la governance. Chi possiede la definizione di un indicatore, chi valida la qualità di una dimensione, chi decide quando due numeri divergono. Senza disciplina, ogni squadra ricostruisce il proprio foglio di calcolo e si ricade nelle molteplici versioni della verità. Una versione unica si costruisce con un proprietario nominato, definizioni scritte e un principio di sola lettura sui sistemi sorgente.

Dove ci collochiamo

Montandor Andorra è una maison giovane e costruisce i propri cruscotti commerciali direttamente sul dato vivo del proprio ERP — in sola lettura, con definizioni condivise e un proprietario per indicatore. Vogliamo che un responsabile di mercato e la direzione leggano lo stesso numero e decidano più in fretta.

“Il dato ha valore solo se porta a una decisione migliore, prima. La nostra esigenza è semplice : una definizione per indicatore.”
— Wouter Meijboom, CEO, Montandor Andorra.

Fonti

• Ralph Kimball & Margy Ross — The Data Warehouse Toolkit, 3ª ed. (Wiley).
• William H. Inmon — Building the Data Warehouse (OLTP / OLAP).
• DAMA International — DMBOK (governance e qualità del dato).
• McKinsey & Company — impresa data-driven, 2018-2023.
• Harvard Business Review — McAfee & Brynjolfsson, Big Data, 2012.
• GS1 — standard di identificazione prodotto (GTIN).

Ricerca condotta da Hélène Vincent (Growth & Analytics Lead), in collaborazione con Lev Marchuk (Data Scientist) e Chloé Garnier (Head of Architecture).