12 maggio 2026 | 2 min lettura | Saggio
Dal Monitoraggio alla Comprensione
Dal monitoraggio reattivo a sistemi che indagano ogni ipotesi in sottofondo, alla velocità con cui cambiano i dati.
Nel mio ultimo pezzo sostenevo che ogni dashboard è un perimetro, e che i problemi più costosi di un’azienda si trovano al di fuori di esso. In quella riflessione affrontavo i limiti dell’analisi statica. Qui parliamo di ciò che viene dopo.
Se il problema è il perimetro, la reazione naturale è allargarlo. Si aggiungono altre dashboard e altri KPI. Si acquista un copilot (o si sviluppa, in fondo nel 2026 il software è ormai un problema risolto, no?) che permette a chiunque di interrogare il data warehouse in linguaggio naturale. Non sono mosse sbagliate, ma nessuna di esse modifica davvero il modo in cui lavoriamo con i dati oggi. Una persona ha una domanda, e uno strumento la aiuta a trovare una risposta.
Questo modello ha un limite intrinseco. Presuppone che le domande meritevoli di essere poste siano quelle che si sa già di dover porre, mentre nella pratica accade il contrario. Le domande che contano davvero sono quelle che nessuno ha ancora formulato, spesso perché nessuno immaginava fossero possibili. Pensiamo a un sensore che presenta una deriva ogni martedì, o ai difetti di produzione che aumentano improvvisamente quando l’umidità supera una soglia per cui nessuno ha impostato un allarme. Nessuno si sveglierà una mattina per digitare quella query in una dashboard, e nessun copilot saprà rispondere, perché la domanda non è mai stata posta. È questo il divario tra monitoraggio e comprensione.
Il monitoraggio ci dice se i numeri che abbiamo scelto di osservare rientrano negli intervalli che abbiamo scelto di accettare. È reattivo per natura, e presuppone che il mondo continui a comportarsi come si comportava nel momento in cui lo abbiamo configurato. La comprensione è qualcosa di diverso. Comprendere significa chiedersi di continuo cosa stia accadendo nei dati e perché stia accadendo. Significa svolgere il lavoro di un team di data science come un processo costante che opera in sottofondo, alla velocità con cui i dati cambiano realmente.
La ragione per cui oggi la maggior parte delle aziende non dispone di tutto questo è una questione di capacità. Un’indagine seria richiede ore o giorni di lavoro a un analista. Si formula un’ipotesi, si estraggono i dati per verificarla, e poi la si abbandona oppure la si approfondisce. Moltiplichiamo tutto questo per le centinaia di ipotesi che varrebbe la pena verificare in un’azienda reale, e si capisce perché un lavoro simile non venga mai portato a termine. Le ore di lavoro disponibili semplicemente non bastano.
Il cambiamento su cui scommettiamo in Southwind è il passaggio da persone che decidono cosa osservare a sistemi che osservano tutto e segnalano alle persone ciò che merita la loro attenzione. Le dashboard e i copilot restano. Ciò che si aggiunge sopra di essi è nuovo: uno strato che conduce indagini in modo continuo, in sottofondo, affinché i segnali che contano emergano da soli.
Il monitoraggio ci avverte quando qualcosa che ci aspettavamo potesse rompersi si è effettivamente rotto. La comprensione ci rivela cosa sta accadendo senza che lo avessimo mai cercato. Il primo è necessario. La seconda è il luogo in cui il valore si è nascosto da sempre.