Servizi / Data Pipeline & BI
Data Pipeline & BI
KPI calcolati alla fonte, non in Excel
Pipeline ETL/ELT da gestionale, CRM, e-commerce e advertising verso un data warehouse, con semantic layer e dashboard su Metabase, Looker Studio o Power BI. Un’unica definizione per ogni KPI, aggiornata in automatico.

Fit assessment
Quando serve un data warehouse (e quando no)
A volte basta una dashboard collegata direttamente al gestionale. Quando sistemi e domande si moltiplicano, serve un layer dati dedicato.
Ha senso se
- I report si costruiscono a mano incrociando export da sistemi diversi.
- Lo stesso KPI ha valori diversi a seconda di chi lo calcola.
- Le query di reporting rallentano il gestionale in produzione.
- Servono dati puliti e storicizzati per analisi, forecast o agenti AI.
Non ha senso se
- C’è un solo sistema sorgente con una reportistica nativa adeguata.
- Le domande di business non sono definite: prima si scelgono i KPI, poi la pipeline.
- I dati sorgente sono inaffidabili e senza owner: prima serve data governance.
- Serve un singolo report una tantum: un’analisi ad hoc costa meno.
Reference architecture
Architettura di riferimento
Sei layer, dall’estrazione alla dashboard. Ogni trasformazione è codice versionato e testato, non una formula nascosta in un foglio.
01
Extract & load
Connettori verso ERP, CRM, e-commerce, advertising e file, con caricamenti incrementali e schedulati.
02
Storage
Data warehouse su BigQuery, PostgreSQL o Snowflake, con zone raw, staging e mart separate.
03
Transform
Modelli SQL in dbt con test, documentazione e lineage, dal dato grezzo alle tabelle di business.
04
Semantic layer
Definizione unica di metriche e dimensioni: fatturato, margine, CAC e churn si calcolano in un solo punto.
05
BI & delivery
Dashboard su Metabase, Looker Studio o Power BI, alert e report schedulati per ruolo.
06
Governance & quality
Test sui dati, freshness monitoring, ownership dei dataset e accessi per ruolo.
Use case
Progetti dati tipici
Pattern ricorrenti per PMI e mid-market. Non case study: ogni progetto parte da un assessment su sistemi e domande di business.
uc_01
Sales & margin analytics
Fatturato, margine e mix prodotto per cliente, canale e agente, da ERP ed e-commerce.
uc_02
Marketing performance
Spesa, lead e ricavi riconciliati per campagna, con ROAS e CAC calcolati su dati reali.
uc_03
Supply chain
Giacenze, rotazione, rotture di stock e lead time fornitori in un’unica vista.
uc_04
Customer analytics
Coorti, retention, LTV e segmentazione RFM per e-commerce e B2B.
uc_05
Financial reporting
Conto economico gestionale e cash flow aggiornati dal gestionale, senza chiusure manuali in Excel.
uc_06
Dati per l’AI
Dataset puliti e documentati come base per agenti, RAG su dati strutturati e modelli predittivi.
Data observability
Una dashboard sbagliata è peggio di nessuna dashboard
Ogni pipeline nasce con test, freshness e lineage. Le stesse metriche diventano i KPI del canone Run.
freshness
Freshness
Ritardo tra il dato sorgente e la sua disponibilità in dashboard, per dataset.
tests
Test pass rate
Test su unicità, nulli, range e relazioni, a ogni esecuzione.
anomalies
Volume anomalies
Alert quando righe o importi si discostano dal trend atteso.
lineage
Lineage
Da ogni KPI alle tabelle e ai sistemi sorgente che lo alimentano.
cost
Query cost
Costo di storage e query del warehouse, per dataset e per dashboard.
usage
Adozione
Chi usa quali dashboard e quanto spesso, per tenere solo ciò che serve.
Engagement model
Come lavoriamo sui dati
Lo stesso modello Discovery, Build e Run di tutti i nostri servizi, declinato su qualità del dato, definizione dei KPI e costi del warehouse.
01
Discovery
A progetto
- Inventario di sistemi e dati
- Definizione di KPI e domande di business
- Analisi della qualità dei dati sorgente
- Scelta di warehouse e strumenti BI
- Architettura target e stima dei costi
02
Build
Su milestone
- Connettori ed estrazioni incrementali
- Modelli dbt con test e documentazione
- Semantic layer e metriche
- Dashboard per ruolo
- Handover e training
03
Run
Canone mensile
- Monitoring di pipeline e freshness
- Gestione di anomalie e test falliti
- Nuove fonti, metriche e dashboard
- Ottimizzazione dei costi del warehouse
- Report mensile su qualità e utilizzo
Stack
Modern data stack, senza overkill
Strumenti scelti per volumi e budget di una PMI: niente piattaforme enterprise dove basta PostgreSQL. Codice versionato e portabile.
- BigQuery
- PostgreSQL
- Snowflake
- DuckDB
- dbt
- Airbyte
- Fivetran
- n8n
- Python
- Metabase
- Looker Studio
- Power BI
- Superset
- GA4
- Docker
FAQ
Domande frequenti su dati e BI
Serve davvero un data warehouse?
Se i dati arrivano da un solo sistema e le domande sono semplici, spesso no. Quando le fonti sono più di due o il gestionale soffre le query di reporting, il warehouse costa meno di quanto fa risparmiare.
Quanto costa mantenere l’infrastruttura?
Sui volumi tipici di una PMI, warehouse e strumenti open source o a consumo hanno costi contenuti. In discovery stimiamo storage, query e licenze sul tuo volume reale.
Possiamo continuare a usare Excel?
Sì: Excel e Google Sheets possono leggere i mart del warehouse. La differenza è che il dato arriva già pulito e con definizioni condivise, invece di essere ricostruito a mano.
Come gestite la qualità dei dati sorgente?
Test automatici a ogni caricamento, quarantena dei record anomali e report agli owner del sistema sorgente, così i problemi si correggono alla fonte.
I dati restano in Europa?
Sì: si scelgono region EU per warehouse e strumenti, oppure un deployment sulla tua infrastruttura.
Hai KPI che nessuno calcola allo stesso modo?
Mandaci i sistemi sorgente e le domande a cui vuoi rispondere. Rispondiamo con una prima valutazione.