Puntata 150 — Per analisti

Livello: ✔️✔️ Doppie Spunte Blu · Capitolo 14 · AI al lavoro nei mestieri

Excel, dati, grafici al volo. L’AI ha appena promosso il junior analyst a senior, e il senior analyst a chi fa le domande giuste — perché le risposte ora le tira fuori il modello.

una scrivania con due monitor. Su uno, un foglio Excel di 50 colonne e 20.000 righe. Sull’altro, una dashboard pulita con 3 grafici, una frase di insight evidenziata in giallo e un cursore di chat che chiede “altre domande?”

Lo skill set che è cambiato in 18 mesi

Prima del 2023, l’analista dati era definito da:

Tool literacy: Excel/SQL/Tableau/Python avanzato.
Data wrangling: pulizia, normalizzazione, join.
Statistical literacy: significatività, test, distribuzioni.

Nel 2026, la tool literacy vale meno (l’AI scrive le formule, le query, le viz). La statistical literacy vale di più (devi sapere quando un’analisi è ben fatta, non se la sintassi della funzione è giusta).

Il vantaggio competitivo si è spostato dal come fai al cosa chiedi e come interpreti.

I tool nuovi (e quelli vecchi con superpoteri)

Tool	Cosa fa di nuovo
Excel Copilot	Formule + analisi naturali (“riassumi le vendite per area”)
Google Sheets + Gemini	Idem, dentro Sheets
ChatGPT Advanced Data Analysis	Carichi un .csv, fai domande in italiano, genera grafici
Claude with Artifacts	Idem, ottimo per analisi multi-step e codice
Cursor / Hex	Notebook AI-native per data scientist
Julius.ai / Rows.com	Spreadsheet-native AI
Mode / Hex	BI con SQL assistant integrato
Tableau Pulse / Power BI Q&A	Dashboard interrogabili a voce
DuckDB + SQL chat	Query rapida su CSV multipli con AI

Per uso quotidiano office: Copilot in Excel o Gemini in Sheets coprono il 70% dei task. Per analisi seria con file grandi (>1M righe): ChatGPT ADA o Claude con upload. Per data team in azienda: Hex o Mode con SQL assistant.

I 6 task quotidiani dove l’AI fa risparmiare ore

1. Pulizia dati (data wrangling)

File CSV allegato. Pulisci:
- normalizza date in YYYY-MM-DD
- valori "n/d" e "—" diventano NULL
- email in minuscolo, trim spazi
- rimuovi duplicati su (email, data_evento)
Mostra cosa cambia in 5 esempi.

Tempo: 2 minuti. Prima: 30-60 minuti di regex e formule.

2. Pivot complesse

Invece di costruire pivot a mano:

Crea pivot: righe = paese, colonne = trimestre,
valori = somma_ricavi. Aggiungi totale_riga e
delta_vs_q_precedente. Evidenzia in rosso i paesi
con calo >10%.

Excel Copilot lo fa nella pivot nativa.

3. Formule oscure

Scrivi la formula Excel per calcolare il
percentile 90 dei tempi di consegna, escludendo
gli ordini con stato "cancellato" e gli
outlier oltre 3 deviazioni standard.

Output: formula corretta + spiegazione del perché. Più rapido che googlare 20 minuti.

4. Da CSV a insight

ChatGPT ADA o Claude:

Allegato: vendite_2025.csv (450k righe, 18 colonne).
Trovami:
- top 3 categorie per crescita YoY
- prodotti che stanno performando peggio della loro categoria
- anomalie significative (vendite negative, ordini > 100x media)
Mostra il codice Python che hai usato.

Risposta: ~30 secondi. Codice replicabile per audit.

5. Visualizzazione veloce

Carichi i dati. “Grafico migliore per mostrare evoluzione 3 metriche nel tempo, con scale diverse, 12 mesi.” L’AI sceglie tipo viz (dual-axis line? small multiples?) e lo genera.

6. SQL “in italiano”

Database Postgres con tabelle [users, orders, products].
Voglio: utenti che hanno fatto >5 ordini negli ultimi
3 mesi ma 0 negli ultimi 30 giorni. Aggiungi nome,
email, valore medio storico.

L’AI scrive la query con CTE, joins, window functions. Tu rileggi prima di runnare in prod.

L’errore #1: fidarsi del numero

L’AI sbaglia spesso su:

Inferenze causali (correlation ≠ causation).
Aggregations sottili (somma di percentuali non è una percentuale).
Time zone e fusi (UTC vs locale).
NULL handling (COUNT(*) vs COUNT(col)).
Outlier influence (medie sensibili a outlier).
Statistical significance (riporta “trend” su p=0.3).

Regola d’oro: verifica sempre il risultato chiave con un metodo indipendente. Se l’AI dice “ricavi +15%”, verifica con una query semplice da te. Se l’AI dice “il modello A è migliore di B”, verifica i numeri di partenza.

Il caso “junior analyst superpower”

Esempio reale 2025 (dal mio mestiere). Un junior analyst si chiede: “Perché il churn è cresciuto a marzo?”.

Workflow pre-AI (5-7 giorni):

Apre dashboard, conferma churn growth.
Tira giù un export, prova a segmentare in Excel.
Chiede a un senior come fare la cohort analysis.
Scrive una bozza SQL, la corregge 3 volte.
Crea il grafico, lo presenta. Riceve domande, ricomincia.

Workflow 2026 (1 giorno):

Apre Hex/ChatGPT, carica il dataset.
“Cohort analysis del churn per data di acquisizione, 12 mesi. Mostra heatmap.” → 2 minuti.
“Quali cohort hanno peggior retention a 6 mesi? Per quei cohort, mostra la fonte di acquisizione.” → 2 minuti.
“Confronta retention dei utenti acquisiti via paid social vs organic. Significatività?” → 1 minuto.
Trova insight: una campagna paid Facebook di gennaio ha attratto utenti low-quality. Presenta.

Il senior analyst guarda e dice: “L’analisi è giusta, il grafico è chiaro. Domanda da senior: cosa fai con questo insight?” — e lì serve esperienza umana, non l’AI.

L’AI ha promosso il junior a senior sul task analitico. Ma il senior ora deve essere manager / interpreter / decision-maker, non solo analyst.

Privacy e dati sensibili

Se carichi un CSV con dati clienti su ChatGPT, i dati possono finire nei loro server (anche se OpenAI dichiara di non usarli per training se sei su piani business). Per dati veramente sensibili:

✅ Soluzioni “safe”:

ChatGPT Enterprise o Claude for Work: zero retention contrattuale.
Microsoft Copilot for M365: i dati restano nel tuo tenant Azure.
Locale: Code Interpreter via Jupyter + Ollama (puntate 227-228 del livello Yoda).
Anonymize first: rimuovi PII (nomi, email, numeri) prima di caricare.

⚠️ Mai caricare:

Dati sanitari, finanziari, legali clienti.
Credenziali, secrets, token.
Strategia aziendale riservata.

Lo stack 2026 di un team analytics

Strato	Tool tipici
Storage	Postgres / BigQuery / Snowflake
Modellazione	dbt (con dbt Copilot 2025)
BI	Tableau / Power BI / Looker / Mode
Notebook	Hex / Deepnote / Jupyter
AI chat layer	ChatGPT Enterprise / Claude Pro / Excel Copilot
ETL	Fivetran / Airbyte (entrambi con AI helpers)

Un analyst che padroneggia 3-4 di questi è molto richiesto nel 2026.

TEST pratico (25 minuti)

Esporta un CSV reale dal tuo lavoro (anonymized se necessario): vendite, clienti, eventi, qualsiasi cosa.
Caricalo su ChatGPT Advanced Data Analysis o Claude (entrambi accettano allegati).
Fai 3 domande in italiano semplice:
- “Qual è la metrica più interessante in questo dataset?”
- “Trovami 3 anomalie.”
- “Suggerisci 2 grafici utili per il management.”
Verifica i numeri con una formula Excel manuale.
Riflessione: l’AI ha trovato qualcosa che tu non avresti trovato in 30 minuti? In che percentuale ti fidi del suo output senza verifica?

Glossario lampo

Data wrangling: tutta la fase di pulizia, normalizzazione, trasformazione dati prima dell’analisi. Storicamente l’80% del tempo di un analista.
Cohort analysis: analisi che segmenta utenti/eventi per gruppo di appartenenza (es. mese di acquisizione) e ne segue le metriche nel tempo.
Window function: SQL avanzato per calcoli su “finestre” di righe (ranking, moving avg, ecc.).
PII (Personally Identifiable Information): dati che identificano una persona (nome, email, IP, ID fiscale).

Take-away in una riga

L’AI ha promosso l’analyst junior al livello del senior sui task analitici, e ha promosso il senior a chi fa le domande giuste e interpreta. Il vantaggio non sta più nel “saper fare la pivot” — sta nel “sapere cosa chiedere”.

➡️ Prossima puntata: Per studenti universitari — studiare, non barare. La linea sottile e i 3 workflow che reggono in qualsiasi facoltà.