ANALYTICS ORIENTATA ALLA DECISIONE
Data Analysis & Insight Engineering
Non colleghiamo il dato marketing ai dashboard, lo colleghiamo ai meccanismi decisionali. KPI tree, modellazione dbt, MMM bayesiano, test di incrementality e analytics self-serve — l'infrastruttura non della misurazione, ma dell'azione.
Analytics non è 'preparare dashboard'; è un sistema operativo in cui ogni grafico fa partire una decisione.
La maggior parte delle aziende annega dentro 40+ dashboard ma riceve cinque risposte diverse alla stessa domanda da cinque fonti diverse. I KPI si discutono, la decisione si rimanda, vince l'HiPPO. L'operazione analytics di Roibase nasce su sei principi che eliminano questa ambiguità; ogni principio produce decisioni, non dashboard.
METODOLOGIA
DIAGNOSE → MODEL → BUILD → AUTOMATE → VALIDATE → EDUCATE
I sei strati dell'operazione analytics; ciascuno produce un artefatto separato e, connettendosi agli altri, alimenta il ciclo decisionale.
DIAGNOSE
Inventario decisionale + mappa delle domande
Si elencano le 30 domande che i decision-maker fanno ogni settimana; si chiariscono fonte di risposta, frequenza, SLA e impatto.
MODEL
KPI tree + modello dati
Modelli dbt + semantic layer LookML o Metabase; versionati, testabili, documentati.
BUILD
Dashboard + sistema di alert
Dashboard per categoria di decisione (CAC, retention, revenue quality); alert con soglie + template di trigger.
AUTOMATE
Pipeline + refresh + monitoring
Orchestrazione del refresh con Airflow / Dagster / dbt Cloud; pipeline health + test di data quality + bot Slack.
VALIDATE
A/B + incrementality + validation MMM
Gli output del modello si confrontano con gli esperimenti; calibrazione con test di incrementality + simulazioni di scenario MMM.
EDUCATE
Data council + formazione self-serve
Data council mensile: quale domanda è rimasta senza risposta, quale dashboard non è stato usato, quale formazione self-serve serve.
— CONFRONTO
Dove ci differenziamo? BI classica vs analytics decision-driven
Un'azienda può pensare che 100 dashboard siano 'analytics'. In realtà il valore vero emerge quando ogni dashboard è legato a una decisione e ogni decisione a un'azione.
| Dimensione | BI in-house da sola | Agenzia di reporting classica | Analytics decision-driven Roibase |
|---|---|---|---|
| Definizione dei KPI | Sovrapposta tra unità | Template dell'agenzia | KPI tree + ownership scritta |
| Filosofia del dashboard | Abbondanza di grafici | Focus sul PPT trimestrale | Ogni grafico una decisione |
| Layer di modellazione dati | SQL ad-hoc + Excel | Reporting dentro le piattaforme | dbt + versionato + testato |
| Ingegneria cohort + LTV | Limitata alle metriche medie | Assente come report | D1-D90 + segmento + curva LTV |
| MMM + incrementality | Assenti | Tentativo su Excel | MMM bayesiano + geo-holdout |
| Anomalie / sistema di alert | Controllo manuale | Assente | Drift detector ML + Slack/email |
| Cultura self-serve | Data team collo di bottiglia | Report-driven | La business unit chiede da sola |
| Governance + PII | Policy assente | Non consapevole | PII tagging + retention + audit |
PROOF
Outcomes, measured
Numero di domande strategiche a cui si riesce a rispondere nel primo sprint.
Ore recuperate dal team marketing sulla preparazione manuale dei dashboard.
Ritmo di aggiornamento in base ai cambi di stagione + channel mix.
Range minimo di dati giornalieri per MMM + forecast.
SLA dbt + Airflow + monitoring; test di data quality inclusi.
Tempo medio dal brief al live per un nuovo pannello decisionale.
WHAT WE DO
Engagement scope
Every offering is an outcome-based work package. Roibase blends strategy and execution inside a single team — no hand-offs.
Architettura KPI tree
Ogni metrica marketing si collega direttamente a un output di business; ogni metrica ha un owner, una fonte, una soglia e una decisione innescata.
Decision-tree dashboard
Non grafici ma decisioni: pannelli disegnati con la logica 'a questa soglia questa azione'; ogni pannello per un ruolo, su una frequenza.
Layer dbt + warehouse + BI
Modelli dati versionati + testabili con dbt; su BigQuery / Snowflake / Redshift; con interfaccia LookML / Metabase / Lightdash.
Ingegneria cohort & retention
Tabelle cohort D1/D7/D30/D90, curve LTV, churn e resurrection per segmento — il comportamento reale sotto la media.
MMM bayesiano
Media, promo, stagionalità e variabili macro modellate insieme; Robyn + PyMC; refresh trimestrale + confidence band.
Modellazione di attribuzione
Approcci GA4 DDA + multi-touch attribution + shapley value; modello decisionale oltre il reporting biased delle piattaforme.
Test di incrementality
Test geo-holdout + matched-market; Meta Lift, GeoLift, framework in-house; affidabilità di riferimento per decisioni di budget.
Rilevamento anomalie
Per metriche che peggiorano in silenzio, drift detector basato su ML + forecast band + alert Slack/email; non al mattino, ma all'ora.
Analytics self-serve
Un ambiente in cui la business unit risponde da sola alle proprie domande (Metabase, Lightdash, Hex) + formazione + mentoring.
Data governance
PII tagging, schema registry, policy di retention, audit degli accessi, pacchetto documentale; operatività conforme KVKK + GDPR.
— OUTPUT
L'impatto dell'operazione dati sul lato decisionale
Più un'organizzazione prende decisioni velocemente, basate sui dati e ripetibili, più è avanti quando il mercato è imprevedibile.
Velocità decisionale
La risposta a tutte e 30 le domande strategiche è sul pannello; in riunione non si discute di dati, ma di azioni.
Meno HiPPO
Non è l'opinione della persona con stipendio più alto a decidere, ma i dati; il confronto avviene su metriche condivise.
Risparmio tempo di reporting
Le routine Excel manuali del team marketing finiscono; le ore recuperate vanno sull'analisi strategica.
Alert precoci + azione
Con ML drift detector + alert su soglia, le metriche che peggiorano vengono intercettate in ore.
Cultura self-serve
La business unit risponde da sola senza aspettare il data team; il data team si concentra sul lavoro strategico.
Accuratezza MMM + forecast
Con MMM bayesiano + calibrazione di incrementality la deviazione forecast resta in banda ±8%; la decisione di budget è sicura.
DELIVERABLE
Output mensili + trimestrali
Gli artefatti concreti dell'operazione analytics; ciascuno viene trasferito al tuo team, al 12° mese funziona in autonomia completa come runbook.
Inventario decisionale + mappa di 30 domande
Lista delle domande che i decision-maker fanno settimanalmente, fonte di risposta, SLA e dati mancanti.
KPI tree
Fonte, owner, soglia e decisione innescata di ogni metrica — un'unica board Miro / FigJam, versionata.
Repo dbt + modelli
Progetto dbt versionato + testabile; layer staging / intermediate / marts, documentazione inclusa.
Semantic layer (modelli LookML / Metabase)
Il layer di metric definitions comuni dietro le domande che la business unit porrà.
Pacchetto dashboard
Primi 15-25 pannelli per categoria di decisione (CAC, retention, revenue quality); ciascuno per ruolo + frequenza.
Sistema di alert con soglia
ML drift detector + forecast band + integrazione Slack/email; le metriche che peggiorano generano alert in ore.
Report cohort + retention
Tabelle D1/D7/D30/D90 + curve LTV + analisi churn per segmento + tasso di resurrection.
Modello MMM + report
MMM bayesiano (Robyn/PyMC); contribution dei canali + saturation + adstock + confidence band.
Protocollo test di incrementality
Framework geo-holdout e matched-market; template per pianificazione + esecuzione + analisi.
Runbook di data governance
PII tagging, schema registry, policy di retention, audit degli accessi — conforme KVKK + GDPR.
Sintesi mensile del data council
Quali domande hanno avuto risposta, quali no, quale dashboard è stato usato, lista di priorità per il mese successivo.
Materiale formativo self-serve
Per la business unit: video formativi Metabase / Lightdash / Hex + glossario SQL/gergo + dataset di pratica.
— PERIMETRO
Cosa è incluso, cosa no?
I confini dell'operazione analytics sono netti. Vederli in anticipo elimina aspettative sbagliate e scope creep.
Cosa copre questo servizio
- Inventario decisionale + primo sprint da 30 domande
- KPI tree + ownership scritta + documentazione versionata
- Setup repo dbt + layer staging/intermediate/marts
- Integrazione warehouse (BigQuery / Snowflake / Redshift / Databricks)
- Semantic layer LookML o Metabase
- Primi 15-25 dashboard + incremento trimestrale
- Anomaly detection basata su ML + sistema di alert con soglia
- Analytics cohort + LTV + retention — aggiornamento trimestrale
- MMM bayesiano (3 refresh/anno)
- Protocollo ed esecuzione di test di incrementality
- Runbook di data governance (PII, retention, audit)
- Data council mensile + flusso di formazione self-serve
Cosa non è incluso (scope opzionale)
- BI finance / contabilità (consulenza separata sul lato ERP)
- Costi di compute / licenze warehouse (contratto del cliente)
- Training di modelli ML custom (al di fuori del forecasting)
- Infrastruttura di streaming real-time (Kafka, Kinesis — scope separato)
- Consulenza privacy / legale (con avvocato partner)
- Rinnovi di licenze BI tool
- Acquisto dati di terza parte (panel, survey)
- Esecuzione delle operazioni marketing in sé (PPC / SEO / CRO sono servizi separati)
HOW WE WORK
Processo: dall'audit della settimana 1 alla governance dal mese 6+, operazione analytics end-to-end
Settimana 1-2 — Inventario decisionale + audit
Lista delle 30 domande strategiche, inventario dei dashboard attuali, salute delle fonti dati e diagnosi degli SLA.
Settimana 3 — KPI tree + schema
KPI tree scritto, metric definitions, ownership; decisione su warehouse schema + layer staging.
Settimana 4-5 — Modelli dbt + primi dashboard
dbt staging + intermediate + marts; pubblicazione dei primi 5-8 dashboard; stakeholder review.
Settimana 6-8 — Alert + cohort + refresh
Sistema di alert con soglia, report cohort + retention, pipeline di refresh dbt Cloud / Airflow.
Mese 3 — Training MMM + primi risultati
MMM bayesiano su 18 mesi storici; contribution dei canali + saturation + prima raccomandazione di revisione del budget.
Mese 4 — Protocollo test di incrementality
Framework geo-holdout o matched-market; primo test live, risultati dopo 4-6 settimane.
Mese 5 — Data council + formazione self-serve
Parte la routine mensile del data council; flusso di formazione self-serve Metabase / Lightdash per la business unit.
Mese 6+ — Refresh trimestrale + governance
Refresh MMM trimestrale, cycle di test di incrementality, audit di data governance; al 12° mese è possibile il passaggio di consegne completo.
— STACK STRUMENTI
Dallo warehouse al BI: lo stack analytics
Lavoriamo tool-agnostici; ma su ogni strato ci sono scelte chiare che generano più valore. Ci adattiamo al tuo stack attuale.
WAREHOUSE
MODELLAZIONE & TRANSFORM
BI & VISUAL
ML & MMM
QUESTIONS
Frequently asked
— GLOSSARIO
Terminologia analytics
Quando tra i team lo stesso termine significa la stessa cosa, la discussione accelera la decisione; quando significa cose diverse, cresce il sospetto.
- KPI Tree
- Struttura gerarchica ad albero delle metriche che si diramano dall'output di business principale verso il basso; ogni nodo innesca una decisione.
- dbt
- Data build tool — framework di trasformazione dati basato su SQL, versionato, testabile; lo standard dell'analytics engineering.
- Semantic Layer
- Il layer di metric definitions + business logic dietro il BI tool; con strumenti come LookML, modelli Metabase, Cube.
- Cohort
- Gruppo di utenti che condivide una caratteristica (data di registrazione, canale di acquisition); si analizza il comportamento nel tempo.
- LTV (Lifetime Value)
- Valore totale lifetime di un cliente; gross margin × retention × frequenza d'ordine × valore del carrello.
- Retention
- Percentuale di utenti acquisiti ancora attivi in una finestra temporale (D1, D7, D30, M1, M3). In SaaS e mobile games è una lettura diretta del product-market fit; una curva di coorte che si appiattisce è la firma di un prodotto sano.
- Churn
- Percentuale di utenti che lascia la customer base attiva in una finestra temporale. Nel subscription colpisce direttamente l'MRR; nell'e-commerce è l'inverso del repeat rate. Si separa in voluntary (cancellato) e involuntary (fallimento pagamento); si riduce con onboarding, pricing e messaging lifecycle.
- MMM (Marketing Mix Modeling)
- Modello che stima la contribution dei canali con statistica bayesiana; richiede 18-24 mesi di dati storici.
- Incrementality
- Le conversioni aggiuntive che non sarebbero avvenute senza un canale; si misura con test geo-holdout, indipendente dall'attribution.
- Anomaly Detection
- Ombrello di tecniche che segnalano automaticamente valori fuori dal range atteso in metriche time-series (KPI, conversion, latenza, signal fraud). Si usano STL decomposition, Prophet, isolation forest, modelli OoD neurali; il cervello di alerting e dashboard di observability.
- Self-Serve Analytics
- Ambiente analytics in cui la business unit risponde alle proprie domande senza aspettare il data team; con Metabase, Lightdash, Hex.
- Data Governance
- L'insieme delle policy di qualità, controllo accessi, gestione PII, retention e audit; conformità KVKK/GDPR.
- ETL / ELT
- Extract → Transform → Load (legacy) vs Extract → Load → Transform (moderno). Approcci per spostare i dati dalla sorgente al warehouse. L'ELT poggia sul compute economico dei DW cloud; dbt + BigQuery/Snowflake/Databricks è lo standard attuale.
- Data Lake
- Archivio centrale per tutti i dati strutturati e non strutturati (log, immagini, video, raw event) senza imporre schema. Su S3, GCS o ADLS con formati Parquet/Iceberg/Delta Lake; complementa il warehouse e fonda l'architettura lakehouse.
- Stream Processing
- Elaborare i dati come flusso di event in tempo reale invece che a batch. Stack comuni: Kafka + Flink/Spark Streaming/Kinesis + ksqlDB; use case: fraud detection, personalizzazione real-time, telemetria IoT, anomaly alerting.
- Data Contract
- Contratto pre-concordato fra produttori e consumatori di dati su schema, semantica, SLA e ownership. Si gestisce con dbt + Great Expectations + JSON Schema; il muro più affidabile contro la sorpresa "un modello downstream si è rotto".
— DIAGNOSI RAPIDA
Sei pronto per un'operazione analytics?
Un navigatore interattivo in quattro domande che ti mostra il livello di programma più adatto. Risposte Sì/No, risultato in 30 secondi.
01 / 04
Al momento hai più di 10 dashboard attivi o report Excel?
L'abbondanza di dashboard è uno dei sintomi classici della mancanza di decisioni.
— LET'S BEGIN
I tuoi dashboard innescano decisioni o sono solo decorazione?
Diagnostica analytics di 60 minuti: inventario KPI attuale, grafo di dipendenza dei dashboard, salute delle fonti dati e raccomandazione di roadmap a 90 giorni — in un unico pannello.