Scenari tipo,
impatto misurabile.

Il contesto

Una piccola società di consulenza B2B di 12 persone, attiva nei servizi alle imprese. Il management aveva la sensazione che alcuni clienti fossero poco profittevoli ma non riusciva a quantificarlo. I report mensili venivano composti a mano incrociando tre Excel diversi — un'attività che richiedeva ~10 ore al mese a un senior, con margini di errore frequenti.

Il problema

Nessuna visione consolidata della redditività per cliente. Le decisioni commerciali (chi licenziare, su chi investire, dove rinegoziare) venivano prese a sensazione. Il rischio era continuare a servire clienti a margine negativo senza accorgersene.

L'approccio

Abbiamo lavorato in tre settimane con consegne intermedie. Settimana 1 dedicata alla mappatura e pulizia dei dati. Settimana 2 alla definizione dei 10 KPI con il management e alla costruzione della dashboard. Settimana 3 alla formazione del team e al training di un referente interno.

Fonti integrate: contabilità (export CSV mensile), CRM (Hubspot via API), fogli ore (Google Sheets). Dataset unificato costruito in Python con pandas, dashboard pubblicata su Power BI Service con accesso utenti gestito.

L'insight chiave

Il 20% dei clienti generava il 69% del margine totale, mentre altri 3 clienti operavano in regime di margine negativo da oltre 6 mesi. Questo dato — invisibile prima del progetto — ha guidato la successiva rinegoziazione dei contratti e ha permesso di liberare capacità per clienti più redditizi.

L'impatto a 6 mesi

Tempo di reporting ridotto del 80% (da 10h a 2h al mese). Margine medio per cliente migliorato grazie alle azioni intraprese sui clienti meno profittevoli. Decisioni commerciali ora basate sui numeri, non sulla percezione.

Il contesto

Società di servizi alle imprese con 20 persone. Il volume mensile di pratiche da gestire variava sensibilmente di mese in mese, ma senza una previsione affidabile. La pianificazione delle risorse veniva fatta "a sentimento", generando alternativamente straordinari e periodi di sotto-utilizzo.

Il problema

Nessuna previsione strutturata del carico di lavoro. Conseguenze: ricorso frequente a straordinari nei picchi (costoso e demotivante), capacità ferma nei mesi calmi (margine eroso). Difficoltà di pianificare assunzioni e ferie.

L'approccio

5 settimane di lavoro. Pulizia e normalizzazione di 24 mesi di dati (Excel + estrazione CRM). Costruzione di un modello ARIMA con regressori esterni (stagionalità settoriale, calendario fiscale). Validazione out-of-sample sugli ultimi 3 mesi disponibili. Dashboard Power BI con forecast mensile a 6 mesi e intervallo di confidenza.

L'insight chiave

Il 60% del carico annuo si concentrava in 4 mesi specifici (legati a scadenze fiscali). Il modello ha confermato e quantificato questa intuizione, permettendo di pianificare con largo anticipo l'allocazione delle risorse e l'eventuale ricorso a freelance.

L'impatto a 6 mesi

Riduzione del 30% dei picchi di sovraccarico, aumento di 12 punti percentuali nell'utilizzo medio delle risorse, possibilità di pianificare le ferie con due mesi di anticipo invece che due settimane. Decisioni di assunzione ora prese sui dati.

Il contesto

Agenzia di servizi digitali con 15 persone. I report settimanali per i clienti venivano costruiti a mano incrociando 5 fonti diverse: Excel interno, CRM, Google Ads, Meta Ads, contabilità. Il processo prendeva 10 ore a settimana al team operativo, con frequenti disallineamenti tra le diverse fonti.

Il problema

Processi lenti e soggetti a errori. Dati disallineati tra report diversi (numeri diversi nello stesso meeting). Nessuna visione unica delle performance per cliente. Ore preziose del team senior spese su attività ripetitive a basso valore.

L'approccio

4 settimane. Mappatura delle 5 fonti dati e definizione del set di KPI standard cross-cliente. Pipeline automatica costruita in Python (estrazione → trasformazione → caricamento su database PostgreSQL). Dashboard Power BI collegata al database con refresh giornaliero. Generazione automatica di report PDF settimanale via Power Automate, recapitato via email ai responsabili di account.

L'insight chiave

Una volta automatizzata la reportistica, l'agenzia ha liberato circa 30 ore al mese da dedicare a strategia e crescita commerciale. Il valore non era solo nelle ore risparmiate, ma nella qualità del tempo riassegnato.

L'impatto a 6 mesi

Riduzione del 90% del tempo dedicato al reporting, errori umani azzerati, KPI aggiornati ogni giorno. Il management ha guadagnato anche maggiore credibilità verso i clienti grazie ai report puntuali e consistenti.