Lo stack moderno non è una lista di strumenti. È una sequenza di responsabilità.

Quando una PMI inizia a parlare di modern data stack, la conversazione rischia di diventare subito vendor-driven: Snowflake o BigQuery? dbt o SQL puro? Fivetran o Airbyte? Power BI o Looker? Sono domande legittime, ma arrivano dopo una domanda più importante: quale sistema operativo dati può sostenere l’azienda nei prossimi tre anni?

Uno stack corretto deve essere abbastanza robusto da crescere, ma abbastanza semplice da essere capito dal team interno. Se richiede competenze che l’azienda non avrà mai, crea dipendenza. Se è troppo debole, diventa un altro Excel centralizzato.

Perché il tema è urgente per le PMI

Eurostat segnala che nel 2024 il 73% delle PMI europee ha raggiunto almeno un livello base di intensità digitale, ancora circa 20 punti percentuali sotto l’obiettivo UE 2030. La Commissione Europea sottolinea che AI, cloud e big data stanno crescendo, ma devono accelerare.

Questo significa che molte PMI sono in una fase intermedia: hanno strumenti digitali, ma non sempre una vera architettura dati. Il salto di qualità non è comprare un altro software. È collegare i sistemi in modo coerente.

La struttura minima di uno stack dati

1. Sorgenti

ERP, CRM, e-commerce, sistemi di produzione, file Excel e database operativi. Il primo lavoro è capire quali sorgenti contengono dati decisionali e quali sono solo rumore.

2. Ingestion

È il modo in cui i dati entrano nell’ambiente analitico. Può essere manuale all’inizio, ma deve diventare automatizzato e monitorato. Strumenti come Fivetran o Airbyte hanno senso quando riducono manutenzione, non quando aggiungono complessità.

3. Data warehouse

È la fonte unica di verità. Per una PMI, cloud warehouse come BigQuery o Snowflake possono essere adatti, ma anche PostgreSQL può bastare in architetture più leggere. La scelta dipende da volume, competenze, budget e requisiti di sicurezza.

4. Trasformazioni

Qui i dati grezzi diventano metriche. dbt è utile quando esiste una logica SQL riusabile, versionabile e testabile. Se il team non è pronto, si può partire con trasformazioni più semplici, purché documentate.

5. BI e routine decisionali

Power BI, Tableau, Looker o Metabase sono l’ultimo miglio. Il dashboard non deve impressionare: deve essere usato. Per questo va progettato insieme alla routine di gestione: chi lo guarda, quando, con quale decisione attesa.

Tre architetture pragmatiche

Base: controllo direzionale essenziale

Sorgenti principali: ERP, contabilità, vendite.
Warehouse leggero o database analitico.
Dashboard direzionale con KPI economici, commerciali e operativi.
Obiettivo: ridurre dipendenza da Excel e manualità mensile.

Intermedia: multi-sorgente e controllo ricorrente

Ingestion automatizzata da ERP, CRM, e-commerce o produzione.
Data warehouse cloud.
Trasformazioni documentate e testate.
Dashboard per direzione e funzioni.

Avanzata: analytics e AI-ready

Pipeline monitorate con alert di qualità.
Modello dati documentato e governato.
Storico sufficiente per forecast e anomaly detection.
Permessi e data lineage per usi AI e reporting sensibile.

Il criterio di scelta: manutenzione, non moda

Ogni tecnologia porta un costo nascosto: manutenzione, competenze, monitoraggio, incidenti, documentazione. La domanda corretta non è “qual è lo strumento migliore?”, ma “chi lo manterrà quando il progetto sarà finito?”.

Una boutique data agency deve progettare per autonomia. Se lo stack resta comprensibile, il cliente cresce. Se diventa una scatola nera, anche la tecnologia migliore perde valore.

Fonti citate

Eurostat, Digitalisation in Europe 2025

European Commission, State of the Digital Decade 2025

OECD, SME digitalisation for competitiveness: The 2025 D4SME Survey