Data Governance per l’impresa industriale

Qualità del dato, processi aziendali e intelligenza artificiale: un approccio per la direzione

Destinatari

La proposta formativa è indirizzata principalmente al “middle-management”, ovvero a figure professionali con ruoli di responsabilità operanti all’interno del mondo Operations e Supply Chain, Commerciale e Acquisti. Non sono richieste competenze tecniche: il corso non tratta architetture dati, piattaforme di data management o linguaggi di programmazione, ma il modo in cui la direzione può valutare, governare e valorizzare i dati dell’azienda.

Finalità

Il corso offre a imprenditori e manager un metodo concreto per riconoscere le criticità legate alla qualità dei dati e valutarne l’impatto sui processi e sulle decisioni aziendali. I partecipanti acquisiranno criteri chiari per valorizzare il patrimonio informativo dell’impresa, comprendendo quando sia opportuno strutturare e migliorare i dati e quando, invece, ricorrere all’intelligenza artificiale. L’obiettivo è orientare gli investimenti, definire le priorità d’intervento e costruire una prima roadmap sostenibile per l’azienda. 

Contenuti

La mattina è dedicata alla lettura dei dati attraverso i processi e alla valutazione della loro qualità (moduli 1–3); il pomeriggio alla scelta tra strutturazione e AI, ai casi, alle demo e alla roadmap (moduli 4–7).

Modulo 1: I dati come tema di direzione

Come si manifestano i problemi di dati nei processi quotidiani, quanto costano in tempo, errori e decisioni non fondate, e perché la loro soluzione non può essere delegata soltanto all’IT o all’acquisto di un nuovo software.Supply Chain Management: un approccio circolare e per processi

Modulo 2: Leggere i dati attraverso i processi 

Dai principali processi aziendali (offerta-ordine-consegna, acquisti, pianificazione e produzione, sviluppo prodotto, post-vendita) alle informazioni che ciascuno genera e utilizza: dove nascono, chi le modifica, chi le consuma, dove si interrompono i passaggi tra funzioni. Il responsabile di processo come primo responsabile del dato. 

 

Modulo 3: Valutare la qualità del dato con il DAMA-DMBoK

Il DAMA-DMBoK come riferimento pratico, senza tecnicismi: le dimensioni della qualità (completezza, accuratezza, coerenza, tempestività, validità, unicità) e le aree di gestione del dato usate come griglia per valutare ciascun processo e individuare le cause organizzative dei problemi. Esercitazione: autovalutazione guidata di un processo della propria azienda.

Modulo 4: Dati strutturati e non strutturati: dove si trova il patrimonio informativo

Gestionali, MES e database da un lato; cataloghi, schede tecniche, capitolati, manuali, verbali ed email dall’altro. Come censire rapidamente le fonti informative e riconoscere quali sostengono le decisioni e le attività a maggior valore.

Modulo 5: Strutturare o usare l’AI? Una scelta di costi e benefici

Tre strade possibili: strutturare e bonificare i dati per poi utilizzarli con strumenti tradizionali; far lavorare l’AI direttamente sui contenuti non strutturati; usare l’AI per estrarre e strutturare le informazioni. I criteri per scegliere: frequenza e volumi d’uso, precisione richiesta, necessità di tracciabilità, stabilità dei contenuti, costo della strutturazione, impatto di un errore. Una matrice decisionale applicata a casi concreti.

Modulo 6: Casi ed esempi: dal lavoro preliminare sui dati agli agenti AI

Casi di analisi preliminare dei dati in contesti manifatturieri, ad esempio la valutazione di anagrafiche articoli, distinte base e dati di processo prima di un progetto di evoluzione dei sistemi. Demo dal vivo di due agenti AI: il primo interroga un database; il secondo consulta un catalogo e una documentazione tecnica non strutturata. Per ciascuno: che cosa funziona, che cosa richiede ai dati, dove può sbagliare e come si controlla.

Modulo 7: Dalla diagnosi alla roadmap

Come ordinare gli interventi: quick win, bonifiche indispensabili, primi casi d’uso AI, ruoli e regole minime per mantenere la qualità nel tempo. Le domande da porre a fornitori e consulenti prima di avviare un progetto su dati o intelligenza artificiale.

Docenti

Federica Candotti
Project & Innovation Management Consultant | Quin SpA Vent’anni di esperienza sui dati aziendali: dai sistemi gestionali ERP e CRM (SAP, Oracle, Microsoft Dynamics), alle data platform che ne integrano i dati con altre fonti come IoT e sistemi di produzione, fino ai KPI, alla reportistica direzionale e alle applicazioni di intelligenza artificiale. Federica Candotti ha maturato questa esperienza seguendo progetti di implementazione in Italia e all’estero per aziende internazionali come Fameccanica (Angelini Industries), Orthofix, PRAMAC e Costa Crociere e in società di consulenza, con un’attenzione costante alla qualità del dato. Oggi è Project & Innovation Management Consultant in Quin SpA, dove si occupa di trasformazione digitale e ridisegno dei processi aziendali. Ingegnere gestionale con un International Master in Economics presso MIB School of Management di Trieste, è certificata PMP®.

Luca Comello
Chief Solutions Officer e Head of Project Management & Innovation | Quin SpA Dopo una lunga esperienza manageriale in aziende internazionali come illycaffè ed Electrolux, dove si è occupato di sviluppo prodotto, gestione di progetti e programmi complessi e creazione di PMO, oggi Luca Comello ricopre in Quin SpA il ruolo di Chief Solutions Officer e guida la Business Unit di Project & Innovation Management. Si occupa di trasformazione digitale, innovazione dei modelli di business, Project Management, ridisegno organizzativo e reingegnerizzazione dei processi, con un focus crescente sui temi della sostenibilità e dell’Intelligenza Artificiale applicata ai processi aziendali e decisionali. Ha inoltre pubblicato libri e articoli, in Italia e all’estero, sulla teoria della complessità applicata alle scienze manageriali, collaborando con l’Università degli Studi di Udine. È certificato PMP® e APICS.

Dettagli corso

Cerca nel sito


Link convenzioni
Link virtual Tour

Prossimi convegni