KPI logistici e business intelligence: perché il problema non è la dashboard

Quasi un’azienda committente italiana su tre ha già avviato almeno un progetto di intelligenza artificiale nei processi logistici, e nell’arco di tre anni la quota salirà al 44%. Tra i fornitori di servizi logistici l’accelerazione è ancora più netta: dal 24% attuale al 69%. Sono i numeri dell’Osservatorio Contract Logistics “Gino Marchet” del Politecnico di Milano, presentati a novembre 2025 e ricavati da una survey su oltre 7.000 aziende committenti. Eppure, quando la stessa ricerca indaga i fattori critici di successo, il primo della lista non è un algoritmo né una piattaforma: è la disponibilità e la qualità dei dati. È il punto da cui qualunque discussione seria sui KPI logistici dovrebbe partire — e da cui quasi mai parte.

Le aziende acquistano cruscotti per ottenere una visione che la propria anagrafica non è in grado di restituire. Il collo di bottiglia, nella maggior parte dei casi, non sta nello strato di visualizzazione: sta nello strato del dato. Informazioni che vivono in sistemi separati, informazioni che esistono ma non vengono manutenute, informazioni che semplicemente non esistono perché la logica operativa è custodita nella memoria delle persone e non è mai stata scritta da nessuna parte. Questo articolo distingue i tre livelli del problema, spiega perché l’intelligenza artificiale tende ad aggravarlo anziché risolverlo e propone un test in cinque domande da fare prima di firmare qualsiasi investimento in Business Intelligence logistica.

Il 30% delle aziende committenti ha già progetti di AI in logistica. Il primo fattore critico di successo non è la tecnologia: è la qualità del dato che la alimenta. — Osservatorio Contract Logistics “Gino Marchet”, Politecnico di Milano, novembre 2025

KPI logistici: la domanda che arriva sempre troppo tardi

Il copione è noto a qualunque Supply Chain Manager. La direzione chiede un’analisi puntuale — il costo per riga evasa per canale, la saturazione delle baie nelle ore di picco, l’incidenza dei resi generati da errori di prelievo. Si scopre che il dato non è disponibile nella forma necessaria. Lo si ricostruisce a mano, con un’estrazione e un foglio di calcolo, e lo si consegna. Sei mesi dopo la domanda si ripresenta, e il lavoro ricomincia da capo.

A quel punto l’organizzazione conclude che serve una dashboard. È una conclusione comprensibile e quasi sempre sbagliata: una dashboard automatizza la rappresentazione di un dato che non c’è, e in questo modo rende permanente il problema che avrebbe dovuto risolvere. I KPI logistici non sono un catalogo di indicatori da cui scegliere i più eleganti: sono la proiezione numerica di un modello operativo. Se il modello operativo non è descritto nei dati, nessun indicatore potrà rappresentarlo con fedeltà — per quanto ben disegnato sia il grafico che lo mostra.

Business intelligence logistica: perché il WMS non è nato per rispondere a domande

I sistemi di gestione del magazzino nascono per l’esecuzione: dire a un operatore dove andare, cosa prelevare, dove versare, e registrare che lo ha fatto. Sono ottimizzati per la scrittura transazionale ad alta frequenza — conferme di prelievo, movimenti di ubicazione, cambi di stato delle missioni — non per l’interrogazione analitica di grandi volumi storici. È una distinzione architetturale, non un giudizio di qualità: un sistema progettato per rispondere in millisecondi a migliaia di transazioni concorrenti privilegia lo stato corrente rispetto alla memoria di come quello stato è cambiato nel tempo.

Da qui deriva la storica povertà del reporting direzionale nei WMS: qualche KPI standard, qualche esportazione, raramente la possibilità di ricostruire con precisione come si presentava il magazzino in un momento specifico del passato. Solo negli ultimi anni si sono diffusi moduli di Business Intelligence integrati o connessioni verso piattaforme analitiche esterne, ma il perimetro resta vincolato a ciò che il sistema transazionale ha deciso di conservare.

La conseguenza non è che il software conti meno: è che la sua importanza si sposta a monte della visualizzazione. Prima viene la struttura del dato — cosa si registra, con quale granularità, con quali regole di codifica. Poi viene lo strumento che quella struttura la legge. Chi propone strumenti di lettura senza intervenire sulla struttura vende un’illusione di controllo.

I tre livelli del problema (e solo uno è tecnico)

Quando un’analisi logistica si arena, la causa si colloca quasi sempre su uno di tre livelli di gravità crescente. Distinguerli è il primo passo per stimare correttamente tempi e costi di qualsiasi progetto di Business Intelligence.

Livello	Descrizione	Risolvibilità
Dati dispersi	L’informazione esiste ma è distribuita tra WMS, ERP, TMS, gestionale trasporti e fogli di lavoro dipartimentali.	Tecnica. È esattamente ciò che una piattaforma di Business Intelligence sa fare: collegare sorgenti diverse.
Dati non manutenuti	Pesi, volumi, dimensioni e caratteristiche degli imballi esistono a sistema ma non vengono aggiornati: la manutenzione è onerosa e, finché nessuno li usa, nessuno se ne accorge.	Organizzativa. Richiede di assegnare la responsabilità del dato a un ruolo preciso, non a una buona intenzione.
Dati inesistenti	Distinzione tra articoli a stock e acquistati a spot, relazioni implicite tra prodotti, vincoli di stoccaggio, logiche di allocazione note alle persone ma mai formalizzate.	Il livello critico. Nessuna piattaforma può collegare un dato che non è mai stato strutturato.

Il messaggio operativo è semplice e scomodo: finché nessuno utilizza quei dati, il problema resta invisibile. Diventa visibile nel momento esatto in cui servono per un’analisi, una simulazione o un’automazione — cioè quando è troppo tardi per rimediare entro i tempi del progetto. È per questo che tanti progetti di Business Intelligence logistica non falliscono in fase di sviluppo: si arenano nelle prime settimane, quando il fornitore della piattaforma chiede le sorgenti e scopre che una parte del modello operativo non è mai stata codificata.

Qualità dei dati e intelligenza artificiale: perché l’AI rende il problema più grave, non meno

Esiste un’aspettativa diffusa secondo cui l’intelligenza artificiale sarebbe in grado di compensare la scarsa qualità del dato, inferendo ciò che manca. Nella logistica vale quasi sempre il contrario. Un modello predittivo addestrato su un’anagrafica che non descrive il business non produce previsioni caotiche, che sarebbero facili da scartare: produce previsioni coerenti e sbagliate. È la condizione peggiore, perché la coerenza interna del risultato lo rende credibile e difficile da smontare.

Due esempi rendono concreto il meccanismo. Un algoritmo di previsione della domanda che non distingue gli acquisti a spot dagli articoli a rotazione stabile interpreta un ordine eccezionale come un segnale di tendenza e alza il punto di riordino di un prodotto che non verrà mai più richiesto. Un algoritmo di slotting che lavora con dimensioni e pesi non aggiornati assegna ubicazioni in cui la merce fisicamente non entra: gli operatori correggono a mano, il sistema registra la correzione come comportamento normale, e il modello impara dal rumore.

Non è un caso che l’Osservatorio collochi la disponibilità e la qualità dei dati al primo posto tra i quattro fattori abilitanti, prima delle risorse IT, della propensione all’adozione tecnologica e delle competenze. Né è un caso che gli ambiti con il tasso di adozione più alto — la gestione degli ordini e la previsione della domanda con il riordino dei materiali, entrambi al 14% — siano esattamente quelli più dipendenti dalla qualità di anagrafica e storico. L’AI entra per prima proprio dove il dato conta di più.

FOCUS | Il test dei cinque dati Cinque domande, nessun software da installare. Rispondete con “sì”, “no” o “non lo so”. 1. Anagrafica fisica. Ogni referenza attiva ha peso e dimensioni aggiornati, e c’è una persona precisa responsabile di mantenerli tali? 2. Comportamento degli articoli. Il sistema sa distinguere da solo un articolo a rotazione stabile da un acquisto a spot? 3. Causali. Prendendo un movimento di ieri, il sistema vi dice perché la merce si è spostata? 4. Vincoli operativi. Se domani cambiasse il capoturno, le regole di stoccaggio continuerebbero a essere applicate perché sono scritte nel sistema? 5. Storico. Sapete da quale data i vostri dati seguono le regole di codifica attuali?   Come leggere il risultato Cinque sì: il dato è pronto, la scelta della piattaforma può partire. Almeno un no: il progetto comincia dalla struttura del dato, non dallo strumento. Almeno un “non lo so”: è la risposta più importante. Significa che il problema esiste, ma nessuno l’ha ancora visto.   Il consiglio: fate il test insieme a magazzino, IT e acquisti. Se le risposte non coincidono, avete già trovato il primo dato da governare.

Il test dei cinque dati: da fare prima di investire in KPI logistici e Business Intelligence

Cinque verifiche, da condurre prima di valutare qualsiasi piattaforma. Nessuna richiede competenze informatiche: richiedono soltanto di sapere come lavora davvero il proprio magazzino.

1. Anagrafica fisica

Peso, dimensioni e volume sono presenti e aggiornati per quale percentuale delle referenze attive? E chi è responsabile dell’aggiornamento quando entra un articolo nuovo o cambia un imballo?

2. Classificazione di comportamento

Il sistema distingue gli articoli a rotazione stabile da quelli acquistati a spot, o la distinzione vive soltanto nella testa del responsabile acquisti?

3. Causali di movimentazione

Le causali sono abbastanza granulari da permettere di ricostruire perché una merce si è mossa — rettifica, rilocazione, reso, danneggiamento — o si riducono a carico e scarico?

4. Vincoli operativi

Incompatibilità di stoccaggio, fasce di temperatura, sequenze obbligatorie, requisiti di lotto e scadenza sono codificati come regole di sistema o applicati per prassi?

5. Profondità storica

Da quanti mesi i dati sono coerenti con le regole attuali? Un cambio di codifica non documentato rende inutilizzabile tutto lo storico precedente, e con esso qualunque modello che su quello storico debba essere addestrato.

Se anche una sola risposta è incerta, il progetto di Business Intelligence non è pronto per partire. Non è un motivo per rinunciarvi: è un motivo per invertire l’ordine delle attività e cominciare dalla struttura del dato.

Dove il dato nasce già strutturato

Un magazzino gestito in outsourcing è il punto della catena in cui il dato logistico viene generato: ogni ricevimento, ogni prelievo, ogni rettifica produce un record. Se il fornitore lavora con un sistema che impone la codifica a monte — anagrafica fisica obbligatoria all’ingresso di un nuovo articolo, causali strutturate, vincoli espressi come regole e non come abitudini — il committente eredita una base informativa pulita senza averla dovuta costruire. Se il fornitore lavora per prassi, il committente eredita il problema, e con esso il costo di risolverlo.

Il criterio da portare in fase di selezione di un partner logistico cambia di conseguenza. La domanda utile non è “quali KPI mi fornite”, ma “come nasce il dato che sta sotto quei KPI, con quale struttura viene conservato e in che forma me lo restituite”. La prima domanda riceve sempre una risposta rassicurante. La seconda separa chi governa il dato da chi lo subisce.

Conclusione

La domanda da portare nella prossima riunione di direzione è una sola: state cercando KPI, o state cercando di compensare con un cruscotto una struttura dati che non rappresenta il vostro modello operativo? Le due cose si somigliano, costano in modo molto diverso e producono risultati opposti.

Chi porta questa distinzione in azienda prima di firmare un investimento in Business Intelligence non sta rallentando l’innovazione: sta evitando un costo che si manifesterebbe tra dodici mesi e costruendo un vantaggio che si vedrà tra due anni, quando i progetti di intelligenza artificiale troveranno finalmente un dato su cui lavorare.

Fonti

1. Osservatorio Contract Logistics “Gino Marchet”, Politecnico di Milano — comunicato stampa, 13 novembre 2025

2. Osservatori Digital Innovation — infografica dati chiave della ricerca 2025

3. Osservatorio Contract Logistics “Gino Marchet” — convegno annuale