Il report del lunedì che arriva sempre un weekend troppo tardi
Lunedì mattina, otto e un quarto. Sul tavolo della sala riunioni del consorzio c’è una stampa a colori, ancora tiepida di stampante: occupazione media del weekend appena chiuso 91%, incasso medio per camera in crescita del 14% sull’anno precedente, tre recensioni nuove, due a cinque stelle e una a tre. Numeri buoni. Veri. E completamente inutili per la decisione che sarebbe servito prendere — chiamare due camerieri in più, ordinare venti chili di pane fresco anziché dodici — perché quella decisione andava presa il giovedì prima, non il lunedì dopo.
Chi lavora con i dati del turismo territoriale conosce bene questa sensazione, quasi fisica: il dashboard è perfetto, colorato, aggiornato in tempo reale — e racconta sempre e solo il passato. Anche quando il passato è di due ore fa, resta passato. La business intelligence, nella sua forma più diffusa nelle piccole e medie destinazioni italiane, fa esattamente questo, e lo fa bene: misura, aggrega, confronta, mostra un trend con una linea che sale o scende. Non dice cosa succederà sabato prossimo. Non è progettata per farlo. Punto. È uno specchietto retrovisore, non un parabrezza — la metafora è abusata, lo ammetto, ma resta la più onesta che si possa usare per spiegarla a chi non mastica statistica ogni giorno.
Chi si occupa di marketing territoriale da un po’ di anni — chi scrive lo fa da venticinque, prevalentemente in Toscana, tra Pisa, Lucca, la Garfagnana, le colline pistoiesi — ha visto crescere, negli ultimi cinque o sei anni, una domanda ricorrente da parte di consorzi, pro loco e piccole reti d’impresa: “possiamo prevedere quando arriveranno i turisti?”. La domanda è legittima. La risposta, quasi sempre, delude chi se l’aspettava semplice: sì, in parte, con margini d’errore dichiarati, partendo da dati che quasi tutti già possiedono e nessuno usa. Non un oracolo. Una stima di probabilità.
Questo articolo prova a raccontare cosa cambia quando un territorio smette di guardare solo indietro e comincia a costruire, con gli strumenti che può permettersi — non quelli che vorrebbe, quelli che può — una capacità predittiva reale, anche minima. E prova, insieme, a raccontare cosa succede quando quella capacità viene scambiata per più di quello che è davvero: una certezza, invece di una probabilità. Il caso che vedremo più avanti — inventato, lo dico fin da ora, per ragioni che spiegherò a tempo debito — mostra esattamente questo scivolone, con conseguenze pratiche, concrete, a tratti persino goffe.
Due parole d’ordine guidano tutto il percorso. La prima: cominciare piccoli. La seconda: restare umili davanti al margine d’errore, anche quando il margine d’errore, nei primi mesi, sembra quasi non esistere più. Chi promette il contrario — un algoritmo infallibile, un cruscotto che “toglie l’incertezza dal turismo” — sta vendendo qualcosa che la statistica, quella seria, non può garantire. Serve umiltà, qui. Mai potuta. Non per un limite di questo o quel fornitore di software. Per la natura stessa del problema.
Business Intelligence e Analisi Predittiva: due strumenti, due domande diverse
Business Intelligence: la fotografia nitida di ciò che è già successo
La business intelligence, nella definizione più asciutta possibile, è l’insieme di processi, strumenti e tecnologie che trasformano dati grezzi — prenotazioni, transazioni di cassa, accessi al sito web, presenze registrate — in informazioni organizzate, consultabili, confrontabili nel tempo. Un cruscotto che mostra l’andamento delle presenze mese su mese. Una tabella che confronta il fatturato di agosto con quello di tre anni fa. Un grafico a torta sulla provenienza geografica dei visitatori. Tutto vero, tutto utile, tutto — va detto con chiarezza — descrittivo. Guarda indietro. Anche quando lo fa con un ritardo di poche ore, resta uno sguardo rivolto al passato, non al futuro.
Non è un limite da correggere. È la funzione per cui la BI è stata progettata, ed è una funzione preziosa: senza sapere con precisione cosa è successo, nessuna organizzazione può migliorare nulla. Il problema comincia quando un territorio si ferma qui, convinto che un buon cruscotto equivalga a una buona capacità di governo. Non equivale. Dice cosa è andato bene o male. Non dice cosa andrà bene o male la prossima volta, e men che meno quando.
Analisi predittiva: da Davenport alla scala della maturità analitica
Thomas Davenport, professore alla Babson College e tra gli studiosi più citati al mondo in tema di analytics aziendale, ha dedicato buona parte della sua produzione accademica — a partire dal libro Competing on Analytics, scritto con Jeanne Harris e pubblicato nel 2007 — a un’idea che oggi sembra quasi ovvia mentre nel 2007 era tutt’altro che scontata: le organizzazioni che usano i dati per competere, e non solo per rendicontare, attraversano stadi progressivi di maturità analitica, ciascuno più esigente e più utile del precedente.
Il primo stadio è quello descrittivo: cosa è successo. Niente di più. Il secondo è diagnostico: perché è successo — un passo già più raro di quanto si pensi, perché richiede di incrociare più fonti, non limitarsi a un unico indicatore isolato. Il terzo stadio, quello che qui interessa, è predittivo: cosa succederà, con quale probabilità. Il quarto, il più esigente in assoluto e ancora raro persino tra le grandi aziende, è prescrittivo: cosa conviene fare, dato ciò che probabilmente succederà. Davenport insiste — ed è un punto che vale la pena riportare senza sconti — sul fatto che saltare stadi non funziona quasi mai. Un’organizzazione che non ha ancora imparato a descrivere bene il proprio passato difficilmente costruirà previsioni affidabili sul proprio futuro: il modello predittivo, alla fine, si nutre proprio di quei dati storici che la fase descrittiva avrebbe dovuto già mettere in ordine.
Applicato al turismo territoriale, questo schema smonta un equivoco diffuso tra chi si avvicina per la prima volta all’analisi predittiva: l’idea che basti “comprare un algoritmo” per saltare dalla situazione attuale — spesso un foglio Excel compilato a mano dal segretario del consorzio — a un sistema di previsione affidabile. Non funziona così. Serve prima ordine nei dati storici. Poi, e solo poi, ha senso provare a proiettarli in avanti.
Vale la pena aggiungere, per completezza, che esiste un quinto livello di cui Davenport parla nei lavori più recenti, successivi al 2010: l’analytics automatizzata, in cui il sistema non si limita a suggerire una decisione ma la esegue direttamente — un termostato che regola da solo la temperatura, un sistema di revenue management che cambia il prezzo della camera senza intervento umano. Nel turismo territoriale, tra consorzi di piccole imprese, questo livello resta oggi quasi ovunque fuori portata, e giustamente: automatizzare una decisione di staffing basata su una previsione ancora acerba, come vedremo tra poco, può trasformare un errore di stima in un danno economico diretto, immediato, difficile da correggere in corsa. Meglio un essere umano che legge il numero e decide. Sempre, almeno per ora.
Nate Silver e il segnale nascosto nel rumore
Nate Silver, statistico ed ex analista di baseball diventato celebre per i suoi modelli di previsione elettorale con FiveThirtyEight, ha scritto nel 2012 un libro — The Signal and the Noise — che resta, a più di un decennio di distanza, uno dei testi più lucidi sulla teoria della previsione applicata a domini concreti: meteorologia, terremoti, elezioni, epidemie, mercati finanziari. La tesi di fondo, semplice da enunciare e complicatissima da praticare con onestà, è questa: ogni sistema complesso produce un flusso continuo di dati in cui convivono un segnale reale — un pattern che si ripeterà — e un rumore casuale che non si ripeterà mai, o non nella stessa forma. Il compito di chi fa previsioni non è trovare il segnale perfetto. È stimare, con onestà intellettuale, quanto di quello che osserva sia segnale e quanto sia rumore, e comunicare il risultato come una probabilità, non come un fatto.
Silver dedica un capitolo intero, tra i più citati del libro, alla previsione meteorologica — un campo che ha impiegato decenni a imparare a comunicare in termini probabilistici (“70% di possibilità di pioggia”) invece che in affermazioni categoriche, e che proprio per questo è oggi uno dei domini previsionali più affidabili che esistano, non nonostante l’incertezza dichiarata, ma grazie ad essa. Il paragone con il turismo territoriale non è forzato: un consorzio che dice “sabato prossimo prevediamo un’occupazione tra il 70% e l’85%, con una probabilità del 15% di un crollo dovuto a condizioni meteo avverse” comunica meglio, e si espone meno al rischio di un errore catastrofico, di un consorzio che dice semplicemente “sabato saremo pieni all’80%”. Il secondo numero suona più rassicurante. È anche più fragile, perché nasconde l’incertezza invece di dichiararla.
Il percorso a basso costo per un piccolo territorio: prenotazioni, ricerche, meteo
Qui arriva la parte pratica, quella che davvero interessa a un consorzio di venti agriturismi o a una pro loco con due impiegati part-time. Non serve, per cominciare, un data scientist assunto a tempo pieno, né una piattaforma di machine learning con licenza a cinque cifre. Servono tre cose, tutte già alla portata di quasi ogni territorio organizzato. Punto fermo.
La prima è lo storico delle prenotazioni: dati che quasi ogni struttura ricettiva già possiede nel proprio channel manager o gestionale, spesso senza mai averli esportati e messi a confronto su più stagioni. Tre anni di dati, settimana per settimana, bastano per iniziare a distinguere una stagionalità ricorrente da un’anomalia isolata. Meno di due anni, e il rischio di scambiare rumore per segnale sale rapidamente — un punto su cui torneremo, perché è proprio la radice del problema che il caso studio più avanti mostrerà in modo piuttosto crudo.
La seconda fonte è Google Trends, gratuito, sottovalutato, potentissimo se usato con criterio: l’andamento nel tempo del volume di ricerca per parole chiave legate alla destinazione (“cosa vedere a…”, “sagra…”, il nome del territorio stesso) anticipa spesso di due, tre settimane un picco reale di arrivi. Non sempre. Non con precisione chirurgica. Ma abbastanza spesso da valere la pena di monitorarlo con regolarità, magari ogni lunedì mattina, invece di scoprirlo per caso mesi dopo.
La terza fonte, spesso la più sottovalutata di tutte in un paese dal clima capriccioso come l’Italia, è il meteo: la previsione a breve termine, certo, insieme all’archivio storico, che permette di quantificare quanto una data condizione atmosferica abbia storicamente spostato le prenotazioni last minute di un territorio specifico — un’informazione diversa da territorio a territorio, perché un borgo di montagna reagisce alla pioggia in modo differente da una località balneare, e nessun modello generico, comprato pronto, coglie questa differenza locale meglio di un anno di osservazione diretta.
Con questi tre ingredienti, e un foglio di calcolo appena un po’ più sofisticato di quello che quasi ogni consorzio già usa, si costruisce un primo modello previsionale. Rozzo, certo. Migliorabile, sempre. Ma già infinitamente più utile del report del lunedì mattina di cui parlavamo in apertura.
Un avvertimento pratico, prima di proseguire, che chi fa consulenza su questi progetti impara presto sulla propria pelle: la qualità del dato di partenza conta più della sofisticazione del modello. Doppi conteggi tra un booking diretto e la stessa prenotazione arrivata anche da un’OTA, date di check-in inserite a mano con errori di battitura, cancellazioni registrate mesi dopo — o mai — inquinano lo storico ben prima che un qualunque algoritmo entri in gioco. Un pomeriggio speso a ripulire tre anni di file Excel, incrociando gestionale e channel manager voce per voce, vale spesso più di un mese speso a scegliere tra due software di previsione concorrenti. Noioso. Indispensabile.
Quando il modello si crede più sicuro di quanto dovrebbe: analisi critica e sfide reali
Overfitting: quando il modello impara a memoria tre stagioni, non il mondo
Il primo rischio tecnico, e insieme il più insidioso perché più difficile da riconoscere dall’interno, è quello che gli statistici chiamano overfitting: un modello che si adatta talmente bene ai dati storici usati per costruirlo da finire per “imparare a memoria” le particolarità di quelle stagioni specifiche, comprese le loro anomalie casuali, scambiandole per leggi generali del territorio. Con tre anni di dati — che per un piccolo consorzio sono già un traguardo, va detto senza ironia — il rischio è concreto: un modello che sembra prevedere con grande precisione il passato può, semplicemente, aver trovato una formula che descrive bene tre casi specifici, non un pattern che si ripeterà davvero. Il campione, spesso, è troppo piccolo. Troppo piccolo, punto.
Il sintomo classico, quello che chi fa consulenza su questi temi impara presto a riconoscere, è un modello che “funziona benissimo” sui dati con cui è stato costruito e poi delude, silenziosamente, alla prima applicazione su dati nuovi. Non è un difetto morale del modello. È matematica applicata a un campione troppo piccolo, ed è precisamente il motivo per cui — tornando a Davenport — la fase descrittiva va consolidata a lungo prima di passare a quella predittiva: più stagioni si accumulano, più il rapporto tra segnale reale e rumore casuale migliora, e più il modello smette di scambiare le coincidenze per regole. Mi è capitato di vedere, in progetti di consulenza su piccola scala, consorzi entusiasti dei primi risultati di un modello costruito su appena due stagioni di dati: il rischio di scambiare la fortuna per un metodo è concreto, e vale la pena dirlo chiaro fin dal primo incontro.
Il tacchino di Taleb: cosa succede il giorno che non era nei dati
Nassim Nicholas Taleb, ex trader di opzioni diventato saggista e docente, ha costruito gran parte della propria opera — soprattutto Il Cigno Nero, pubblicato nel 2007 — attorno a una critica che va maneggiata con cura, perché è facile banalizzarla in uno slogan (“i modelli non funzionano mai”), quando in realtà è più precisa e più utile di così. La tesi di Taleb non è che ogni previsione sia inutile. È che esiste una categoria di eventi — rari, di impatto enorme, spiegabili solo a posteriori, mai davvero prevedibili a priori con gli strumenti statistici ordinari — per cui qualunque modello costruito su dati storici è, per costruzione logica, cieco. Non perché mal progettato. Perché quell’evento, semplicemente, non è mai comparso nei dati usati per addestrarlo.
L’esempio che Taleb usa più spesso, diventato quasi un modo di dire tra chi studia previsione, è quello del tacchino: allevato con cura, nutrito ogni giorno alla stessa ora per novecento giorni di fila, il tacchino costruisce — se potesse ragionare in termini statistici — un modello previsionale eccellente, con un tasso di conferma altissimo: “domani, come sempre, arriverà cibo”. Non lo era. Non prima di allora. Il novecentesimo giorno è il giorno del Ringraziamento. Il modello del tacchino, per quanto costruito con rigore, non aveva alcun modo di prevedere l’evento che lo avrebbe smentito, perché quell’evento non era mai comparso nella sua storia di osservazioni.
Applicato al turismo, il punto non è che i modelli predittivi siano inutili. Il punto è più sottile, e più scomodo da accettare per chi ha investito tempo e denaro in un sistema previsionale: un modello allenato su tre, cinque, persino dieci anni di dati storici stima bene la ricorrenza degli eventi che già rientrano in quella storia — un weekend di ponte, un’estate calda, un evento locale ben rodato. Non può, per definizione logica, stimare la probabilità di un evento che in quella storia non compare mai. Non perché lo faccia male. Perché il compito è, in senso stretto, impossibile con quello strumento. Servono altri strumenti — piani di contingenza, scenari, margini di sicurezza — non un modello più sofisticato dello stesso tipo. Non un algoritmo migliore. Un atteggiamento diverso, prima ancora che uno strumento diverso.
Correlazione, causalità e la fiducia eccessiva nel numero sullo schermo
C’è un terzo problema, meno spettacolare del cigno nero ma più frequente nella pratica quotidiana: la tentazione di scambiare una correlazione statistica per un rapporto di causa-effetto, e di fidarsi di un numero solo perché appare su uno schermo con due cifre decimali, che danno un’illusione di precisione scientifica spesso non giustificata dai dati sottostanti.
Un aumento delle ricerche Google per una destinazione può precedere un picco di arrivi. Può anche, in altri casi, essere generato da una notizia negativa — una frana, un’allerta meteo, una controversia locale finita sui giornali — che spinge le persone a cercare informazioni sul territorio senza alcuna intenzione di visitarlo, anzi con l’intenzione contraria. Raramente lo si vede in tempo. Quasi mai, in realtà. Un modello che tratta ogni impennata di ricerche come segnale positivo di domanda turistica, senza distinguere il motivo dell’interesse, può produrre previsioni clamorosamente sbagliate proprio nei momenti in cui più servirebbe accuratezza. È esattamente quello che succede — lo vedremo tra poco — al consorzio protagonista del caso che segue.
Il Consorzio Turistico Alta Val Torbida: un caso costruito a tavolino, con un dettaglio sporco
Come nasce il modello, e chi lo costruisce
Il caso che segue è interamente inventato, e lo dichiaro senza ambiguità fin dalla prima riga: nome del consorzio, luogo, persone, cifre sono di fantasia, costruiti per illustrare un meccanismo — l’overfitting su dati storici privi di precedenti per l’evento che li smentirà — non per raccontare un fatto realmente accaduto. Chi vi riconoscesse somiglianze con episodi noti tenga presente che il fenomeno descritto è strutturalmente ricorrente, non un riferimento nascosto a un caso specifico.
Il Consorzio Turistico Alta Val Torbida riunisce ventidue attività — agriturismi, un piccolo albergo, un campeggio, due ristoranti, alcune guide escursionistiche — in una valle appenninica immaginaria, a vocazione prevalentemente estiva ed escursionistica, con un turismo di prossimità (weekend e ponti) che pesa più del turismo di soggiorno lungo. Per anni la gestione del personale stagionale è avvenuta, come racconta la presidente Elena Bruschi, “a naso, guardando il meteo del venerdì e sperando bene” — un metodo che ha funzionato fino a un certo punto, poi ha smesso di bastare quando il numero di attività aderenti è cresciuto e la necessità di coordinare gli acquisti e i turni su scala di valle, non di singola struttura, si è fatta più pressante.
Nel 2022 il consorzio decide di rivolgersi a un analista freelance, Michele Tommasi, laureato in statistica, già consulente per un paio di aziende agricole della zona su temi di previsione della domanda. Michele propone, saggiamente, di partire semplice: niente machine learning avanzato, niente promesse esagerate. Tre fonti di dati — lo storico aggregato (e anonimizzato) delle prenotazioni delle strutture aderenti, il volume di ricerca Google Trends per una decina di parole chiave legate alla valle, le previsioni meteo a dieci giorni incrociate con l’archivio storico locale — e un modello di punteggio ponderato, non particolarmente sofisticato dal punto di vista matematico, che ogni lunedì produce una stima di occupazione attesa per i tre weekend successivi.
Due stagioni che sembrano confermare tutto
Il 2023 va bene. Il modello anticipa correttamente un picco fuori stagione legato a un servizio televisivo regionale su una sagra locale — le ricerche Google per il nome della valle triplicano dieci giorni prima dell’evento, il modello alza la stima, il consorzio richiama personale extra in tempo, gli agriturismi non restano scoperti. Anticipa anche, con buona approssimazione, un calo di prenotazioni legato a un’ondata di maltempo prevista con una settimana di anticipo su un weekend di luglio storicamente forte: chi aveva già ordinato scorte extra le riduce in tempo, evitando sprechi. Tutto bene, apparentemente.
Il 2024 conferma la tendenza, con un margine di errore medio che Michele stima, con onestà metodologica va detto a suo merito, intorno al 12-15% sull’occupazione prevista — non perfetto, ma sufficientemente utile da guidare decisioni operative concrete su turni e ordini. Il consorzio, soddisfatto, presenta il caso a un convegno regionale sul turismo digitale. L’entusiasmo, comprensibile dopo due stagioni di risultati concreti, comincia però a scivolare — quasi impercettibilmente — verso qualcosa di diverso dalla fiducia ragionevole in uno strumento utile: comincia a somigliare a certezza. Il numero prodotto dal modello, un’unica cifra di occupazione attesa comunicata ogni lunedì nel gruppo WhatsApp dei soci, smette di essere trattato come una stima con margine d’errore e comincia a essere trattato come un fatto. “Il modello dice 85%, chiamiamo dodici stagionali in più” diventa, tra la primavera e l’estate del 2025, una frase pronunciata senza più alcuna esitazione.
Il sabato di agosto in cui tutto crolla
Metà agosto 2025. Il modello, alimentato da uno storico di prenotazioni solido, da un volume di ricerche Google in crescita costante nelle tre settimane precedenti e da una previsione meteo favorevole a dieci giorni, stima per il sabato successivo un’occupazione tra l’82% e il 90% — la fascia più alta mai registrata dal consorzio in tre stagioni di monitoraggio. La reazione è immediata e, con il senno di poi, sovradimensionata: diciotto stagionali extra chiamati su tutta la valle, forniture fresche ordinate in abbondanza — tra cui, per il ristorante di punta della valle, ottanta chili di trota di allevamento locale, acquistata due giorni prima per garantirne la freschezza — linee biancheria noleggiate in più per l’albergo e per due agriturismi con camere aggiuntive attivate solo nei weekend di picco.
Il giovedì, quarantotto ore prima, la Protezione Civile regionale — che quell’anno ha appena adottato nuovi criteri di classificazione delle allerte, più prudenti dopo un episodio alluvionale grave avvenuto in un’altra provincia la primavera precedente — emette per la prima volta nella storia recente della valle un’allerta rossa per rischio idrogeologico, collegata a un sistema temporalesco previsto in transito nelle quarantotto ore successive. Mai, nei tre anni di dati usati per costruire il modello, era comparsa un’allerta di quel livello per quell’area. Il modello, semplicemente, non aveva alcuna casella in cui inserire l’informazione: non era mai stata segnale, perché non era mai esistita come dato.
Le cancellazioni cominciano quella sera stessa, amplificate dai telegiornali nazionali che, mostrando immagini di allagamenti avvenuti altrove nella regione nei giorni precedenti, alimentano un timore diffuso anche tra chi aveva prenotato in una zona della valle in realtà marginalmente interessata dall’allerta. Il telefono di Elena Bruschi, quella sera, vibra in continuazione — un messaggio di cancellazione dopo l’altro, ognuno con la stessa formula quasi identica: “vista l’allerta preferiamo rimandare, capirete”. Alle nove di sera le prenotazioni cancellate hanno già eroso più della metà dell’occupazione stimata. Alle undici, quasi i tre quarti. Poi, il crollo definitivo.
Il sabato arriva. La strada che porta alla valle, per fortuna, resta transitabile: il temporale previsto colpisce con violenza un’area a una trentina di chilometri di distanza, lasciando la Val Torbida con qualche rovescio intenso ma nessun danno reale. Il pericolo, in sé, non si materializza. Non che questo cambi granché, ormai. Alle sei del pomeriggio, nel piazzale ghiaioso davanti al ristorante di punta della valle, diciotto stagionali chiamati per l’occasione restano fermi ad aspettare clienti che non arriveranno, le divise ancora stirate, gli zoccoli da cucina che scricchiolano sulla ghiaia mentre qualcuno si sposta avanti e indietro senza sapere cosa fare delle mani. Nel magazzino frigo del ristorante, le ottanta chili di trota fresca, ordinate il giovedì e pagate anche in caso di mancato utilizzo per accordo con l’allevamento, restano impilate su cassette di plastica coperte di ghiaccio che si scioglie lentamente, l’odore di pesce e umidità che si addensa nell’ambiente chiuso, mentre il cuoco — le mani intorpidite dal freddo, le spalle indolenzite da un pomeriggio di preparazione ormai inutile — le sposta una a una nel congelatore grande, sapendo già che buona parte non reggerà comunque un secondo congelamento con la stessa qualità.
Il conto della serata, quantificato da Michele nei giorni successivi con un rigore quasi punitivo verso se stesso, supera i quattordicimila euro tra derrate deperibili sprecate, biancheria noleggiata e non utilizzata, e ore minime garantite ai diciotto stagionali che, per contratto, andavano comunque retribuite anche a fronte di zero coperti serviti. Elena Bruschi, quella sera, resta a lungo seduta su uno sgabello della cucina del ristorante, il cellulare ormai silenzioso sul tavolo, a fissare il frigorifero pieno di pesce che nessuno mangerà. Non piange. Semplicemente, non riesce a smettere di fare i conti a mente, più e più volte, come se ripeterli cambiasse qualcosa.
Dal numero singolo allo scenario: come cambia il modello dopo il crollo
La settimana successiva, Michele e il consiglio direttivo del consorzio si siedono attorno allo stesso tavolo dove tre anni prima era nato il progetto. Non buttano via il modello. Basta poco. Sarebbe stato un errore uguale e contrario a quello appena commesso: passare dalla fiducia cieca al rifiuto totale, quando il problema non era il modello in sé, ma il modo — categorico, senza margini — in cui il suo output veniva comunicato e usato.
Le modifiche concordate sono tre, e nessuna richiede tecnologia più sofisticata di quella già in uso. Primo: il modello non produce più un numero singolo, ma una fascia di scenari — scenario prudente, scenario centrale, scenario ottimistico — comunicata sempre insieme, mai isolata. Secondo: viene introdotto un trigger di contingenza automatico, collegato direttamente al sito della Protezione Civile regionale, che sospende immediatamente la previsione ordinaria non appena viene emessa un’allerta di livello arancione o rosso, sostituendola con un protocollo di attesa e riduzione prudenziale degli ordini, indipendentemente da quanto il modello avesse stimato il giorno prima. Terzo: i contratti degli stagionali extra, prima fissati con impegno a settimane di anticipo, diventano a chiamata con preavviso più corto e minimi garantiti più bassi mai superiori a due turni, spostando parte del rischio previsionale dal lavoratore stagionale — che nel vecchio schema incassava comunque il minimo anche in caso di errore del modello, ma restava comunque esposto a turni instabili decisi con largo anticipo — verso una gestione più flessibile e più trasparente sulle probabilità in gioco. Mai più, così.
Elena, raccontando l’episodio qualche mese dopo a un gruppo di altri consorzi interessati a replicare l’esperienza, lo sintetizza con una frase che vale la pena riportare così com’è stata pronunciata: “Il modello non ci ha mai promesso una certezza. Eravamo noi che, senza accorgercene, avevamo smesso di leggere il margine d’errore che Michele scriveva ogni lunedì in fondo al messaggio, in caratteri piccoli, perché ormai ci fidavamo troppo del numero grande scritto sopra”.
Dati aggregati, previsioni e responsabilità: le implicazioni etiche e normative
Dati aggregati e GDPR: l’anonimizzazione non è un dettaglio tecnico
Costruire un modello previsionale su dati di prenotazione aggregati tra più strutture ricettive indipendenti — come nel caso, fittizio ma tecnicamente plausibile, della Val Torbida — significa maneggiare dati che, presi singolarmente, sono spesso dati personali ai sensi del Regolamento (UE) 2016/679, il GDPR: nome, data di arrivo e partenza, talvolta dati di pagamento. Non un dettaglio tecnico secondario. Il principio di minimizzazione previsto dal regolamento impone di usare, per finalità statistiche e predittive, solo i dati realmente necessari — nel nostro caso, numero di prenotazioni per data e struttura, non l’identità dei singoli ospiti — e di farlo attraverso un processo di aggregazione e anonimizzazione che va progettato con attenzione, non lasciato all’improvvisazione di chi esporta un file Excel dal gestionale.
Un rischio meno intuitivo, ma reale soprattutto nei territori più piccoli, è quello della ri-identificazione statistica: in bassa stagione, quando un’area registra pochissime presenze, anche un dato apparentemente anonimo — “tre prenotazioni per la struttura X nel weekend Y” — può permettere, con un minimo di conoscenza locale, di risalire a chi ha soggiornato dove. Le linee guida del Garante per la protezione dei dati personali italiano su questo punto sono chiare: l’anonimizzazione va valutata rispetto al contesto reale in cui i dati vengono usati, non rispetto a una soglia statistica generica valida ovunque allo stesso modo. Un campione che è anonimo in una città di centomila abitanti può non esserlo affatto in una valle di duemila.
Un discorso parallelo, spesso ignorato dai consorzi più piccoli perché percepito come questione “da grandi enti regionali”, riguarda i dati di mobilità aggregata venduti dagli operatori di telefonia mobile a regioni e destination management organization per stimare flussi di presenza turistica su scala vasta — quanti dispositivi, provenienti da fuori regione, si sono agganciati alle celle di una data area in un dato weekend. Dati preziosi, in teoria già anonimizzati alla fonte dall’operatore prima della vendita. Nella pratica, però, la qualità di quella anonimizzazione varia da fornitore a fornitore, e un consorzio che acquista questo tipo di servizio da un rivenditore terzo dovrebbe pretendere, per contratto, garanzie esplicite sul metodo di aggregazione usato — non limitarsi a fidarsi di un’etichetta commerciale che promette “dati anonimi” senza specificare come. Fidarsi non basta. Verificare, sempre.
Condividere dati tra concorrenti: il nodo antitrust che pochi consorzi considerano
C’è un secondo profilo normativo, meno discusso nella pratica quotidiana dei consorzi turistici ma non meno rilevante: la condivisione di dati commerciali dettagliati — tariffe, occupazione, ricavi — tra imprese che sul mercato restano, formalmente e sostanzialmente, concorrenti tra loro. Il diritto della concorrenza, sia a livello europeo (articolo 101 del Trattato sul Funzionamento dell’Unione Europea) sia nella normativa italiana (legge 287/1990), guarda con sospetto gli scambi di informazioni sensibili tra competitor quando questi scambi possano facilitare, anche indirettamente, un coordinamento sui prezzi o sulla ripartizione del mercato. Pochi ci pensano, in fase di avvio.
Un consorzio che facesse circolare, socio per socio, il dettaglio delle tariffe e dell’occupazione di ciascuna struttura aderente si esporrebbe, in astratto, a un rischio di questo tipo — anche quando l’intenzione originaria fosse puramente previsionale e priva di qualunque proposito collusivo. La soluzione, adottata correttamente dal Consorzio Alta Val Torbida nel nostro caso fittizio, è affidare l’aggregazione a un soggetto terzo — l’analista esterno, in questo caso, con un ruolo esplicito di “camera di compensazione dei dati” — che riceve i dati granulari di ciascuna struttura ma restituisce ai soci solo indici aggregati a livello di valle, mai il dettaglio della singola concorrente. Un dettaglio organizzativo che sembra burocratico, e che invece protegge il progetto stesso da un rischio legale che pochi consorzi, nella pratica, considerano fino in fondo prima di partire.
Chi paga il conto dell’incertezza: la responsabilità verso il lavoro stagionale
C’è, infine, una dimensione etica che il caso della Val Torbida rende visibile con particolare crudezza, ed è quella che riguarda i lavoratori stagionali chiamati sulla base di una previsione che si è rivelata sbagliata. Nel vecchio schema contrattuale, gli stagionali richiamati con largo anticipo in base al numero unico prodotto dal modello avevano diritto a un minimo garantito anche in caso di mancato lavoro — una tutela di per sé corretta — ma restavano comunque esposti, nella pratica, a turni pianificati su una previsione che nessuno aveva comunicato loro come incerta. Nessuno gliel’aveva detto, davvero. Il rischio previsionale, in altre parole, veniva scaricato quasi interamente su chi aveva meno strumenti per valutarlo e meno margine economico per assorbirlo.
Chi progetta un sistema predittivo per la gestione del personale stagionale ha una responsabilità che va oltre l’accuratezza tecnica del modello: comunicare con onestà, anche ai lavoratori coinvolti, che una previsione resta una previsione, non un impegno definitivo — e strutturare i contratti in modo che l’incertezza statistica non ricada sproporzionatamente su chi, nella filiera decisionale, ha meno voce in capitolo. Non è un tema che compare nei manuali di data science. Vale la pena ricordarlo. Dovrebbe comparire nei protocolli operativi di ogni consorzio che affida le proprie decisioni di personale a un algoritmo, per quanto semplice. Mi è capitato di discuterne apertamente nei corsi di formazione che tengo su gestione del personale stagionale: chi progetta questi sistemi ha il dovere di spiegare, con parole semplici, cosa significa davvero “previsione” a chi il proprio turno di lavoro vede dipendere da quel numero.
Cosa resta, dopo il pesce nel frigorifero
L’analisi predittiva applicata al turismo territoriale non è un lusso riservato alle grandi destinazioni con budget informatici a sei cifre. Un piccolo consorzio può cominciare con tre fonti di dati che quasi sempre già possiede — storico prenotazioni, ricerche Google, previsioni meteo — e un foglio di calcolo appena più strutturato del solito. Nulla di esotico. Questo articolo lo ha mostrato con un certo dettaglio, proprio perché la barriera d’ingresso percepita è spesso più alta di quella reale, e questo scoraggia territori che invece potrebbero permettersi di iniziare domani mattina.
Resta, però, il limite che Taleb descrive con la storia del tacchino, e che il Consorzio Alta Val Torbida ha imparato a proprie spese, tra pesce sprecato e stagionali fermi su un piazzale: nessun modello costruito sul passato può vedere l’evento che nel passato non è mai comparso. Non è un difetto da correggere con più dati o più potenza di calcolo. È un limite strutturale, da gestire con scenari, soglie di contingenza, contratti flessibili — non da fingere di aver risolto con un algoritmo più elaborato.
Il prossimo passo, per chi volesse spingersi oltre i tre dati di partenza descritti in questo articolo, riguarda strumenti più sofisticati — modelli di serie storiche automatizzati, dashboard che si aggiornano da sole, incroci con segnali social più ampi — di cui i prossimi articoli di questa serie parleranno nel dettaglio. Non prima, però, di aver messo in ordine le basi. Prima i dati puliti. Poi lo scenario multiplo, mai il numero singolo. Solo alla fine, se serve davvero, la complessità aggiuntiva. L’ordine conta. Quasi quanto il contenuto.
Punti Chiave per Studenti e Professionisti
- La Business Intelligence descrive il passato, l’analisi predittiva stima una probabilità futura: sono strumenti complementari, non alternativi, e un piccolo territorio può iniziare a costruire capacità predittiva partendo da tre fonti semplici e già disponibili — storico delle prenotazioni, volume di ricerca Google, previsioni meteo — prima di qualunque investimento in modelli complessi, seguendo la logica della scala di maturità analitica descritta da Thomas Davenport (descrittivo, diagnostico, predittivo, prescrittivo).
- Una previsione onesta, come insegna Nate Silver distinguendo segnale e rumore, si comunica come una fascia di probabilità, non come un numero singolo spacciato per certezza: il Consorzio Alta Val Torbida ha pagato concretamente — in derrate sprecate, ore di personale inutilizzate, fiducia interna incrinata — il passaggio silenzioso da “stima con margine d’errore” a “numero su cui pianificare senza riserve”.
- Ogni modello predittivo allenato su dati storici condivide il limite strutturale che Nassim Nicholas Taleb descrive con la metafora del tacchino: non può prevedere un evento privo di precedenti nella propria serie storica, e questo richiede di affiancare al modello soglie di contingenza automatiche, contratti di lavoro flessibili e protocolli di anonimizzazione e condivisione dati (GDPR, tutela antitrust tra concorrenti) pensati fin dall’inizio, non aggiunti dopo il primo fallimento clamoroso.
Non è retorica. Chi gestisce oggi le previsioni di un consorzio turistico, di una rete d’impresa o anche di una singola struttura ricettiva saprebbe indicare, con la stessa franchezza di Elena Bruschi quella sera davanti al frigorifero pieno di trote invendute, quale soglia esatta di allerta meteo o di evento imprevisto farebbe scattare, nella propria organizzazione, il passaggio dalla previsione ordinaria al protocollo di contingenza — o quella soglia, oggi, non è mai stata scritta da nessuna parte, e resta affidata, come accadeva prima del 2022 in Val Torbida, al giudizio estemporaneo di chi guarda il cielo il venerdì sera sperando bene?