Matteo Giovannetti – co-fondatore e CEO di Clearbox AI, presenta Replica Italia, un “digital twin” costituito da 60 milioni di individui sintetici che riproducono le variabili sociodemografiche e i comportamenti di acquisto degli Italiani reali. Il progetto, spinto dalla necessità di dati di qualità per marketing e analytics, punta a offrire un’unica base informativa coerente e interrogabile in linguaggio naturale.

La costruzione del gemello digitale si fonda esclusivamente su open data rilasciati da Istat, Eurostat, Agenzia delle Entrate, Banca d’Italia e altre fonti pubbliche; nessun dato personale viene trattato, evitando scraping o pratiche che metterebbero a rischio la privacy. In questo modo l’azienda assicura un impianto etico e legale solido, pur mantenendo la granularità necessaria alle analisi di mercato.

Quale valore operativo può generare una mappa che segnala dove il tuo target è sovrarappresentato rispetto alla media nazionale? Replica Italia permette di selezionare un indirizzo, impostare un raggio o un’isocrona e ottenere in tempo reale la fotografia socio-economica delle persone che vivono o gravitano nell’area: uno strumento che accelera decisioni su aperture di punti vendita, campagne locali o ridisegno delle reti commerciali.

Per le imprese che vogliono arricchire la piattaforma con first-party data è disponibile una versione enterprise: il database “si muove” nell’infrastruttura del cliente, evitando l’estrazione di informazioni sensibili e consentendo analisi integrate più avanzate. E la qualità? Clearbox AI applica un layout di validazione automatica che verifica la coerenza statistica di ogni output rispetto alle fonti reali, supportato da metriche open-source maturate in anni di ricerca.

Quanto sarebbe utile, infine, estendere il modello al B2B per simulare non solo i consumatori, ma anche le aziende e la loro forza lavoro? Clearbox AI sta già esplorando questa evoluzione, aprendo spazi di analisi sulle dinamiche occupazionali e sulle professionalità che cambieranno i mercati nei prossimi anni.

Al Net Zero Milan Expo Summit i microfoni di Radio Next ospitano Riccardo Malabarba Head of Data di Siram Veolia.

Fin dal 2017 l’utility ha avviato un percorso di trasformazione digitale che integra algoritmi di machine learning nei sistemi di controllo degli impianti energetici a servizio di ospedali e grandi complessi, con l’obiettivo di ottimizzare in tempo reale set-point e flussi multi-energia.

Il cuore della soluzione è un middleware che armonizza i dati provenienti da asset eterogenei e spesso vetusti, li arricchisce con previsioni meteo e li consegna a modelli predittivi capaci di anticipare la domanda dell’edificio. La robustezza degli algoritmi viene salvaguardata da un monitoraggio continuo: alert automatici segnalano deviazioni critiche e innescano la ri-taratura, rendendo superflue le chiamate “non funziona!” tipiche delle fasi di collaudo.

Il beneficio? In media un risparmio energetico del 12 % sugli impianti già abilitati, con punte più alte quando il perimetro di controllo include generatori, reti di teleriscaldamento e apparecchiature frigorifere.

Resta però il nodo della data quality in contesti dove la sensoristica è frammentata da decenni di retrofit: “ospedali con più di cinquant’anni e sistemi dipartimentali che non si parlano” richiedono verifiche di campo e formazione degli operatori, altrimenti il classico garbage in garbage out mina l’efficacia di qualsiasi modello.

Quanto può pesare la qualità del dato quando l’efficienza si gioca su qualche punto percentuale? E, guardando agli edge-data-center citati nell’intervista, non è forse arrivato il momento di estendere la stessa logica di controllo predittivo all’intera filiera energetica, dal prosumer alla generazione rinnovabile?

In un mercato in cui i contenuti digitali sono per la gran parte disponibili gratuitamente per l’utente finale, la sostenibilità economica dei creator passa dalla pubblicità: l’azienda deve quindi considerarli veri e propri partner media, inserendo questa voce di spesa a bilancio con gli stessi criteri di efficacia e misurabilità riservati a TV o stampa.

Torniamo a parlarne in questa seconda puntata con Aurora Cavallo, creatrice del brand Cooker Girl.

Le collaborazioni di lungo periodo ricorda Aurora, che vanta accordi pluriennali con brand di cookware rafforzano la credibilità presso il pubblico e consentono di monitorare non solo la reach ma anche la coerenza d’uso del prodotto sul medio periodo, trasformando i post sponsorizzati in proof point continui.

Il discrimine tra semplice creator e professionista sta nella puntualità delle consegne, nella disponibilità ai rework e nella capacità di co-progettare la campagna; fattori che riducono il rischio operativo per il brand.

Come integriamo oggi questi indicatori nei nostri processi di sourcing? La selezione del partner non può prescindere dall’allineamento etico e di contesto: rifiutare sponsorship fuori categoria o lontane dai valori dichiarati tutela la reputazione di entrambe le parti e limita le frizioni con le community.

Nei progetti corporate più strutturati, il brief tende a essere prescrittivo; l’esperienza di Aurora suggerisce di prevenire conflitti con controproposte puntuali, evitando contenuti rigidi che l’utente ignora. L’azienda è pronta a trattare il creator come consulente editoriale e non come semplice esecutore?

Errori ricorrenti: ignorare il tone of voice per cui il creator è stato scelto, imporre copy innaturali, lanciare prodotti con nomi impronunciabili, privilegiare il messaggio verbale a scapito della resa visiva e dell’opportunità di agganciare trend audio-visivi che moltiplicherebbero la reach.

Quando il contratto si estende su base annuale, il creator assume un ruolo consulenziale, offrendo insight per i contenuti corporate al di fuori dei propri canali: una competenza di storytelling già inclusa nel costo della partnership che conviene capitalizzare con processi interni disposti ad ascoltare.