“Data is the new oil”. La celebre frase, attribuita all’imprenditore e matematico Clive Humby, è diventata negli anni uno dei mantra della trasformazione digitale. L’idea è intuitiva: così come il petrolio ha alimentato l’economia industriale del Novecento, i dati rappresentano oggi la materia prima che alimenta l’economia digitale.

Il paragone con il petrolio è calzante. Il greggio, infatti, ha valore soltanto dopo essere stato estratto, raffinato e distribuito. Allo stesso modo, i dati grezzi accumulati nei database aziendali non generano automaticamente valore.

Negli ultimi anni il volume di informazioni prodotte è cresciuto a ritmi impressionanti. Ogni acquisto online, ogni accesso a un’app, ogni pagamento digitale e ogni evento generato da un sistema contribuiscono ad alimentare enormi flussi di dati. In questo scenario, il vantaggio competitivo non deriva più semplicemente dal possedere i dati, ma dalla capacità di elaborarli velocemente.

Pensiamo ad un’azienda come Prima Assicurazioni. Prima elabora quotidianamente grandi moli di dati relativi alle quotazioni, ai sinistri, ai pagamenti, all’interazione con i clienti e tanto altro. Attendere ore o giorni per elaborare questi dati potrebbe significare perdere opportunità, aumentare i costi o peggiorare l’esperienza del cliente.

Per questo motivo le organizzazioni moderne come Prima stanno investendo sempre di più in tecnologie capaci di analizzare grandi quantità di dati con tempi di risposta ridotti. Non si tratta soltanto di archiviare informazioni, ma di costruire vere e proprie “catene di montaggio digitali” in grado di trasformare dati grezzi in decisioni operative.

È in questo contesto che entrano in gioco alcuni strumenti diventati fondamentali nel mondo della data analytics e della data engineering.

Pandas: il coltellino svizzero dell’analisi dati

Con un nome che rimanda al goffo urside cinese, pandas, è uno standard di fatto nell’ecosistema Python. Pandas consente di leggere, pulire, trasformare e analizzare dati strutturati attraverso un modello basato sulle cosiddette DataFrame, tabelle simili ai fogli di calcolo ma molto più potenti.

Grazie alla sua semplicità e alla ricchezza di funzionalità, Pandas è spesso il primo strumento utilizzato da data analyst e data scientist per esplorare dataset e costruire analisi.

Rilasciato per la prima volta nel 2008, per anni ha rappresentato il punto di riferimento per l’elaborazione dati su singola macchina. Ciononostante pochi conoscono i suoi segreti, la sua storia e i suoi limiti. Da questa osservazione è nata l’idea per un talk dal titolo “Tutto quello che avreste voluto sapere su pandas, ma non avete mai osato chiedere”, che ho presentato in due importanti conferenze rivolte ai tecnici del linguaggio Python: la PyCon Italia a Bologna e l’EuroPython a Cracovia.

Polars: la nuova generazione delle DataFrame

Con la crescita dei volumi di dati sono emerse nuove esigenze di performance. Da qui il successo crescente di Polars, una libreria relativamente giovane progettata per essere estremamente veloce ed efficiente.

Il nome è una chiara allusione a quello del suo predecessore, ma questa volta viene preso a riferimento uno dei più aggressivi ursidi carnivori, l’orso polare.

Polars sfrutta tecniche moderne di ottimizzazione e un’architettura pensata per utilizzare al meglio le risorse hardware disponibili. A livello concettuale offre funzionalità simili a Pandas, ma con prestazioni spesso superiori su dataset di grandi dimensioni. Per questo motivo sta attirando sempre più attenzione nella comunità dei professionisti dei dati.

Spark: quando i dati diventano giganteschi

Quando il volume di informazioni supera le capacità di una singola macchina, entra in scena Apache Spark. Si tratta di una piattaforma distribuita progettata per elaborare dati su cluster composti da decine, centinaia o migliaia di server.

Spark suddivide il lavoro tra molte macchine che operano in parallelo, consentendo di gestire dataset di dimensioni enormi. È uno degli strumenti più utilizzati nelle grandi organizzazioni per attività di data engineering, machine learning e analisi su scala industriale.

Dal possesso all’elaborazione

La vera lezione dell’era digitale è che i dati, da soli, non bastano. Se il petrolio deve essere raffinato per diventare carburante, i dati devono essere elaborati per diventare conoscenza. E in un mercato sempre più veloce, la rapidità con cui questa trasformazione avviene può fare la differenza tra guidare il cambiamento o subirlo.

Le tecnologie come Pandas, Polars e Spark rappresentano strumenti diversi per affrontare la stessa sfida: trasformare enormi quantità di informazioni in valore concreto. Perché oggi il vantaggio competitivo non appartiene a chi possiede più dati, ma a chi riesce a comprenderli e utilizzarli nel minor tempo possibile.

L'articolo Da “Data is the New Oil” a “Data in Motion”: perché oggi conta la velocità dei dati proviene da Data Manager Online.

Aumenta in Italia la consapevolezza del cyber risk, percepito non soltanto dalle imprese, ma ormai anche dai privati. È quanto emerge da una nuova indagine commissionata da Prima Assicurazioni a Nielsen, che ha indagato il livello di consapevolezza degli italiani rispetto all’esposizione personale ai rischi informatici e alla possibilità di tutelarsi, in un contesto di rischio crescente. Nel primo semestre del 2025, infatti, il numero di attacchi informatici gravi ha raggiunto un picco record, con oltre 2.700 casi nel mondo, circa un terzo in più rispetto al semestre precedente, e oltre il 10% degli attacchi gravi si è concentrato in Italia.

Secondo la survey, poco più della metà degli intervistati (54,3%) ritiene importante, a vario titolo, la possibilità di dotarsi di un’assicurazione contro i cyber risk anche come privato. In particolare, il 29,1% del campione considera il rischio informatico serio e ritiene necessaria una copertura assicurativa dedicata, anche alla luce dei limiti delle misure di protezione oggi disponibili, mentre un ulteriore 25,2% si dichiara aperto a una polizza cyber a condizione che il costo sia contenuto e accessibile.

All’opposto, rimane significativa la quota di chi dichiara una minore percezione del rischio: circa un terzo degli italiani (33,9%) considera, infatti, il cyber risk poco rilevante per i privati e ritiene di essere già sufficientemente protetto, affermando di non ritenere importante dotarsi di un’assicurazione contro i cyber risk o di non voler investire in una copertura di questo tipo. A completare il quadro, un 11,8% del campione dichiara di non sapere o di non essere interessato al tema.

I dati restituiscono così un quadro articolato, in cui a una crescente attenzione verso i rischi digitali si affianca ancora una percezione disomogenea dell’esposizione personale e delle possibili forme di tutela. Una dinamica che riflette il diverso grado di consapevolezza I dati restituiscono così un quadro articolato, in cui a una crescente attenzione verso i rischi digitali si affianca ancora una percezione disomogenea dell’esposizione personale e delle possibili forme di tutela. Una dinamica che riflette il diverso grado di consapevolezza dell’impatto concreto dei cyber risk nella vita quotidiana e la difficoltà, per molti, di tradurre una minaccia percepita come distante in una scelta di protezione.

“L’indagine mostra come il cyber risk stia entrando progressivamente nel dibattito pubblico anche dal punto di vista dei privati, ma con livelli di consapevolezza ancora molto diversi”, commenta Davide Fedrigo, Chief Technology Officer di Prima Assicurazioni. “Da un lato, cresce il numero di persone che riconosce l’esposizione ai rischi informatici nella vita quotidiana; dall’altro, resta una quota rilevante che tende a sottovalutare il problema o a confidare esclusivamente nelle protezioni esistenti. Come insurtech, riteniamo fondamentale contribuire a diffondere una maggiore comprensione di questi rischi, favorendo scelte informate e consapevoli”.

L'articolo Cyber risk: per 1 italiano su 2 assicurarsi è importante, ma circa un terzo sottovaluta il rischio proviene da Data Manager Online.

Il nuovo baricentro dell’innovazione assicurativa

Nel settore assicurativo, il concetto di «prodotto» non si esaurisce più in una polizza: oggi è diventato un’esperienza digitale, personalizzata e fluida, un punto d’incontro tra bisogni reali e tecnologia.

La crescita del settore si accompagna a una revisione profonda dei modelli operativi e dei processi di innovazione, segnale di un cambiamento profondo, a livello culturale. Il vero vantaggio competitivo non risiede più solo nella distribuzione o nel pricing, ma nella capacità di sviluppare soluzioni che portano valore aggiunto al cliente finale quando e dove è necessario     .

In questo scenario, il lavoro del Chief Product Officer può rappresentare una leva strategica: al CPO, infatti, oggi viene chiesto non più “solo” di gestire il ciclo di vita del prodotto, ma anche di essere un architetto dell’innovazione e di fungere da ponte tra tecnologia, business e cliente.

Governance, efficienza e innovazione: il nuovo orizzonte del CPO

Oggi a chi ricopre questo ruolo è richiesto molto più che la conoscenza tecnica del prodotto: serve, piuttosto, che abbia una visione d’insieme, capace di unire sviluppo, design e ingegneria tecnologica in un sistema coerente e ad alta efficienza.

Questa prospettiva deve tradursi nella capacità di fare dell’offerta assicurativa un vero motore di differenziazione competitiva, coniugando innovazione e sostenibilità operativa. Non a caso, le aziende che adottano una strategia di crescita guidata dal mettere il cliente in primo piano ottengono risultati misurabili: secondo uno studio di McKinsey, questo approccio può generare una crescita dei ricavi superiore di circa un terzo rispetto ai concorrenti meno focalizzati sulla customer experience.^[1]

In quest’ottica, al CPO spetta il compito di creare un modello organizzativo che bilanci autonomia locale e coerenza globale, mantenendo un linguaggio di prodotto comune e una chiara visione di lungo periodo. Gli investimenti insurtech, cresciuti di quasi il 90% negli ultimi mesi, confermano quanto sia cruciale un assetto in grado di adattarsi a mercati e normative diverse senza perdere coerenza, efficienza e capacità di esecuzione. ^[2]

I processi customer-driven come leva per la personalizzazione e l’efficienza

Nel settore assicurativo, processi customer-driven dinamici e supportati dal     l’intelligenza artificiale rappresentano i catalizzatori principali di questa trasformazione e stanno già producendo effetti concreti: automazione dei processi di gestione della polizza, riduzione dei tempi operativi di supporto al cliente e maggiore controllo del rischio . È un’evoluzione che attraversa tutta la catena del valore – dalla gestione dei sinistri al pricing dinamico – e che richiede una governance di prodotto capace di integrarla in modo coerente e misurabile.

Dato che l’AI resta comunque uno strumento, ai CPO è richiesto di guidare questo processo di modernizzazione, consolidando sistemi frammentati e riducendo la complessità operativa. La sfida non è semplicemente adottare la tecnologia, ma farla diventare parte integrante dei processi, così da generare valore concreto per l’azienda e per l’utente finale.

Dall’innovazione alla sostenibilità del valore

In definitiva, ciò che distingue una insurtech vincente non è solo la piattaforma più avanzata, ma la capacità di trasformare tecnologia e prodotto in fiducia del cliente. In questo senso, il CPO deve assicurare che ogni iniziativa tecnologica contribuisca a rafforzare qualità, trasparenza ed efficienza, traducendo l’innovazione in risultati misurabili.

Quando il prodotto diventa esperienza e la tecnologia serve a generare semplicità e valore percepito, è allora che l’assicurazione digitale si avvicina al suo obiettivo più importante e ambizioso: mettere davvero il cliente al centro.

^[1] McKinsey & Company, “Experience-led Growth: A New Way to Create Value”.

^[2] Gallagher Re, “Global InsurTech Report – Q1 2025”.

L'articolo Dal prodotto all’esperienza cliente: il ruolo del CPO nell’evoluzione dell’insurtech proviene da Data Manager Online.

Ogni azienda oggi raccoglie enormi quantità di dati. Eppure, la maggior parte di queste informazioni resta inutilizzata, perché estrarne valore non è semplice. Spesso i dati sono sparsi in sistemi diversi e le query tradizionali riescono a rispondere solo a domande molto precise, senza “comprendere” il significato più ampio di ciò che cerchiamo. Servirebbero strumenti capaci di interpretare cosa vogliamo davvero sapere, anche quando le informazioni non sono immediatamente evidenti nei database. È qui che entrano in gioco le ontologie e l’Intelligenza Artificiale applicata ai dati.

In un recente articolo pubblicato sul Journal of Artificial Intelligence Research (JAIR), insieme ad altri ricercatori, ho proposto un nuovo approccio per interrogare grandi basi di dati utilizzando le ontologie in modo efficiente. In pratica, abbiamo insegnato al database a comprendere meglio le domande, collegando fra loro concetti correlati, senza rallentare le prestazioni. Ciò significa poter porre query più complesse e ottenere comunque risposte rapide e accurate. Una simile innovazione apre prospettive interessanti per aziende e enti pubblici che vogliono sfruttare a pieno il loro patrimonio informativo.

Dare significato ai dati: come funzionano le ontologie

In informatica un’ontologia è, in parole semplici, un modello concettuale di un certo dominio, una sorta di mappa della conoscenza fatta di definizioni e relazioni. Ad esempio, un’ontologia nel settore automobilistico potrebbe sapere che “SUV” è una sottocategoria di “automobile”. Oppure, in un contesto aziendale, che “manager” è un tipo di “dipendente”. Queste relazioni permettono al computer di inferire nuove informazioni.

Come ci aiuta tutto ciò nelle query? Immaginiamo di avere un database di dipendenti dove solo alcuni sono etichettati come manager. Se chiediamo “elencami tutti i dipendenti”, un sistema tradizionale potrebbe restituire solo quelli non manager, perché tratta le categorie in modo rigido. Un sistema basato su ontologie, invece, sa che ogni manager è comunque un dipendente, e includerà anche i manager nella risposta. In altre parole, l’ontologia aggiunge contesto e logica alle query: la query diventa intelligente perché il sistema capisce le relazioni sottostanti ai dati.

Questa capacità è cruciale quando i dati sono frammentati su più fonti o quando le informazioni richieste non sono esplicitamente presenti ma deducibili. L’open-world assumption tipica delle ontologie permette infatti di considerare vero tutto ciò che potrebbe essere vero secondo le regole definite, ampliando la portata delle interrogazioni. Il risultato sono risposte più complete, senza dover pre-elaborare manualmente tutti i collegamenti tra i dati.

Un nuovo approccio efficiente per query “smart”

Il punto debole, finora, era che aggiungere questa “intelligenza” alle query poteva costare caro in termini di performance. I motori inferenziali tradizionali rischiavano di rallentare molto quando le basi di conoscenza diventavano grandi o le regole troppo complesse. Per questo motivo, gli esperti avevano definito linguaggi di ontologie semplificati (come OWL 2 QL, basato su DL-Lite) con cui era garantito un tempo di risposta rapido, a scapito però di qualche funzionalità espressiva.

Nel nostro lavoro su JAIR, abbiamo fatto un passo avanti, estendendo i limiti di questi linguaggi pur mantenendo l’efficienza. In particolare, abbiamo combinato i punti di forza di due approcci: uno orientato alle interrogazioni su database relazionali, l’altro efficace nel gestire gerarchie e relazioni complesse. Così abbiamo introdotto un linguaggio di ontologie esteso che supporta regole più ricche – ad esempio, la possibilità di includere relazioni inverse o condizioni esistenziali più articolate – ma in modo “harmless”, cioè limitato quanto basta per non esplodere in complessità computazionale.

Il vero traguardo è che anche con queste capacità aggiuntive, il sistema riesce a tradurre le query avanzate in una serie di operazioni che un database tradizionale o un motore di ricerca semantica può eseguire in tempi brevi. Abbiamo sviluppato un algoritmo di riscrittura della query che scompone la domanda ad alto livello in query più semplici, utilizzando anche automi a stati finiti per gestire i percorsi logici possibili. Senza entrare nei dettagli tecnici, significa che sotto il cofano le query complesse vengono ricondotte a qualcosa che i sistemi esistenti sanno già gestire bene.

Importante: il nuovo metodo è stato dimostrato teoricamente efficiente. Le analisi mostrano che il tempo di risposta cresce in modo simile a una normale interrogazione su database al crescere dei dati (complessità “data complexity” in NLOGSPACE, quindi altamente scalabile). Anche considerando la complessità totale (dati + dimensione delle query), l’approccio resta gestibile. In breve, si possono ottenere query smart senza sacrificare le prestazioni, anche con dataset imponenti.

Vale la pena notare che una delle tecnologie di base da noi estesa (DL-Lite_R) è già utilizzata in molti settori pratici, tra cui energia, sanità, pubblica amministrazione, trasporti e altri. Ciò significa che migliorare le capacità espressive mantenendo l’efficienza non è solo un esercizio teorico, ma può avere impatto diretto in contesti di utilizzo reali.

Benefici concreti per aziende e servizi digitali

Quali vantaggi tangibili porta quindi l’interrogazione di dati mediata da ontologie, resa più efficiente da questo nuovo approccio? Ecco alcuni esempi di scenari d’uso possibili:

• Imprese con basi di dati eterogenee: aziende grandi (banche, assicurazioni, retail) spesso hanno dati sparsi in diversi silos. Un’ontologia di dominio permette di unificare la visione e porre domande trasversali ottenendo risposte immediate, senza dover prima integrare manualmente le tabelle di vari dipartimenti.
• Enti pubblici e smart city: nelle Pubbliche Amministrazioni i dati su cittadini, servizi, territori e infrastrutture sono enormi e distribuiti. Con ontologie ben strutturate si potrebbero interrogare le informazioni pubbliche in modo integrato, aiutando a prendere decisioni di pianificazione in pochi secondi.
• Servizi digitali e AI conversazionale: un assistente virtuale o un motore di ricerca avanzato può beneficiare di ontologie per comprendere la domanda dell’utente. Il sistema può collegare concetti e categorie anche se non menzionati esplicitamente, restituendo risposte più pertinenti.

In definitiva, questa ricerca mostra come l’evoluzione dell’AI passi anche dalla capacità di dare “significato” ai dati in modo scalabile. Per le imprese, sfruttare ontologie efficienti significa poter estrarre insight complessi dai propri database senza investire in costose rielaborazioni. Per i cittadini e i servizi pubblici, potrebbe voler dire accedere a informazioni integrate con tempi di risposta ridotti. In un mondo sempre più guidato dai dati, far sì che i database comprendano le nostre domande è un passo chiave per ottenere decisioni più informate e sistemi più reattivi.

L'articolo L’AI al servizio dei Big Data: ontologie per risposte più rapide e intelligenti proviene da Data Manager Online.