C’è un momento ricorrente nella vita di ogni project manager: guardi il foglio di avanzamento, qualcosa non torna, ma non sai dire cosa. Il progetto sembra in orario, eppure hai quella sensazione che la prossima milestone scivolerà. Per anni l’unica risposta a quella sensazione è stata l’esperienza. Oggi Smartsheet prova a darti qualcosa di più solido: numeri, trend, segnali ricavati dai dati che hai già dentro i tuoi fogli, senza che tu debba assumere un data scientist o imparare Python.
La promessa dell’analisi predittiva applicata ai progetti è seducente e per questo va maneggiata con prudenza. Vediamo cosa fa davvero Smartsheet, cosa puoi chiedergli in concreto, come leggere quello che ti restituisce e dove smette di essere affidabile. Perché un PM che si fida ciecamente di una previsione è pericoloso quanto uno che decide solo a naso.
Cosa intende Smartsheet per analisi dei dati e predittiva
Sotto l’ombrello dell’AI di Smartsheet convivono cose diverse che vale la pena distinguere, perché si comportano in modo diverso. La funzione “Analyze Data” lavora sui dati di un foglio o di una raccolta e ti propone sintesi, raggruppamenti, scostamenti e tendenze. È il livello descrittivo: ti dice cosa è successo e come si stanno muovendo i numeri. Su questo si innesta la parte più ambiziosa, quella predittiva, che estende le tendenze osservate per stimare dove andranno le cose se nulla cambia.
Accanto a queste, ci sono i suggerimenti di workflow e automazione: l’AI guarda come gestisci i tuoi processi e propone regole, alert, automatismi. Non è predizione in senso stretto, ma è figlia della stessa logica, cioè estrarre pattern dal comportamento passato e proiettarlo in avanti.
Il punto chiave da tenere a mente è semplice. Smartsheet non inventa intelligenza dal nulla. Legge i dati che tu hai inserito, trova regolarità e te le mette davanti in forma leggibile. Più i tuoi fogli sono ricchi, ordinati e storicizzati, più quello che ti restituisce ha valore. Se i tuoi dati sono caotici, l’AI sarà solo un modo elegante per produrre conclusioni sbagliate più in fretta.
Cosa puoi chiedere in pratica, con esempi concreti
La differenza tra usare bene queste funzioni e perderci tempo sta nelle domande. Vaghe portano risposte vaghe. Ecco alcune richieste reali che un PM può formulare partendo da un foglio di progetto ben tenuto.
- Sui tempi: “Tra i task chiusi nelle ultime otto settimane, quali categorie hanno avuto più ritardo medio rispetto alla data prevista?” Qui non chiedi una previsione, chiedi una fotografia dei tuoi pattern di slittamento. È il primo passo prima di qualsiasi proiezione.
- Sul carico: “Come si distribuisce il numero di task aperti per assegnatario nelle prossime tre settimane?” Vedi i colli di bottiglia prima che diventino crisi, semplicemente leggendo come è già impostato il piano.
- Sulla tendenza: “Il tasso di completamento settimanale sta accelerando o rallentando rispetto al mese scorso?” Questa è analisi di trend pura, e spesso è il segnale più onesto che hai. Un velocity in calo è un campanello che precede di settimane il ritardo visibile.
- Sui costi: “Confronta la spesa cumulata rispetto al budget pianificato per fase e segnala le fasi che superano la soglia.” Un controllo di scostamento che a mano richiede tempo e che l’AI ti restituisce in pochi secondi.
Nota cosa hanno in comune queste domande. Sono ancorate a dati che esistono già nel foglio, hanno un perimetro temporale chiaro e chiedono un confronto. Sono le tre condizioni che rendono utile la risposta. Quando invece chiedi “questo progetto andrà bene?” stai delegando alla macchina un giudizio che spetta a te.
Come leggere l’output senza prenderlo per oro colato
Quando Smartsheet ti dice che, mantenendo il ritmo attuale, una fase chiuderà con due settimane di ritardo, ti sta dicendo una cosa precisa e una cosa implicita. La cosa precisa è la proiezione lineare di un trend. La cosa implicita, e più importante, è “se nulla cambia”. Ma nei progetti qualcosa cambia sempre. Arriva una risorsa, salta un fornitore, lo sponsor cambia priorità.
Per questo l’output predittivo va trattato come un’ipotesi da interrogare, non come una sentenza. Quando vedi una previsione, fatti tre domande. Su quanti dati si basa, cioè è costruita su venti righe o su duecento? Quanto è recente il pattern, perché un trend di sei mesi fa potrebbe non valere oggi? E soprattutto, c’è un evento noto che la proiezione non può conoscere, tipo le ferie estive del team o un rilascio già pianificato che cambierà tutto?
L’AI non sa che lunedì entra in squadra un senior. Tu sì. La previsione è un punto di partenza per la tua testa, non un sostituto. Il valore vero non è il numero che ti dà, è la conversazione che quel numero apre dentro il team durante lo stand-up.
Una mappa rapida: cosa anticipare, cosa serve, quale trappola
Per orientarti, ho messo insieme i casi d’uso più frequenti accostando a ciascuno il dato indispensabile e l’errore più comune che vedo fare ai PM.
| Cosa puoi anticipare | Dato che serve | Trappola da evitare |
|---|---|---|
| Slittamento di una milestone | Date previste e date reali di chiusura su uno storico di task sufficiente | Proiettare un ritardo su pochi task chiusi: il campione è troppo piccolo per fare tendenza |
| Sovraccarico di una persona | Assegnatari valorizzati su ogni task, con stima di effort | Task senza owner o senza stima: l’AI legge un carico finto e ti rassicura a torto |
| Sforamento di budget per fase | Costi pianificati e costi consuntivati, collegati alle fasi | Mescolare valute, importi lordi e netti o costi inseriti a singhiozzo |
| Rallentamento del ritmo di lavoro | Date di completamento storicizzate, non sovrascritte | Chiudere task in blocco a fine sprint falsa la velocity reale |
| Rischio su categorie ricorrenti di attività | Tassonomia coerente delle attività con un campo categoria pulito | Etichette libere e incoerenti che impediscono qualsiasi raggruppamento sensato |
La verità scomoda: garbage in, garbage out
Tutto quello che precede crolla se i dati sotto non reggono. L’analisi predittiva non è magia, è statistica applicata a quello che le dai in pasto. Se i tuoi fogli sono pieni di date stimate a occhio, di task chiusi tutti lo stesso venerdì per fare ordine, di assegnatari mancanti e categorie scritte in dieci modi diversi, l’AI produrrà proiezioni dall’aria autorevole e dal contenuto inattendibile.
Questo è il rischio più sottile. Un’analisi sbagliata fatta a mano la guardi con sospetto. Una proiezione sbagliata generata dall’AI ha l’aspetto della precisione, e proprio per questo ti convince. La fiducia mal riposta nei numeri è un classico errore di chi si avvicina all’analisi senza esserci abituato.
La buona notizia è che la qualità dei dati non richiede competenze di data science. Richiede disciplina e un minimo di metodo. Ecco una checklist concreta da passare prima di chiedere qualsiasi previsione a Smartsheet.
- Ogni task ha una data prevista e, se chiuso, una data reale di completamento. Senza il confronto tra le due, nessuna analisi di ritardo è possibile.
- Gli assegnatari sono valorizzati su tutte le righe attive, e usi sempre lo stesso identificativo per la stessa persona.
- Le categorie o i tipi di attività usano una lista controllata, non testo libero. Niente “Sviluppo”, “sviluppo”, “Dev” come fossero tre cose diverse.
- I costi sono nella stessa valuta e nella stessa logica, e vengono aggiornati con regolarità, non a fine progetto.
- Non chiudi i task in blocco per pulizia: la data di completamento deve riflettere quando il lavoro è finito davvero.
- Hai uno storico minimo. Su cinque righe non si fa tendenza. Più settimane di dati hai accumulato, più la proiezione ha senso.
- Le righe orfane, i duplicati e i task fantasma sono stati ripuliti prima dell’analisi, non lasciati a sporcare il campione.
Spuntare questa lista richiede mezza giornata di pulizia all’inizio e poi pochi minuti di igiene settimanale. È il prezzo d’ingresso per ottenere previsioni che valgono qualcosa. Saltarlo significa pagare due volte: una in tempo perso a generare analisi inutili, una in decisioni prese su basi false.
L’AI democratizza l’analisi, non il giudizio
Il vero cambiamento portato da strumenti come Smartsheet non è che le previsioni siano diventate più intelligenti. È che sono diventate accessibili. Quello che dieci anni fa richiedeva un analista dedicato oggi lo chiedi in linguaggio naturale dentro il foglio che usi ogni giorno. Questa è una democratizzazione reale e va riconosciuta.
Ma democratizzare l’analisi non significa democratizzare il giudizio. La macchina ti dice dove stanno andando i numeri. Decidere cosa farne resta un atto umano, fatto di contesto, relazioni con gli stakeholder, conoscenza del team e responsabilità sul risultato. Un buon PM usa la previsione per porre domande migliori, non per smettere di pensare.
Il rischio opposto all’analfabetismo da dati è la delega cieca. Entrambi portano fuori strada. La via di mezzo è un professionista che sa leggere un trend, ne capisce i limiti, lo incrocia con quello che sa del progetto e poi decide assumendosene la responsabilità. L’AI è uno strumento potente in mano a chi ha già questa testa. È un moltiplicatore di errori in mano a chi non ce l’ha.
Formare la testa, non solo lo strumento
Imparare a usare Analyze Data si fa in un pomeriggio. Imparare a governare un progetto digitale tra metodo waterfall e agile, a leggere i dati senza farsi ingannare, a portare gli OKR dentro la pratica quotidiana richiede un percorso strutturato. Lo strumento cambia ogni anno, il modo di ragionare resta.
Il Corso DPM Executive di Management Academy è il percorso più completo dedicato alla gestione dei progetti digitali. Centodiciotto ore di formazione on demand, con esami in italiano, che integrano approccio waterfall e agile, gestione del prodotto digitale e logica OKR. Il corso prepara agli esami di certificazione CAPM (PMI), Scrum (Scrum Alliance) e Product Management (ACS), oltre ai moduli dedicati agli OKR.
Una precisazione di onestà: il percorso prepara agli esami ma non li include né li rilascia. Le certificazioni degli enti esterni vanno sostenute separatamente. Per l’accesso è richiesto il diploma di scuola superiore.
