Dalla segmentazione euristica per quintili alla modellizzazione stocastica BTYD

Il Modello RFM (Recency, Frequency, Monetary) costituisce il nucleo storico del data-driven marketing analitico. Ideato negli anni ’70 per ottimizzare i costi della componentistica di direct mailing postale, la sua evoluzione rappresenta il passaggio perfetto da una misurazione empirica e approssimativa a una formulazione statistico-probabilistica ad alto rigore matematico.

La Formalizzazione vettoriale delle variabili

All’interno di un database di clienti C, ogni singolo utente i ∈ C viene mappato in una determinata finestra temporale tramite un vettore tridimensionale continuo o discreto nello spazio degli stati del consumatore:

x_i(t) = [R_i(t), F_i(t), M_i(t)]

Recency (R_i)

Definisce lo scarto temporale espresso in unità di tempo (giorni, mesi) calcolato tra l’ultimo evento d’acquisto osservato e il tempo corrente di computazione dell’analisi:

R_i = t_0 – t_i,last

Frequency (F_i)

Rappresenta la cardinalità dell’insieme delle transazioni d’acquisto distinte registrate all’interno dell’orizzonte temporale totale di osservazione:

F_i = ∑_{k=1}^{N_i} I(t_i,k ∈ Δt)

Dove I rappresenta la funzione indicatrice che assume valore 1 se l’evento ricade nell’intervallo e 0 altrimenti.

Monetary Value (M_i)

Esprime la magnitudo economica totale (o il valore medio ponderato per transazione) spesa dal cliente nel corso dell’intervallo osservato:

M_i = ∑_{k=1}^{N_i} v_i,k

Lo Scoring Quintilico e la Quantizzazione Spaziale

Per rendere operative queste metriche, la transizione classica introduceva una discretizzazione basata sui quintili della popolazione. La funzione di scoring mappa le variabili continue in un set ordinato discreto:

S_i = Score(R_i) × 100 + Score(F_i) × 10 + Score(M_i)

Generando una matrice discreta rigida combinatoria di 125 micro-segmenti (da 111 a 555), dove il valore massimo identifica i consumatori a più alta profittabilità.

Nota Critica sui Limiti del Modello Classico:
Lo scoring quintilico soffre di asimmetria informativa causata dalla forte correlazione lineare tra Frequency ed economicità (Monetary), oltre a non saper catturare analiticamente il tasso di logoramento o abbandono latente (Customer Churn).

L’evoluzione probabilistica: il modello stocastico Pareto/NBD

La moderna transizione econometrica introdotta da Fader e Hardie bypassa lo scoring rigido per mappare il comportamento attraverso modelli BTYD (“Buy ‘Till You Die”). Il comportamento del consumatore viene scomposto in due processi stocastici latenti:

• Processo di Acquisto: Fintanto che il cliente è attivo, le transazioni avvengono secondo un processo di Poisson con tasso di intensità λ. Il numero di acquisti segue una Distribuzione di Poisson:

P(X(t) = x | λ) = ((λt)^x × e^{-λt}) / x!

• Processo di Defezione (Dropout): Il tempo di vita attivo del cliente è governato da una distribuzione esponenziale non osservabile con tasso d’abbandono μ:

f(τ | μ) = μ × e^{-μτ}

Considerando che i parametri variano nella popolazione secondo distribuzioni Gamma e Pareto, l’algoritmo permette di stimare analiticamente la probabilità condizionata che un cliente sia ancora attivo al tempo attuale, nota la sua storia transazionale:

P(Alive | X = x, R_i, T_i) = f(r, α, s, β, x, R_i, T_i)

Sintesi delle Fasi di Evoluzione Matematica

Data-Driven Marketing ha queste caratteristiche:

• decisioni basate sui numeri: sostituisce l’intuito e le supposizioni con l’analisi concreta di dati statistici e metriche reali.
• personalizzazione: permette di creare messaggi, offerte e contenuti altamente su misura per i singoli utenti o segmenti specifici, basandosi su comportamenti e preferenze passate.
• approccio omnicanale: integra i dati provenienti da diversi punti di contatto (social, e-commerce, punti vendita fisici) per offrire un’esperienza fluida al cliente.
• capacità predittiva: sfrutta strumenti di analisi avanzata, intelligenza artificiale o machine learning per anticipare i comportamenti futuri e le tendenze di acquisto.
• ottimizzazione del ROI⁽¹⁾: consente di tracciare con precisione le performance delle campagne in tempo reale e allocare il budget sui canali più redditizi

Nota  ROI⁽¹⁾ (Return on Investment, o “ritorno sull’investimento”) è un indicatore che misura la redditività e l’efficienza economica di un investimento. In parole semplici, ti dice quanto ti rende (o ti fa perdere) ogni euro che hai investito.

L’Epistemologia del Data-Driven Marketing. Origini storiche, evoluzione tecnologica e fondamenti teorici

Introduzione

Nel panorama economico contemporaneo, il Data-Driven Marketing (marketing guidato dai dati) rappresenta il paradigma dominante della comunicazione d’impresa. Definito come l’insieme delle strategie di marketing sviluppate sulla base dell’analisi quantitativa e qualitativa dei big data, questo approccio ha sostituito il modello classico basato sull’intuizione euristica con un framework scientifico e predittivo. Tuttavia, contrariamente alla percezione comune che lo considera un prodotto esclusivo dell’era di Internet, le sue radici teoriche e pratiche affondano nella seconda metà del XX secolo, intersecandosi con la nascita dell’informatica gestionale, della statistica applicata e delle prime architetture di database.

Le Origini e i Pionieri: Il Marketing Diretto e i Primi Database (1960-1980)

L’archeologia del data-driven marketing coincide storicamente con l’evoluzione del marketing diretto e la necessità di segmentare i mercati di massa in cluster più definiti.

Lester Wunderman e la nascita del Direct Marketing (1967)

Il primo vero scatto ideologico si deve a Lester Wunderman, considerato il padre del marketing diretto moderno. Nel 1967, durante un discorso al Massachusetts Institute of Technology (MIT), Wunderman coniò il termine “Direct Marketing”. Egli teorizzò che il marketing non dovesse più essere un monologo unidirezionale dei media di massa (TV e radio), ma un dialogo misurabile basato sulla risposta del consumatore. Wunderman introdusse l’uso di metriche precise (come il costo per acquisizione) e l’utilizzo pionieristico di numeri verdi e coupon tracciabili, ponendo le basi per la raccolta sistematica dei dati di risposta.

Arthur Hughes e il Modello RFM (1970)

Negli anni ’70, la necessità di ottimizzare i costi delle campagne postali portò allo sviluppo di modelli matematici di segmentazione. Arthur Hughes fu uno dei principali divulgatori del Modello RFM (Recency, Frequency, Monetary). Questo algoritmo consentiva alle aziende di catalogare i clienti in base a tre variabili quantitative:

• Recency: Quanto tempo era trascorso dall’ultimo acquisto.
• Frequency: Con quale frequenza il cliente acquistava.
• Monetary: L’ammontare economico speso.

Il modello RFM rappresenta il primo vero framework analitico standardizzato per prevedere il comportamento d’acquisto futuro sulla base dei dati storici.

La Rivoluzione dei Database Relazionali (1970-1980)

Il passaggio da liste cartacee a sistemi digitali fu reso possibile da un’innovazione fondamentale nel campo dell’informatica: il database relazionale.

Edgar F. Codd e il modello relazionale (1970)

Nel 1970, l’informatico britannico Edgar F. Codd, ricercatore presso IBM, pubblicò il paper scientifico fondamentale “A Relational Model of Data for Large Shared Data Banks”. Codd inventò il modello di database relazionale, che permetteva di organizzare le informazioni in tabelle collegate tra loro senza dover riscrivere i dati. Questa architettura divenne la spina dorsale tecnologica dei futuri sistemi di marketing.

Larry Ellison e la fondazione di Oracle (1977)

Partendo dalle teorie di Codd, Larry Ellison (insieme a Bob Miner e Ed Oates) fondò nel 1977 la Software Development Laboratories, divenuta poi Oracle. La commercializzazione dei database relazionali su larga scala permise alle grandi aziende di immagazzinare quantità di dati sui clienti fino ad allora impensabili, rendendo la computazione dei dati di vendita accessibile ai dipartimenti commerciali.

L’Emergenza del Database Marketing e del CRM (1980-1990)

Gli anni ’80 segnano la transizione formale verso il concetto moderno di marketing guidato dai dati, grazie alla riduzione dei costi hardware e alla nascita di software dedicati.

Robert Kestnbaum e lo standard del Database Marketing (1980)

Robert Kestnbaum e la sua consulente Kate Kestnbaum sono universalmente riconosciuti per aver codificato la disciplina del Database Marketing. Kestnbaum integrò le tecniche di Wunderman con le capacità dei nuovi computer, definendo il database marketing come un’attività che utilizza tecniche statistiche e finanziarie per raccogliere, analizzare e modellare il comportamento dei consumatori a livello individuale.

Tom Siebel e la nascita del CRM (1993)

Con l’aumentare dei dati disponibili, sorse l’esigenza di software per gestire le relazioni con i clienti. Nel 1993, Tom Siebel lasciò Oracle per fondare Siebel Systems, l’azienda che creò il primo software di Enterprise CRM (Customer Relationship Management) su larga scala. Il CRM centralizzò tutte le interazioni con i clienti (vendite, supporto, marketing), rendendo il dato la risorsa principale per la fidelizzazione.

L’Era di Internet e l’esplosione dei Web Analytics (1995-2000)

L’avvento del World Wide Web trasformò radicalmente la granularità del dato: non si tracciavano più solo le transazioni finali, ma l’intero percorso comportamentale dell’utente.

La nascita dei cookie e Lou Montulli (1994)

Nel 1994, l’ingegnere di Netscape Lou Montulli inventò il cookie HTTP. Originariamente concepito per verificare se un utente avesse già visitato un sito (per mantenere il carrello della spesa virtuale), il cookie divenne rapidamente lo strumento principe per il tracciamento dei comportamenti di navigazione online, aprendo la strada alla pubblicità comportamentale e al tracciamento cross-sito.

Larry Page, Sergey Brin e il Pay-Per-Click (2000)

Nel 2000, Larry Page e Sergey Brin lanciarono Google AdWords (oggi Google Ads). Sebbene inizialmente basato su un modello a impressioni, nel 2002 Google introdusse il modello basato sulle performance e sul Pay-Per-Click (PPC). Per la prima volta nella storia del marketing, gli inserzionisti non pagavano per lo spazio pubblicitario in sé, ma per l’azione diretta e tracciabile dell’utente. Il marketing diventava una scienza esatta di ottimizzazione algoritmica basata su tassi di conversione (CR) e tassi di clic (CTR).

L’Era dei Big Data, MarTech e Customer Data Platform (2010-Oggi)

L’ultimo decennio ha visto una convergenza di fattori: la proliferazione degli smartphone, la nascita dei social network e la riduzione dei costi di archiviazione in cloud.

Scott Brinker e l’ecosistema MarTech (2011)

A partire dal 2011, l’analista Scott Brinker iniziò a mappare l’ecosistema tecnologico del marketing, coniando il termine MarTech (Marketing Technology). La sua celebre mappa (Marketing Technology Landscape) mostra come il mercato sia passato da circa 150 software nel 2011 a oltre 14.000 strumenti odierni, evidenziando la frammentazione e la complessità della gestione del dato moderno (tra cui DMP, CDP e sistemi di Attribution Modeling).

Il passaggio ai dati di prima parte (First-Party Data) e l’AI

Negli ultimi anni, in seguito a normative stringenti sulla privacy come il GDPR (2018) in Europa e alla progressiva dismissione dei cookie di terze parti, il focus si è spostato sulla raccolta etica e diretta dei dati (First-Party e Zero-Party Data). Oggi, l’integrazione di algoritmi di Machine Learning e Intelligenza Artificiale permette un’analisi predittiva in tempo reale, consentendo l’automazione di flussi di lavoro complessi e la personalizzazione dinamica dei contenuti.

Conclusione

Il Data-Driven Marketing non deve essere considerato un fenomeno transitorio o puramente tecnologico, bensì l’evoluzione scientifica della teoria dei mercati. Dalle prime intuizioni postali di Wunderman e Kestnbaum fino ai complessi algoritmi di intelligenza artificiale contemporanei, l’obiettivo è rimasto costante: ridurre l’asimmetria informativa tra impresa e consumatore. La sfida accademica e professionale attuale non risiede più nella mera capacità di accumulare dati (data storage), ma nella capacità di estrarvi valore semantico ed etico (data governance), trasformando le informazioni grezze in strategie di business sostenibili.

ALLEGATO A – Cronologie delle innovazioni e applicazioni

Provo a tracciarne un profilo partendo da una presentazione che di lui avevo fatto pochi anni fa.

Italo Zannier è stato il primo docente in Italia a ricoprire una cattedra di Storia della fotografia. Il suo legame con l’Università Iuav di Venezia è stato cruciale per scardinare i vecchi assetti accademici che relegavano l’immagine a mero supporto documentario.

All’interno dello IUAV, l’insegnamento di Zannier (fiancheggiato poi da docenze a Ca’ Foscari, al DAMS di Bologna e alla Cattolica di Milano) ha introdotto lo studio metodologico delle tecniche e della critica fotografica.
La sua formazione da architetto e l’influenza di figure come Bruno Zevi lo hanno spinto a insegnare la fotografia non come arte isolata, ma come strumento integrato di lettura dello spazio, dell’urbanistica e delle trasformazioni sociali.
Il legame profondo con l’ateneo veneziano si riflette anche nella cura scientifica delle istituzioni locali e nel conferimento del suo immenso patrimonio librario e d’archivio storico (il celebre Fondo Italo Zannier, composto da oltre 1.700 stampe e circa 12.000 volumi) alla Fondazione di Venezia.

La rivista Fotologia: la nascita di un avamposto scientifico

Fondata e curata da Zannier a partire dai primi anni Ottanta (con il fondamentale supporto editoriale della Fratelli Alinari), Fotologia. Studi di storia della fotografia rappresenta una pietra miliare della saggistica settoriale.
La rivista è nata per colmare il vuoto di pubblicazioni filologiche in Italia. Non era una rivista di tecnica per amatori, ma un periodico scientifico dedicato allo studio delle origini dell’immagine, alla riscoperta degli archivi e all’analisi dei maestri storici.
Il valore scientifico e la raffinatezza grafica di Fotologia (proseguita per 24 numeri) spinsero John Szarkowski, leggendario direttore del dipartimento di fotografia del MoMA di New York, a definirla pubblicamente la “più bella rivista di fotografia del mondo”.
Non posso non ricordare in questa occasione anche Paolo Costantini (1959-1997), stimato storico, critico e docente universitario italiano di storia e teoria della fotografia sempre presente nel costruire la fotografia come disciplina di altissimo livello. A lui è dedicata una sala del Centro Culturale Candiani di Mestre (Venezia).
Gli anni Ottanta a Venezia sono stati segnati da un decentramento culturale di cui Zannier è stato attivo promotore, in particolare nell’isola della Giudecca. Sulla scia del clamoroso successo della kermesse internazionale Venezia ’79. La fotografia, l’isola divenne un laboratorio a cielo aperto.
Il Centro Fotografia Giudecca, fondato nel 1980 da Roberto Salbitani e animato attivamente da Zannier, questo spazio divenne la culla degli “incontri in Giudecca”.
In quegli anni, la Giudecca si trasformò nel punto di ritrovo per eccellenza di studenti dello IUAV, teorici, critici e fotografi nazionali e internazionali. Gli incontri consistevano in laboratori sul territorio, letture portfolio autogestite e dibattiti accesi che miravano a sottrarre la fotografia al mercato speculativo per restituirla a una dimensione di indagine sociale e antropologica.
L’isola della Giudecca è rimasta nel DNA di Zannier fino ai suoi ultimi mesi di vita: ha continuato a frequentarla regolarmente, a scattarvi ritratti intensi e a considerarla l’unico borgo autentico di Venezia in cui la fotografia potesse ancora catturare interazioni umane genuine.

Con la scomparsa di Italo Zannier si chiude l’epoca d’oro della fondazione teorica della fotografia italiana, lasciando in dote alla comunità scientifica oltre 500 pubblicazioni e la definitiva consacrazione universitaria della disciplina.

Grazie di tutto Maestro!

(versione del 09.09.2026 di Maurizio Galluzzo) 

DIGITALmeet 2026: La forza del digitale nasce dalla consapevolezza che il futuro del Paese dipende dalla diffusione delle competenze digitali. 

Il digitale è una forza che trasforma il presente e costruisce il futuro. Ma la sua vera potenza non risiede soltanto nelle infrastrutture, nelle reti, nei dispositivi o negli algoritmi. La forza del digitale nasce soprattutto dalle persone, dalla loro capacità di comprendere il cambiamento, di acquisire nuove competenze e di utilizzare la tecnologia in modo consapevole, responsabile e creativo.

Il futuro del nostro Paese dipende dalla capacità di rendere il digitale un patrimonio comune. In un tempo in cui tecnologia e innovazione stanno modificando profondamente il lavoro, le imprese, la sanità, l’istruzione e la Pubblica Amministrazione, non possiamo permettere che la conoscenza digitale rimanga un privilegio per pochi. Le competenze devono diventare accessibili, diffuse e condivise, perché soltanto una società consapevole può affrontare il cambiamento senza subirlo.

La trasformazione digitale non è un processo che riguarda esclusivamente la tecnologia. È prima di tutto una trasformazione culturale. Significa imparare a conoscere nuovi strumenti, comprenderne le opportunità e i limiti, sviluppare capacità critiche e scegliere in che modo utilizzare l’innovazione per migliorare la vita delle persone. Significa mettere la conoscenza al centro e riconoscere che dietro ogni tecnologia ci sono sempre decisioni, competenze, responsabilità e persone. 

L’accelerazione dell’Intelligenza Artificiale oggi apre una nuova fase di questa affascinante trasformazione. Una fase ancora più profonda e complessa, capace di cambiare il modo in cui lavoriamo, produciamo, comunichiamo, apprendiamo e prendiamo decisioni. L’Intelligenza Artificiale rappresenta una straordinaria opportunità, ma richiede anche una nuova consapevolezza. Non basta utilizzare questi strumenti: è necessario comprenderli, conoscerne il funzionamento, riconoscerne i limiti e imparare a governarne l’impatto.

Una delle sfide più importanti riguarda il modo in cui il sistema pubblico saprà affrontare questa trasformazione. L’Intelligenza Artificiale può contribuire a costruire una Pubblica Amministrazione aumentata, più efficiente, più semplice, più accessibile e più vicina ai cittadini. Può aiutare a semplificare i processi, ridurre i tempi di attesa, automatizzare le attività ripetitive e rendere più efficace l’utilizzo delle risorse. Ma il suo valore più grande sarà la capacità di liberare tempo ed energie da dedicare alle persone, alle decisioni strategiche, alla qualità dei servizi e all’innovazione.

La tecnologia non deve allontanare le istituzioni dai cittadini. Deve avvicinarle. Non deve rendere i processi più impersonali. Deve renderli più semplici e comprensibili. Non deve sostituire indiscriminatamente il lavoro umano, ma contribuire a valorizzare le competenze e a permettere alle persone di concentrarsi su ciò che richiede creatività, responsabilità, relazione e capacità decisionale.

Perché questo cambiamento possa produrre risultati concreti, sarà indispensabile investire nelle competenze. La formazione non può essere considerata un elemento secondario della trasformazione digitale, ma deve diventarne il fondamento. Non esiste innovazione senza conoscenza e non esiste un utilizzo responsabile dell’Intelligenza Artificiale senza persone capaci di comprenderla.

DIGITALmeet nasce e continua a crescere proprio intorno a questa convinzione: il digitale deve essere un’opportunità per tutti. Per i cittadini che vogliono comprendere il mondo che cambia, per le imprese che desiderano innovare e competere, per le istituzioni che devono affrontare nuove sfide e per le nuove generazioni che costruiranno il futuro.

Promuovere cultura digitale significa creare una società più inclusiva e più consapevole. Significa ridurre le distanze tra chi conosce la tecnologia e chi rischia di esserne escluso. Significa offrire strumenti per partecipare attivamente al cambiamento e non limitarsi a subirlo. Significa costruire un linguaggio comune tra persone, imprese, istituzioni, università e territori.

DIGITALmeet 2026 rinnova questo impegno e vuole essere uno spazio aperto di confronto, conoscenza e partecipazione. Un luogo in cui discutere del presente e immaginare il futuro, mettendo in relazione competenze, esperienze e visioni differenti. Un’occasione per comprendere come il digitale e l’Intelligenza Artificiale possano generare valore concreto per cittadini, imprese e istituzioni.

Il futuro non è determinato dalla tecnologia che scegliamo di adottare, ma dalla capacità che avremo di utilizzarla per costruire una società migliore. Ogni innovazione porta con sé opportunità e responsabilità. Sta a noi scegliere quale direzione prendere. Sta a noi decidere se lasciare che il cambiamento aumenti le distanze o utilizzarlo per creare nuove possibilità di inclusione, crescita e sviluppo.

Diffondere competenze significa costruire un’Italia più preparata, più competitiva e più capace di affrontare le sfide del domani. Significa riconoscere che la trasformazione digitale non è un traguardo da raggiungere, ma un percorso da costruire insieme. Significa trasformare il potenziale della tecnologia in opportunità concrete e l’Intelligenza Artificiale in uno strumento al servizio delle persone.

Il digitale non è soltanto tecnologia. È conoscenza, partecipazione, responsabilità e futuro. 

È la capacità di immaginare nuove possibilità e di trasformarle in realtà. 

È una forza che appartiene a tutti, quando tutti hanno gli strumenti per comprenderla.

Per questo crediamo nelle persone prima ancora che nelle tecnologie. Crediamo nella conoscenza prima ancora che negli strumenti. Crediamo nella consapevolezza come condizione necessaria per innovare e che il futuro digitale dell’Italia debba essere costruito insieme, senza lasciare indietro nessuno.

Perché il futuro non appartiene semplicemente a chi utilizza la tecnologia. Il futuro appartiene a chi sa comprenderla, governarla e trasformarla in valore.

DIGITALmeet 2026 è questo impegno: costruire insieme un futuro in cui il digitale sia una forza per le persone, l’Intelligenza Artificiale sia un’opportunità da comprendere e governare e l’innovazione diventi uno strumento concreto di crescita, inclusione e sviluppo per l’intero Paese.

Vedi le edizioni precedenti del Manifesto di Pieduluco

• Manifesto di Piediluco – Edizione 2025
• Manifesto di Piediluco – Edizione 2024
• Manifesto di Piediluco – Edizione 2022

Immagini della discussione (fonte DIGITALmeet)

Secondo un’indagine di Talents Venture per l’Aie, il 68% dei docenti collega il calo della lettura dei testi integrali alla crescente fragilità nella preparazione degli studenti: diminuiscono la capacità di analisi, il ragionamento critico e l’attitudine a costruire collegamenti tra gli argomenti

Arrivano all’esame dopo sugli appunti presi a lezione o su testi sempre più sintetici. I manuali, invece, restano spesso sullo sfondo.

Per i docenti universitari le conseguenze cominciano a essere evidenti: studenti meno abituati ad affrontare testi complessi, difficoltà nel costruire collegamenti tra gli argomenti e una capacità di analisi e di ragionamento critico che si sta progressivamente indebolendo. È

la fotografia che emerge dall’indagine realizzata da Talents Venture per l’Associazione Italiana Editori (Aie) su 463 docenti di prima e seconda fascia appartenenti a 34 atenei italiani. […]

Il dato forse più significativo riguarda la velocità con cui stanno cambiando le abitudini degli universitari. L’83% dei professori intervistati afferma di aver osservato, negli ultimi tre-cinque anni, una trasformazione delle modalità di studio. Gli studenti consultano sempre meno i testi suggeriti o indicati come obbligatori e ricorrono con maggiore frequenza a riassunti e materiali sintetici. Parallelamente, secondo i professori, aumentano le difficoltà nell’affrontare testi lunghi o particolarmente complessi. A prevalere sono soprattutto le presentazioni e le slide utilizzate durante i corsi, indicate dal 69% dei docenti tra i materiali più frequentemente impiegati dagli studenti. Seguono gli appunti, con il 52%. […]

Il paradosso emerge dal confronto con il giudizio che gli stessi professori danno dei manuali universitari.
L’88% li considera tra gli strumenti didattici più efficaci.
Nel 50% dei casi vengono indicati come obbligatori per sostenere gli esami e nel 45% come testi consigliati.
Soltanto il 17% dei docenti ritiene che gli strumenti didattici progettati dagli editori siano oggi molto letti dagli studenti.
Una distanza crescente, dunque, tra ciò che viene considerato necessario per costruire una preparazione solida e ciò che gli universitari utilizzano concretamente per arrivare all’esame. […]

Per il 68% dei professori intervistati, proprio la progressiva perdita dell’abitudine a leggere e studiare integralmente i manuali rappresenta una delle principali cause delle criticità riscontrate nella preparazione degli studenti.
Il problema, secondo l’indagine, non riguarda soltanto la quantità delle conoscenze acquisite, ma il modo in cui queste vengono elaborate.
Il 41% dei docenti segnala una riduzione della capacità di analisi e di ragionamento critico.
Il 28% riscontra una preparazione nozionistica e superficiale, mentre il 24% sottolinea la difficoltà degli studenti nel collegare argomenti diversi.
Per il 19%, infine, emergono problemi persino nella comprensione dei concetti di base.
Il rischio è quello di un sapere sempre più frammentato: molte informazioni disponibili, ma una minore capacità di organizzarle, metterle in relazione e trasformarle in conoscenza. […]

Se studiare significa sempre più spesso ridurre centinaia di pagine a poche slide o a un riassunto, il tema diventa quale tipo di competenze l’università riuscirà a formare. Perché conoscere molte informazioni non significa necessariamente saperle comprendere, collegare e mettere in discussione. Ed è proprio su questa distanza tra informazione e conoscenza che si gioca una parte decisiva del futuro della formazione universitaria italiana.

Fonte: Vintagemap

di Maurizio Galluzzo

Negli ultimi anni imprese e consulenti hanno impiegato risorse, mai spese prima, per dare una forma e un’efficienza alla possibilità di utilizzare una tecnologia straordinariamente potente come l’Intelligenza Artificiale Generative e le sue successive implementazioni (pensiamo soltanto all’Agentic AI).

Partiamo da elementi noti da tempo e implementati.

5.0 (cinquepuntozero)

Cominciamo dalla fine da quel 5.0 che ricorda da vicino al termine “4.0” (spesso associato a Industria 4.0) che indica la quarta rivoluzione industriale, un processo che trasforma il modo di produrre grazie all’unione tra tecnologie digitali e automazione.
Allora ricordiamo cosa si intende per “4.0”
Le parole chiave dell’industria 4.0 sono le fabbriche intelligenti con macchine che comunicano tra loro e con gli operatori tramite internet, la condivisione dei dati con la raccolta sistematica, l’analisi e la generazione di risposte in tempo reale e infine il concetto di rapid decisions ovvero la possibilità di dare risposte in tempo reale al mercato e ai clienti.

Non dimentichiamo in tutto questo che i big data e la loro elaborazione aiutano a simulare processi e operazioni per prevenire i guasti e a ridurre gli sprechi.
Sui big data e sull’uso in svariate discipline si veda anche il progetto SmartData a cui ho iniziato a lavorare nel 2015 e che ha portato alla creazione di standard “incapsulati” ovvero file che contenevano dati e la struttura degli stessi che adesso stiamo usando nell’Intelligenza Artificiale per condividere non solo informazioni ma anche processi, strutture e codice. 

Tutto questo diventa abilitante per  IoT (Internet delle cose) dove oggetti e macchinari connessi alla rete dialogano tra loro, applicazioni Intelligenza Artificiale (prima dell’avvento degli LLM), il Cloud Computing dove spazi di archiviazione e processi sono in rete (cloud) e infine la robotica avanzata ovvero collaborativa con altre macchine o umani. Pur essendo una novità dell’ultimo decennio, l’industria 4.0 con l’uso di robot collaborativi, si avvicina al primo lavoro in cui avevo la responsabilità della direzione ovvero un progetto di ricerca applicata europeo denominato “Efesto” realizzato da alcune imprese italiane e spagnole e il dipartimento di Informatica della Universitat Politècnica de Catalunya (UPC) di Barcellona, in cui un robot manipolatore (di lamiere in quel caso) era in grado di ricevere istruzioni non solo per mezzo del bus dati ma anche vocalmente con un riconoscitore che aveva a disposizione 256 parole chiave che cambiandole portavano a 1024 le possibilità di azione. Un progetto che era di certo primitivo rispetto alle soluzioni IoT di adesso ma che un profano potrebbe facilmente confonderli. 

Adesso definiamo i campi applicativi dell’’Industria 5.0 che rappresenta la quinta rivoluzione industriale, un paradigma evolutivo che completa e supera l’Industria 4.0 spostando il focus dalla pura digitalizzazione e automazione a un modello produttivo sostenibile, resiliente e incentrato sull’essere umano. Mentre la quarta rivoluzione industriale si è concentrata sull’interconnessione delle macchine, sui Big Data e sull’efficienza dei processi, l’Unione Europea ha tracciato le linee guida dell’Industria 5.0 per rimettere le persone e il pianeta al centro dello sviluppo economico. 

La Commissione Europea ha fissato i 3 pilastri fondamentali per l’industria 5.0:

1. Centralità dell’uomo (Human-Centric) dove la tecnologia non sostituisce il lavoratore, ma si adatta alle sue esigenze e ne valorizza le competenze creative e cognitive. L’obiettivo è creare un ambiente di lavoro sicuro e inclusivo, dove la collaborazione uomo-macchina (es. tramite cobot o robot collaborativi) sia sinergica. 
2. Sostenibilità ambientale dove i processi produttivi devono rispettare i limiti del pianeta. L’Industria 5.0 promuove l’economia circolare, il riutilizzo delle risorse, la riduzione delle emissioni di carbonio e il passaggio a fonti di energia rinnovabile.  [N.d.A.] Il terzo punto lo devo citare per dovere di completezza ma ho, da sempre, una ostilità nemmeno nascosta, verso il concetto di resilienza (se qualcuno è interessato al motivo lo trova nel rant finale o in questo link).
3. Resilienza ovvero la capacità delle aziende di resistere a shock geopolitici, economici o ambientali (come pandemie o crisi di approvvigionamento), garantendo la continuità operativa attraverso catene del valore flessibili e tecnologie adattive.

In Italia il paradigma si è tradotto in misure concrete attraverso il Piano Transizione 5.0 gestito dal Ministero delle Imprese e del Made in Italy (Mimit).

Il piano incentiva le imprese che investono nella doppia transizione ecologica e digitale. Per accedere ai benefici (strutturati principalmente sotto forma di credito d’imposta), i nuovi investimenti in beni strumentali tecnologicamente avanzati devono garantire un risparmio energetico certificato pari ad almeno il 3% a livello di stabilimento o del 5% sul singolo processo produttivo interessato.

Abbiamo assistito negli anni quindi allo sviluppo e applicazione (non vorrei aprire il tema delle metriche del successo delle iniziative finanziate perché non finiremo mai..) prima alla trasformazione 4.0 e poi adesso è in corso la transizione verso la 5.0.

Il concetto di Digital and Artificial Intelligence Transformation 5.0 che ho elaborato è una naturale evoluzione delle precedenti implementazioni, che sono ancora in corso perché possono durare anni, con l’inserimento delle potenzialità esplosive dell’AI contemporanea.

L’integrazione tra questi processi non sempre è indolore ed è per questo che ho lavorato negli ultimi mesi sul concetto di Human and Artificial Intelligence Expert (HAIE) che sfrutta tutta la conoscenza il know how aziendale e lo performa ai massimi livelli con l’uso gestito, controllato e progettato del’AI.

Negli ultimi mesi si sono rincorse sui media generalisti storie di imprese che, prese dalla foga dell’utilizzo dell’IA avrebbero consumato i token (pensateli come una unità di misura della capacità di calcolo utilizzato) spendendo in  poche settimane il budget annuale. Io su questa narrazione, fatta per altro da mentitori seriali della Silicon Valley, non credo proprio.
Negli  articoli si parla di svariati milioni di dollari (il caso UBER)
I motivi sono semplici: nessuna azienda collega un conto corrente ad una applicazione a consumo di un dipendente e poi è sospetto il fatto che sperimentassero a caso, senza modelli previsionali, senza uno straccio di schema di lavoro (che avrebbe inevitabilmente permesso di valutare il consumo dei token) in aziende multinazionali.

Rant sulla resilienza (opzionale rispetto all’articolo). La resilienza è (una delle tante identiche definizioni): la capacità di un sistema, di un materiale o di un individuo di affrontare e superare un evento traumatico o una forte pressione, riorganizzandosi e tornando alla condizione iniziale.
Si, avviene un evento importante, ci pieghiamo, lo facciamo passare e poi torniamo quelli di prima. Se in meccanica o nelle scienze dei materiali è accettabile (anche se spesso non è vero al 100% perchè qualche trauma il materiale potrebbe subirlo irreversibilmente) nel caso delle persone è TOTALMENTE SBAGLIATO.
Se avviene un evento forte, importante, segnante, e si sottintende anche traumatico altrimenti sarebbe un fatto non così rilevante nella storia personale di un individuo, allora non bisogna tornare come prima: bisogna sfruttare quel fatto, spesso negativo, per fare un salto di qualità, per migliorarsi, per evitare che in futuro si verifichi lo stesso o altro fatto che ci porterebbe ad essere nuovamente vulnerabili. Insomma, se non impari nulla da un evento importante e torni a comportarti come prima senza cercare di migliorare te stesso e magari aiutare gli altri, forse puoi continuare ad usare la parola resilienza con il sorriso beoto (si, è beoziashaming ma passiamoci sopra) di chi usa la trend word del momento a sua insaputa. Fine del rant. Questa parte è diventata un post a parte perché la voglio usare anche in altre occasioni.

RFE/RL takes apart a Russian Geran-4 drone to uncover what makes the jet-powered unmanned aerial vehicle (UAV) faster, harder to intercept, and capable of operating deep inside Ukraine — from its turbojet engine and advanced camera to foreign-made communications and navigation components.

Descrizione tecnica

(fonte)

I nuovi droni russi a propulsione a reazione possono raggiungere velocità fino a 600 km/h, riducendo i tempi di reazione e ponendo una difficile sfida in termini di difesa aerea economicamente vantaggiosa per l’esercito ucraino.
Il numero crescente e la velocità sempre maggiore dei velivoli a reazione (UAV) provenienti dalla Russia stanno creando un’enorme pressione operativa sul sistema di difesa aerea dell’Ucraina . Secondo Serhiy Beskrestnov, esperto di tecnologia e consigliere del presidente Volodymyr Zelensky, l’Ucraina attualmente non è in grado di schierare su larga scala droni intercettori capaci di contrastare efficacemente questi velivoli a reazione ad alta velocità.

L’immagine mostra il drone Geran-5 in volo a velocità e altitudini che superano di gran lunga le capacità dei droni intercettori ucraini.

La differenza di velocità tra il drone d’attacco e il drone intercettore.

Secondo quanto riportato da studi tecnici, la serie di droni russi Geran ha compiuto notevoli progressi in termini di aerodinamica. Mentre la variante Geran-3 vanta una velocità stimata tra i 300 e i 330 km/h, la versione Geran-4 può raggiungere i 450-500 km/h e operare ad altitudini fino a 5.000 metri. In particolare, si ritiene che la variante Geran-5 sia in grado di raggiungere velocità di 600 km/h. Allo stesso tempo, si parla anche del drone Banderol, in grado di trasportare missili, con una velocità di 500-600 km/h, un raggio d’azione fino a 500 km e una testata del peso di 114-150 kg.

Al contrario, le soluzioni ucraine per l’intercettazione tramite droni si trovano ad affrontare ostacoli significativi nel colmare il divario di velocità:

• Il drone Alexa Spatium: il primo modello di drone intercettore testato e approvato dal Ministero della Difesa ucraino per contrastare i Geran-3, Geran-4 e Geran-5, ma le specifiche tecniche chiave come velocità massima, autonomia e quota operativa non sono ancora state rese pubbliche.
• Il drone “Crazy”: sviluppato da UV Military Cluster, è in grado di decollare e atterrare verticalmente, ha un raggio di volo massimo di 45 km (raggio tattico di 25 km), un’autonomia di volo di 30 minuti ad altitudini comprese tra 200 e 10.000 m e trasporta un carico utile di 0,5 kg. La versione senza ali raggiunge una velocità di 365 km/h, mentre la versione con ali raggiunge i 310 km/h.

Tabella comparativa

Per intercettare efficacemente un bersaglio volante che viaggia a 500-600 km/h, il velivolo intercettore deve raggiungere una velocità minima pari o superiore a tale valore (600 km/h o più) per poterlo inseguire e mantenere la manovrabilità. L’attuale velocità dei modelli di UAV ucraini non soddisfa questo requisito in un combattimento reale.

Cambiamenti nella scala di produzione e nelle tattiche di implementazione.
Secondo i dati della Direzione dell’intelligence della difesa ucraina (HUR), la produzione russa dei droni a reazione Geran-4 e Geran-5 ha superato quella della versione con motore a pistoni Geran-2. Ad agosto, l’industria russa stimava una produzione mensile di circa 3.000 Geran-4/5 e 2.800 Geran-2. Anche il Centro per gli studi strategici e internazionali (CSIS) ha stimato che la produzione mensile totale di droni in Russia raggiungerà circa 5.500 unità entro marzo 2026.

L’impiego di droni a reazione sul campo di battaglia ha registrato un aumento vertiginoso. Mentre le forze russe hanno utilizzato solo circa 180 droni a reazione nel corso del 2025, all’inizio di giugno 2026 tale numero era salito a circa 1.400. A luglio, la frequenza di utilizzo è quintuplicata rispetto a giugno, arrivando a rappresentare i due terzi del numero totale di velivoli impiegati in alcuni attacchi su larga scala.

Secondo fonti citate da RIA Novosti, varianti del velivolo a propulsione missilistica, equipaggiate con armi a guida di precisione, sono state impiegate per colpire obiettivi di alto valore, tra cui centri di comando, centri operativi e infrastrutture militari critiche.

Sfide economiche e tecniche nel problema della difesa aerea

L’elevata velocità di volo riduce significativamente il tempo di reazione tra l’individuazione e l’avvicinamento al bersaglio, rendendo difficile l’impiego di sistemi di difesa a bassa quota. Per contrastare questo vantaggio, l’esercito ucraino è costretto a schierare caccia F-16 dotati di missili aria-aria o a posizionare sistemi di difesa aerea portatili (MANPADS) a terra.

Tuttavia, l’impiego di missili costosi per intercettare un gran numero di droni d’attacco prodotti in serie comporta un onere significativo sui costi operativi. L’aggiornamento di droni intercettori economici a versioni ad alta velocità richiede motori a reazione, sistemi di sensori ottici o termici e complessi sistemi di controllo, con conseguente aumento dei costi di produzione. Il confronto tecnologico in campo aereo si sta quindi configurando come una serrata corsa tra la capacità di aumentare la velocità dei velivoli d’attacco e l’efficienza economica dei sistemi di intercettazione.

Ricerca e Briefing Iniziale

• Raccolta dati (Brief): Definizione degli obiettivi, dei requisiti funzionali, del target di riferimento e dei vincoli di budget o normativi.
• Analisi di mercato: Studio dei competitor, dei trend attuali e futuri e posizionamento di prezzo.
• Ricerca progettuale: Valutazione preliminare di materiali, tecnologie e metodi di produzione in serie.

Ideazione e Concept Design

• Brainstorming: Riunioni creative del team per generare idee innovative.
• Bozze e schizzi (Sketching): Creazione dei primi disegni a mano o digitali per esplorare forme, estetica ed ergonomia.
• Selezione del concept: Scelta della proposta migliore insieme al committente o agli stakeholder.

Ingegnerizzazione e Progettazione Esecutiva

• Modellazione 3D (CAD): Sviluppo del volume tridimensionale e dei dettagli costruttivi tramite software tecnici (es. SolidWorks).
• Ingegnerizzazione (Industrializzazione): Ottimizzazione della meccanica, dell’elettronica e dell’assemblaggio per la produzione industriale.
• Disegni tecnici: Realizzazione delle messe in tavola con quote, tolleranze e specifiche dei materiali.

Prototipazione e Test

• Prototipo rapido: Creazione di modelli fisici o virtuali (stampa 3D, lavorazioni CNC) per valutare volumi ed ergonomia.
• Test di usabilità e verifica: Prove funzionali, verifiche strutturali e test con utenti reali per correggere eventuali difetti.

Produzione e Industrializzazione

• Scelta dei fornitori e stampi: Definizione della catena di fornitura e creazione degli stampi industriali (es. stampaggio a iniezione).
• Pre-serie (Campionatura): Produzione di un primo lotto di prova per validare l’effettiva catena di montaggio e la qualità finale.
• Produzione in serie: Avvio della fabbricazione su larga scala del prodotto finito.

Packaging e Comunicazione

• Progettazione del packaging: Studio della confezione protettiva e comunicativa.
• Brand identity e marketing: Creazione di materiali visivi, rendering fotorealistici, manuali d’uso e strategie di lancio promozionale.

Commercializzazione e Vendita

• Distribuzione: Logistica, stoccaggio nei magazzini e invio ai canali di vendita (retail fisico o e-commerce).
• Vendita e assistenza: Gestione degli ordini, feedback dei clienti e monitoraggio delle performance di mercato.