2.065 prodotti in testo libero, un magazzino senza codici: come ne siamo usciti in due giorni

Questa è la storia di un'azienda che aveva tutti i dati e non poteva usarne nessuno. Produce e vende prodotti componibili — lo stesso articolo può essere un set di due sedie, di quattro, un tavolo con le sedie abbinate — su Amazon, eBay e altri marketplace, con gli ordini collegati all'ERP. Sulla carta, un'operazione digitale. Nella pratica, ogni automazione si fermava sempre nello stesso punto: le descrizioni dei prodotti erano testo libero scritto a mano, ognuna diversa dall'altra.

L'azienda

• Attività: produzione e commercializzazione di prodotti componibili
• Canali: Amazon, eBay e altri marketplace, collegati all'ERP
• Catalogo: 2.065 prodotti a listino
• Il blocco: nessuna codifica dei componenti — descrizioni in testo libero

Il «prima»: il valore intrappolato nel testo

Nell'ERP le righe si presentavano così:

• A-001 | "Set 2 sedie modello Elegance bianche"
• A-002 | "Set 4 sedie mod. Elegance bianche"
• B-010 | "2 sedie Elegance bian. + 1 tav. Urban grigio"

Tre righe, tre grafie diverse per la stessa sedia. Abbreviazioni non standard — «bian.», «mod.», «tav.» — e colore, materiale e quantità infilati nello stesso campo di testo. Nessun codice componente: per il sistema, la sedia Elegance bianca del set da due e quella del set da quattro erano oggetti diversi. Duplicati invisibili, a migliaia.

Le conseguenze non erano un fastidio informatico ma un costo operativo quotidiano: la stima interna diceva che circa il 30% del tempo degli operatori se ne andava a correggere dati, e mettere a catalogo un prodotto nuovo richiedeva 3-4 volte il tempo che avrebbe dovuto. Soprattutto, senza componenti codificati erano impossibili le due cose che l'azienda voleva davvero: generare le distinte base in automatico e governare il magazzino per componente invece che per descrizione.

I dati esistevano. Erano inutilizzabili.

Cosa abbiamo fatto: una pipeline AI in quattro fasi

La strada manuale — qualcuno che legge 2.065 descrizioni e le ricodifica a mano — era stimata in 3-4 settimane di lavoro. Abbiamo costruito invece una pipeline in quattro fasi, dove ogni fase usa un modello linguistico con un prompt specifico più una validazione programmatica dei risultati: l'AI propone, il codice verifica.

1. Estrazione. Il modello legge la descrizione grezza e restituisce i campi separati: tipo di componente, modello, colore, materiale, quantità.
2. Normalizzazione. Le grafie si unificano: «bian.» diventa «bianco», «mod.» diventa «modello». Stessa cosa, stessa parola, ovunque.
3. Deduplicazione. Il matching semantico riconosce i componenti identici scritti in modi diversi da persone diverse — il passaggio che nessuna regola scritta a mano era mai riuscita a coprire.
4. Codifica. Ogni componente riceve un codice parlante univoco: la sedia Elegance bianca diventa SED-ELG-BIA, il tavolo Urban grigio TAV-URB-GRI.

Da lì, le distinte base si generano da sole: B-010 = 2x SED-ELG-BIA + 1x TAV-URB-GRI, con il QR code pronto per i produttori.

I numeri, con le loro cautele

• 2.065 prodotti analizzati, da cui 1.631 varianti e 893 componenti unici
• 95% di accuratezza dell'estrazione AI, validata su un campione del 20%
• Zero errori nella codifica finale — dopo la revisione umana, che è parte del metodo, non un ripiego
• Due giorni invece delle 3-4 settimane stimate per la via manuale, revisione inclusa
• 2.065 prodotti codificati su 2.065

Il 95% merita una parola in più, perché è il numero che di solito viene nascosto: l'AI da sola sbagliava un'estrazione su venti. È il motivo per cui la pipeline prevede la revisione umana sui casi incerti — ed è la revisione, non il modello, a portare il risultato finale a zero errori. Chi vi promette il 100% dall'AI da sola vi sta descrivendo una demo, non un processo di produzione.

Poi ci abbiamo costruito sopra: l'app di magazzino

La pulizia dei dati non era il fine, era il prerequisito. Con 893 componenti codificati e i QR generati, il magazzino è diventato governabile — e ci abbiamo costruito sopra due applicazioni su misura.

L'app mobile, per chi sta fra gli scaffali. L'operatore inquadra il QR code del prodotto e da lì fa tutto: aggiunge quantità, le scarica, le corregge. E gestisce l'ordine fisico del magazzino: se un prodotto cambia posto, la locazione si aggiorna dalla scansione, e il magazzino sullo schermo torna a coincidere con quello vero.

L'app web, per chi lavora alla scrivania. La situazione del magazzino in tempo reale — quantità e locazioni — con la ricerca per prodotto al posto della scansione, e le stesse operazioni di gestione. Più la parte che chiude il cerchio: la stampa delle etichette, dei prodotti e delle locazioni, per mappare fisicamente scaffali e capannoni con gli stessi codici che ora vivono nei dati.

È l'ordine giusto delle operazioni, e vale per qualunque azienda: prima si strutturano i dati, poi si costruisce il software. Un'app di magazzino su dati sporchi avrebbe solo digitalizzato il caos.

Quando questo approccio funziona (e quando no)

Tre condizioni, senza le quali è meglio non partire:

• Avete i dati. Anche sporchi, anche in testo libero: ma devono esistere. L'AI struttura ciò che c'è, non inventa ciò che manca.
• Sapete cosa volete. «Componenti codificati per generare distinte e governare il magazzino» è un obiettivo; «mettere l'AI in azienda» no.
• Accettate la revisione umana. Il 95% automatico diventa 100% solo con un occhio umano sui casi dubbi. Se il fornitore non ve la propone, è il momento di insospettirsi.

L'AI qui non ha sostituito la governance dei dati. L'ha resa possibile — in due giorni invece che in un mese.

Nota sul caso

L'azienda ha preferito non essere nominata, come accade per la maggior parte dei nostri clienti. I numeri — catalogo, varianti, componenti, tempi e accuratezza — vengono dal progetto reale e la metodologia è replicabile su qualunque catalogo con descrizioni non strutturate. Se i vostri dati assomigliano al «prima» di questa storia, il primo passo è una diagnosi gratuita.