Tableau Integra L’intelligenza Artificiale nella Sua Pila Analitica

Edizione storica nel campo del reporting, dell’analitica e della dataviz, Tableau ha sempre sposato l’approccio progressivo all’intelligenza artificiale. Negli ultimi anni ha ampliato le sue offerte con funzionalità di machine learning, intelligenza artificiale generativa e, da un anno, agenti IA. Il tutto con uno scopo chiaro: diventare un motore di conoscenza a larga scala che unifichi dati, logiche commerciali e metadati all’interno di una piattaforma unica e scalabile.

Insieme a Salesforce

Acquisita da Salesforce per 15,7 miliardi di dollari nel 2019, Tableau ha esteso le sue tecnologie all’analitica. Con una funzionalità estesa che va dal reporting fino all’analitica avanzata, il provider ha integrato, nel corso del tempo, diversi elementi come il machine learning, l’intelligenza artificiale generativa e, da un anno, gli agenti IA. Questi ultimi hanno lo scopo di semplificare la preparazione dei dati, automatizzare l’analisi, facilitare l’elaborazione dei dati in grande scala, e connettere agenti IA a analisi di Tableau.

Mark Recher, vice presidente esecutivo e general manager di Tableau, ha esposto in un briefing stampa del 24 giugno le ultime novità dell’azienda. «Prima dell’IA avevamo un CRM e un team di dati che trasformavano le tue informazioni per creare modelli sémantici e analisi visuali. Oggi vogliamo che gli agenti siano i veri protagonisti», ha spiegato Recher.

L’approccio ai componenti agentativi

Da quando ha lanciato la sua soluzione Next, una piattaforma analitica orientata agli agenti, Tableau ha aggiunto diversi moduli funzionali accessibili a tutti gli utenti. I moduli principali sono oggi: conversational analytics, compositional data sources, Tableau MCP e Auto Knowledge Graph. Ciascuno di questi si distingue per specificità e contributi chiave.

• Conversational analytics: Tableau Agent utilizza il linguaggio naturale per fornire riassunti dettagliati su grafici complessi, superando barriere tecniche come SQL o filtraggi manuali. Gli utenti possono porre domande complementari semplicemente come inviare un messaggio SMS, garantendo un'esperienza conversazionale precisa.
• Composable Data Sources: queste risorse permettono la riutilizzazione e l’estensione delle fonti dati, integrando fonti eterogenee per sviluppare conoscenze affidabili in azienda.
• Tableau MCP: un server MCP consente a ogni agente di accedere alla strato semantico e al motore di conoscenze del sistema. Questo garantisce risposte precise e coerenti, basate su contesti aziendali affidabili.
• Auto Knowledge Graph: permette di fornire un contesto approfondito per azioni, diversi da banche dati statiche grazie al training iterativo in base alle interazioni dell’utente.

Orientamento a nuove competenze

I nuovi lanci mostrano il lavoro di Tableau per rendere più affidabili i risultati forniti agli utenti, specialmente con l’utilizzo di modelli di LLM (Large Language Models) a singola dose. Mark Recher ha evidenziato che «iniettare dati grezzi di previsione delle vendite in LLM costruirà un bellissimo grafico ma inesatto». Il rischio con l’uso diretto di LLM è che non integrano contesti semantici o logica aziendale. Senza queste basi, non si riesce a dedurre correttamente né a prendere decisone ottimale.

Southard Jones, direttore dei prodotti di Tableau, ha aggiunto un monito importante: «Se le persone che definiscono i significati semantici sono data engineers, forse non si troveranno vicini al utente finale aziendale». Lui punta sull’architetto di conoscenza, un profilo chiave per il futuro che si distingue per esperienza crossfunzionale, non per capacità tecniche isolate.

Tendenze future

Tableau mira a posizionarsi come leader nell’analisi scalabile, dove le conoscenze aziendali si integrano in maniera fluida ai dati e alle analisi. La sfida non è più sviluppare grafici, ma creare strumenti dove l’utente ha accesso diretto a informazioni strutturate, contestuatizzate e attivate da agenti IA.

«Gli errori con il singolo LLM si contano a dozzine», ha aggiunto Recher. «La logica interna commerciale non è tenuta in conto da questi modelli. Per ottenere informazioni corrette, serve un contesto ben definito e governato.»

Ridistribuzione del lavoro

Southard Jones sottolinea che il futuro non è solo tecnologico ma anche organizzativo. «Costruire un dashboard è solo l’inizio. Il lavoro chiave risiede nel progettare modelli di conoscenza che rappresenti i processi e le logiche aziendali.»

I nuovi moduli di Tableau permettono di farlo con scalabilità e flessibilità, fornendo modelli modulari, agenti IA adatti al contesto, e strumenti conversazionali chiari e accessibili. Il lavoro si sposta dai data engineers agli architetti di conoscenza, persone capaci di connettere informazioni, logiche e contestualità per rispondere a domande complesse.

Adeguamenti al mercato

Il mercato sta richiedendo una crescente velocità e precisione nell’analisi. L’approccio agentico di Tableau risponde a questa richiesta integrando intelligenza artificiale in modo scalabile e contestualizzato. Ogni modulo si distingue per una specificità cruciale:

Conversational Analytics

Può essere utilizzato per fornire analisi interattive semplicemente chiedendo domande. Questo elemento è chiave per utenti non tecnici, che desiderano informazioni rapide, semplici, e precise. Lavora con qualsiasi formato di dati, riducendo costi e tempi di attivazione.

Composable Data Sources

Può raggruppare in maniera unificata diverse fonti di dati in una sola piattaforma. Questo permette il riuso di dati esistenti e la creazione di modelli analitici complessi, in tempo reale.

Tableau MCP

Il core semantico e logico della piattaforma. Fornisce un livello unico di conoscenza, dove ogni agente IA agisce all’interno di un sistema coerente e sicuro.

Auto Knowledge Graph

Rappresenta una svolta. Non è solo un repository dati, ma un motore iterativo capace di adattarsi alle preferenze e comportamenti dell’utente, rendendo le informazioni sempre più pertinenti e contestuale.

Grazie a questi moduli, Tableau non si limita a fornire dati, ma strumenti di comprensione e analisi in tempo reale, personalizzati per ogni contesto aziendale.

Verso il 2030

Sempre Mark Recher ha anticipato che il ventennio prossimo sarà definito da una transizione chiave: da modelli statici a sistemi dinamici, da team isolati a collaborazioni ibride guidate da agenti IA. «Le aziende vinceranno quando rius