← Blog
Customer AI: il problema dell'identità martedì 20 ottobre 2026

Il CDP è nato per le campagne. L'IA ha bisogno di una memoria del cliente.

Il CDP è nato per le campagne. L'IA ha bisogno di una memoria del cliente.

Per anni, le Customer Data Platform (CDP) sono state costruite intorno a un obiettivo relativamente chiaro: riunire i dati dei clienti provenienti da sistemi diversi e renderli utili per il marketing. Collegando i record dei clienti, tracciando i comportamenti, costruendo segmenti e sincronizzando le audience con altri strumenti, i CDP hanno aiutato le aziende a trasformare informazioni frammentate in campagne più efficaci ed esperienze del cliente più coerenti.

Oggi questo compito resta importante. Molte organizzazioni faticano ancora a collegare i dati dei propri clienti e i team marketing continuano ad aver bisogno di profili affidabili per segmentazione, personalizzazione e attivazione. Ma mentre l'IA entra nel servizio clienti, nelle vendite, nelle esperienze di prodotto e in altri processi operativi, il ruolo dei dati dei clienti inizia a cambiare.

Un'applicazione IA non ha necessariamente bisogno di un'altra audience da attivare. Può aver bisogno di comprendere se una persona sia già cliente, a quale azienda appartenga, se un account sia attualmente attivo, che cosa sia accaduto in una recente interazione con l'assistenza e quali informazioni possano essere legittimamente utilizzate per rispondere a una determinata domanda. Deve anche distinguere le informazioni attuali dai record storici e comprendere quando sistemi diversi non concordano.

Questi requisiti non sono del tutto nuovi. Le aziende hanno sempre avuto bisogno di dati accurati sui clienti e le architetture dati ben progettate si sono sempre basate su definizioni chiare, identità affidabili e controlli di accesso adeguati. Con l'IA cambia il modo diretto in cui queste fondamenta influenzano il comportamento di un'applicazione. Informazioni prima utilizzate per costruire un report o selezionare un'audience marketing possono ora determinare una conversazione, una raccomandazione o una decisione operativa.

Per questo l'evoluzione delle piattaforme dei dati dei clienti merita un'attenzione che vada oltre la semplice aggiunta di funzionalità IA ai prodotti esistenti. La domanda è se il profilo cliente stesso possa diventare una base affidabile per applicazioni che devono comprendere e utilizzare operativamente le informazioni sui clienti.

Quando la visione unica del cliente è diventata una visione marketing

L'idea di una visione unica del cliente è stata centrale per la categoria dei CDP fin dagli inizi. Le informazioni sui clienti erano distribuite tra CRM, siti web, applicazioni mobili, database transazionali e piattaforme marketing, spesso con più record riferiti alla stessa persona. Collegando quei record, le aziende potevano costruire una visione più coerente dei comportamenti dei clienti e utilizzarla per coordinare le comunicazioni.

Nella pratica, però, il valore di quella vista unificata veniva spesso misurato in base a ciò che i team marketing riuscivano a farne. Potevano individuare i clienti che avevano abbandonato un acquisto? Distinguere i nuovi potenziali clienti da quelli già esistenti? Creare audience più pertinenti, personalizzare i messaggi e sincronizzarle con piattaforme pubblicitarie o di marketing automation?

Erano obiettivi legittimi, che hanno influenzato il modo in cui molti CDP sono stati progettati e implementati. Il profilo è diventato la base per segmentazione e attivazione, mentre l'identity resolution serviva soprattutto a garantire che i record giusti contribuissero all'audience giusta.

L'IA introduce aspettative diverse, perché un profilo cliente può ora essere utilizzato direttamente da un'applicazione che opera in un processo aziendale. Consideriamo un assistente di supporto che deve spiegare perché un cliente non riesca ad accedere a un servizio. Il CRM può indicare che l'account è attivo, mentre la fatturazione mostra un pagamento scaduto e il sistema di assistenza contiene un incidente irrisolto che influisce sull'accesso. Ogni sistema può riportare informazioni accurate, ma l'assistente ha bisogno di un'interpretazione coerente della situazione prima di poter fornire una risposta utile.

Un segmento marketing, da solo, non offre il contesto necessario per interpretare questa situazione nel suo insieme. L'applicazione deve combinare le informazioni e comprenderne il significato; l'accesso ai tre record non garantisce che un modello linguistico riesca a farlo in modo affidabile.

La sfida di fondo, quindi, non è che i CDP orientati al marketing siano diventati inutili. Le loro capacità consolidate conservano valore. È che al profilo cliente vengono assegnati scopi ulteriori rispetto a quelli per cui era stato inizialmente progettato, e l'architettura che lo sostiene deve evolvere di conseguenza.

Collegare l'IA ai dati dei clienti è soltanto l'inizio

Quando le aziende iniziano a sperimentare agenti o assistenti IA, la prima sfida tecnica sembra spesso riguardare la connettività. Il team deve collegare un modello a un CRM, esporre dati tramite un'API, configurare il recupero di informazioni da un warehouse o permettere a un assistente di interrogare sistemi interni.

Quando questi collegamenti funzionano, emerge un insieme di domande più difficili. Di quale sorgente dovrebbe fidarsi l'applicazione quando due sistemi non concordano? Come riconosce se un record cliente è aggiornato? Può distinguere un fatto verificato da un'ipotesi o da uno stato obsoleto? Che cosa accade se due persone diverse sono state erroneamente identificate come lo stesso cliente?

Queste domande diventano particolarmente importanti quando ci si aspetta che l'applicazione IA agisca, anziché limitarsi a recuperare informazioni. Un assistente commerciale potrebbe consigliare di contattare un account che ha già disdetto il contratto. Un agente del servizio clienti potrebbe offrire una soluzione incompatibile con il piano attuale del cliente. Un flusso automatizzato potrebbe esporre informazioni associate alla persona sbagliata perché due identità sono state unificate per errore.

In ciascuno di questi casi, il collegamento alla sorgente dati può funzionare esattamente come previsto. Il problema risiede nella rappresentazione del cliente che l'applicazione riceve.

È facile sottovalutare questa distinzione, perché un database può essere accessibile, ben mantenuto e tecnicamente affidabile e fornire comunque una visione incoerente di un cliente. Può contenere record creati in momenti diversi, campi con significati differenti, identificativi che non possono essere combinati in sicurezza e informazioni raccolte per finalità diverse. Rendere disponibili tutti questi dati non li rende automaticamente adatti all'uso operativo.

Una base dati dei clienti pronta per l'IA deve quindi fare più che offrire accesso. Deve stabilire quali identità appartengano allo stesso cliente, conservare provenienza e significato delle informazioni, tenere conto dei cambiamenti nel tempo e rendere la rappresentazione risultante adatta all'applicazione che la utilizzerà.

Quanto più direttamente l'IA influenza le interazioni con i clienti e le decisioni aziendali, tanto più diventa difficile considerare questi requisiti come aspetti secondari dell'ingegneria dei dati.

Il warehouse è essenziale, ma non è l'intera soluzione

La crescente importanza di data warehouse e lakehouse ha già cambiato il modo in cui le aziende considerano l'architettura dei dati dei clienti. Anziché lasciare che ogni applicazione mantenga una propria versione isolata del cliente, le organizzazioni desiderano sempre più che i dati rimangano accessibili in un ambiente sotto il loro controllo, dove possano essere combinati con altre informazioni aziendali e governati secondo i propri requisiti.

Un approccio warehouse-native segue questo principio. I dati dei clienti possono rimanere nell'infrastruttura esistente dell'azienda, anziché essere copiati in un archivio proprietario separato al solo scopo di costruire profili unificati. Questo riduce la duplicazione superflua e offre all'organizzazione un maggiore controllo sulla rappresentazione delle identità dei clienti e delle informazioni associate.

Tuttavia, avere tutti i dati rilevanti in un unico luogo non significa disporre già di un profilo cliente affidabile.

Un warehouse può contenere eventi del sito, contatti del CRM, record di fatturazione, interazioni con l'assistenza e dati di utilizzo del prodotto, ma questi insiemi di dati non condividono necessariamente definizioni e identificativi. La stessa azienda può avere ID account diversi nei vari sistemi, mentre il significato di un campo apparentemente semplice come stato del cliente può variare tra vendite, fatturazione e assistenza.

Il warehouse può conservare queste differenze e renderle disponibili per le analisi. Non decide automaticamente quali identità appartengano allo stesso cliente o quale interpretazione debba essere utilizzata in un determinato contesto aziendale.

Serve quindi un ulteriore livello di customer intelligence: un livello che applichi regole di identità esplicite, colleghi i record rilevanti, mantenga un profilo coerente e renda disponibili le informazioni risultanti alle applicazioni che ne hanno bisogno. I dati originali dovrebbero restare accessibili, così che l'organizzazione possa esaminare come è stato costruito un profilo e ricostruirlo quando cambiano i dati sottostanti o le regole di corrispondenza.

È una distinzione architetturale importante. Il warehouse fornisce l'ambiente in cui i dati dei clienti possono rimanere sotto il controllo dell'azienda. Il livello dedicato ai dati dei clienti rende quelle informazioni coerenti e utilizzabili.

Per le applicazioni IA servono entrambi. Mantenere i dati in un ambiente controllato è prezioso, ma il controllo dipende anche dalla comprensione di come vengono collegate le identità, come sono derivati gli attributi del profilo e quali informazioni vengono esposte a ogni applicazione.

L'identity resolution diventa una responsabilità operativa

L'identity resolution viene spesso descritta come una capacità tecnica che permette a un CDP di riconoscere lo stesso cliente in sistemi diversi. È una descrizione corretta, ma riduttiva rispetto all'importanza delle decisioni coinvolte.

Quando un visitatore anonimo del sito effettua l'accesso, un'azienda può riuscire a collegarne le attività precedenti a un utente conosciuto attraverso un identificativo verificato. Quando un contatto del CRM viene collegato a un record di fatturazione, la relazione può essere stabilita tramite una mappatura esplicita tra i due sistemi. Queste relazioni permettono all'organizzazione di costruire una rappresentazione più completa del cliente.

La difficoltà emerge quando gli elementi disponibili sono ambigui o le regole di corrispondenza non sono sufficientemente comprese. Due record possono condividere un indirizzo email perché rappresentano la stessa persona, ma una casella condivisa o un indirizzo riutilizzato possono produrre una corrispondenza fuorviante. Due contatti possono appartenere alla stessa azienda senza essere lo stesso individuo. Una persona può anche cambiare datore di lavoro, rendendo obsoleta una relazione prima valida tra l'individuo e un account.

Per questo, l'identity resolution non dovrebbe essere valutata soltanto in base al numero di record che una piattaforma riesce a unificare. L'organizzazione deve anche comprendere perché le identità siano state collegate, quali regole abbiano prodotto la relazione e che cosa accada quando quelle regole cambiano.

Un approccio deterministico, basato su regole di corrispondenza esplicite e verificabili, offre una base chiara per questo tipo di controllo. Quando, per esempio, un identificativo anonimo viene collegato a un utente conosciuto dopo l'autenticazione, la relazione ha una spiegazione precisa che può essere esaminata. Conservare gli identificativi originali e la cronologia della relazione permette anche di riconsiderare il profilo senza perdere i dati sottostanti.

Queste capacità contano per il marketing, ma assumono conseguenze particolarmente rilevanti quando i profili cliente vengono utilizzati dalle applicazioni IA. Un'appartenenza errata a un'audience può produrre un messaggio poco pertinente; una relazione di identità errata può portare un'applicazione ad attribuire cronologia, autorizzazioni o stato dell'account di una persona a un altro individuo.

L'identity resolution, quindi, non è semplicemente un passaggio preliminare alla costruzione di un profilo. È parte delle fondamenta su cui si basano le applicazioni successive e deve rimanere comprensibile mentre evolvono dati e processi aziendali.

Una memoria del cliente non è la raccolta di tutto ciò che l'azienda sa

L'espressione customer memory, o memoria del cliente, offre un modo utile di considerare questo ruolo più ampio. Indica una rappresentazione persistente e in evoluzione di un cliente, che riunisce identità rilevanti, interazioni storiche, informazioni aziendali attuali e il contesto necessario per interpretarle.

La memoria è un concetto più adatto di un profilo statico perché le informazioni sui clienti cambiano nel tempo. Un account attivo il mese scorso può ora essere sospeso. Un problema di prodotto può essere stato risolto, un contratto rinnovato o un consenso revocato. Un nuovo identificativo può stabilire un collegamento prima sconosciuto. La rappresentazione del cliente deve riflettere questi cambiamenti senza perdere la cronologia necessaria per comprenderli.

Questo non significa che ogni record e ogni evento debbano essere presentati a ogni applicazione IA. Una memoria del cliente utile richiede anzi il contrario: la capacità di distinguere la base dati completa dalle informazioni adatte a uno specifico compito.

Un assistente per l'assistenza clienti, per esempio, può aver bisogno dello stato attuale dell'account, degli incidenti recenti, dei servizi applicabili a cui il cliente ha diritto e della cronologia delle interazioni rilevanti. Un assistente commerciale può invece aver bisogno di dettagli contrattuali, date di rinnovo, responsabilità sull'account e segnali recenti di adozione del prodotto. Un sistema di personalizzazione può richiedere comportamenti recenti e preferenze, insieme alle autorizzazioni che regolano l'utilizzo di quei segnali.

Queste applicazioni possono basarsi sugli stessi dati sottostanti senza riceverne viste identiche.

Questa separazione aiuta anche a definire confini più chiari per consensi e finalità. Un'informazione può essere adatta a risolvere un problema di assistenza, ma non a selezionare destinatari commerciali. Una preferenza può consentire un tipo di personalizzazione ed escluderne un altro. Se queste restrizioni sono registrate in un sistema ma ignorate quando si assemblano i dati per un'applicazione IA, l'organizzazione può possedere le informazioni corrette da qualche parte nell'architettura senza applicarle davvero nel punto in cui contano.

Il livello dedicato ai dati dei clienti dovrebbe quindi contribuire a garantire che le viste fornite alle applicazioni riflettano autorizzazioni e regole aziendali pertinenti. Questo non elimina la necessità di controlli nell'applicazione IA stessa, ma riduce il rischio di lasciare interamente al modello l'interpretazione dei dati dei clienti e degli usi consentiti.

In questo senso, la memoria del cliente non è un tentativo di offrire all'IA una visione senza restrizioni. È un modo per rendere disponibile il contesto rilevante in una forma comprensibile, verificabile e governabile.

Perché il profilo cliente deve rimanere sotto il controllo dell'azienda

Questo cambiamento ha un'altra conseguenza: il profilo cliente diventa una parte sempre più importante dell'infrastruttura operativa aziendale.

Quando un profilo viene utilizzato soprattutto per creare audience marketing, l'organizzazione può tollerare una certa dipendenza dalla piattaforma che le crea e le attiva. Quando lo stesso profilo supporta assistenza clienti, decisioni commerciali e flussi assistiti dall'IA, la dipendenza da un sistema esterno può avere conseguenze più rilevanti.

L'azienda deve sapere dove viene mantenuto il profilo, come sono derivati i suoi attributi e se la logica di identità sottostante possa essere esaminata. Dovrebbe essere possibile risalire alla sorgente delle informazioni, comprendere perché i record siano stati collegati e aggiornare il profilo quando un sistema sorgente cambia o viene corretta una regola di corrispondenza.

È uno dei motivi per cui riteniamo che l'identità dei clienti e la logica dei profili debbano rimanere vicine all'ambiente dati dell'azienda. Un'architettura warehouse-native permette all'organizzazione di basarsi sulla propria infrastruttura esistente, anziché trattare la rappresentazione del cliente come un asset che esiste soltanto nella piattaforma separata di un fornitore.

Questo principio non richiede che ogni applicazione IA interroghi direttamente il warehouse. A seconda del caso d'uso, un'applicazione può utilizzare un profilo tramite un'API, un livello di servizio, una cache o un'altra interfaccia operativa. Né mantenere il profilo nel warehouse risolve automaticamente ogni problema di governance o sicurezza. Controlli di accesso, qualità dei dati, conservazione, consensi e protezioni a livello applicativo devono comunque essere progettati e mantenuti.

L'obiettivo architetturale è mantenere il controllo della rappresentazione sottostante del cliente, rendendone al tempo stesso pratico l'utilizzo in applicazioni diverse. L'azienda non dovrebbe dover scegliere tra rendere i dati dei clienti utili nei processi operativi e conservare la capacità di esaminarli, governarli e riutilizzarli.

Costruire il livello mancante tra i dati dei clienti e l'IA

Krenalis è una Customer Data Platform warehouse-native che raccoglie eventi e record, riconcilia le identità con regole deterministiche e mantiene profili unificati. I profili possono essere sincronizzati con i sistemi collegati o esportati, per renderli utilizzabili nelle analisi e nei processi operativi. Questa base dati può essere utilizzata anche dalle applicazioni IA.

L'approccio parte dai dati che le aziende possiedono già. Gli eventi raccolti da siti web e applicazioni possono essere integrati con record provenienti da CRM, database, file e altri strumenti aziendali, mentre l'identity resolution riconcilia le identità usando gli identificatori e le priorità configurati. I profili risultanti risiedono nel warehouse aziendale collegato oppure nel database gestito da Krenalis, secondo la soluzione scelta. Questo permette di adottare il prodotto anche quando l'azienda non dispone ancora di un proprio warehouse.

Consideriamo queste fondamenta una base capace di servire esigenze diverse man mano che emergono. Alcune aziende possono inizialmente voler unificare le identità dei clienti e mantenere un database coerente per analisi e attivazione. Altre possono avere già un data warehouse e uno stack marketing maturi e aver bisogno di un livello di identità che lavori accanto agli strumenti esistenti. Mentre le applicazioni IA si integrano sempre più con i processi aziendali, le stesse fondamenta possono fornire loro un contesto più coerente sui clienti.

Sono casi d'uso correlati, ma non richiedono tutti le stesse interfacce, frequenze di aggiornamento o regole di governance. Riteniamo che le fondamenta dei dati dei clienti debbano essere riutilizzabili tra questi casi, anziché legate a un singolo flusso di campagne o a un'applicazione.

Raccolta dei dati, identity resolution, profili unificati e sincronizzazione sono capacità già disponibili in Krenalis. La memoria del cliente descritta in questo articolo è anche una direzione di evoluzione: estendere i modi in cui i profili possono essere governati e utilizzati da applicazioni IA con esigenze diverse. Questi sviluppi futuri si aggiungono alle funzioni operative del prodotto.

Per noi, la distinzione importante è tra costruire un'altra destinazione per i dati dei clienti e fornire un livello che renda più coerenti e utili i dati che un'azienda possiede già. Non intendiamo sostituire warehouse, CRM, sistema di fatturazione, piattaforma di assistenza o applicazione IA. Ciascuno ha le proprie responsabilità. La sfida è fare in modo che possano lavorare su una comprensione più coerente del cliente, senza creare nel frattempo un'altra sua versione isolata.

Dall'attivazione delle campagne alla memoria del cliente

L'evoluzione dei CDP non dovrebbe essere interpretata semplicemente come un passaggio dalla tecnologia marketing alla tecnologia IA. Il marketing continuerà ad aver bisogno di segmentazione, personalizzazione e attivazione, e l'IA non renderà queste capacità meno rilevanti. Il cambiamento più importante è che i dati dei clienti stanno entrando in una gamma più ampia di processi operativi, nei quali la qualità e l'interpretazione di un profilo possono influire direttamente su ciò che un sistema dice o fa.

Questo crea aspettative diverse per il livello responsabile dell'unificazione delle informazioni sui clienti. Deve fare più che collegare record e rendere disponibili audience agli strumenti a valle. Deve conservare la relazione tra identità e sorgenti, rendere comprensibili i profili risultanti, tenere conto dei cambiamenti nel tempo e supportare i controlli richiesti da applicazioni diverse.

I primi due articoli di questa serie hanno esplorato perché l'IA abbia bisogno di un profilo cliente affidabile e che cosa comporti costruirlo. Questo articolo conclusivo riporta quelle idee al ruolo del CDP stesso. La questione non è se ogni CDP debba diventare una piattaforma IA, né se una particolare categoria di software scomparirà. È se le fondamenta dei dati dei clienti possano soddisfare i requisiti di applicazioni che dipendono sempre più da una comprensione coerente, attuale e governata del cliente.

Per anni, le aziende hanno potuto trattare i dati dei clienti soprattutto come input per report, segmenti e campagne, correggendo le incoerenze quando diventavano visibili. Mentre l'IA entra in più flussi operativi, le stesse incoerenze possono influenzare decisioni e interazioni prima che qualcuno abbia la possibilità di accorgersene. Dati affidabili sui clienti stanno quindi diventando un prerequisito per portare l'IA in produzione, oltre che un modo per migliorarne i risultati.

Riteniamo che la prossima generazione di piattaforme dei dati dei clienti debba riflettere questo cambiamento. Dovrebbe aiutare le aziende a mantenere una memoria del cliente che evolva con i dati, rimanga sotto il loro controllo e possa essere utilizzata da applicazioni diverse senza perderne il significato o le protezioni.

È la direzione che stiamo seguendo con Krenalis. Non una piattaforma più grande che tenta di sostituire ogni componente dello stack dati, ma un livello di customer intelligence progettato per rendere più coerenti e affidabili le informazioni distribuite in quello stack.

Il CDP è nato per aiutare le aziende a comprendere quali clienti raggiungere e come farlo. Mentre l'IA entra nel modo in cui le aziende servono i clienti, supportano i dipendenti e prendono decisioni, deve anche aiutarle a stabilire che cosa sappiano davvero di ciascun cliente, perché lo ritengano attendibile e come quelle conoscenze possano essere utilizzate responsabilmente.

All'IA serve più del semplice accesso ai dati dei clienti. Serve una memoria del cliente di cui l'azienda possa fidarsi.

Costruisci flussi di dati dei clienti che puoi controllare

Krenalis unifica i dati dei clienti, risolve le identità e attiva i profili dall'infrastruttura che già possiedi.
Self-hosted o Cloud. La stessa architettura. Pieno controllo.