LLM per data analysis eCommerce: parlare ai dati in linguaggio naturale

Text-to-SQL per eCommerce è un'interfaccia AI che traduce domande in linguaggio naturale ('quanto ho venduto la scorsa settimana rispetto all'anno scorso, escluso il black friday?') in query SQL sul data warehouse, esegue e restituisce la risposta con grafico. Sostituisce il 70% delle richieste 'per favore, un report' che oggi saturano il team dati.

Stack che usiamo: warehouse su BigQuery o Postgres, un layer semantico (Cube.js o dbt metrics) che espone metriche pre-aggregate e vincoli di sicurezza, un LLM (Claude o GPT-4o) che genera SQL solo contro le view autorizzate, un executor con timeout duro e row limit, un renderer che sceglie tabella o grafico.

Il layer semantico è il pezzo che rende tutto sicuro e affidabile. Senza, l'LLM genera JOIN sbagliati fra tabelle raw e restituisce numeri plausibili ma falsi. Con un modello semantico, l'AI compone metriche già validate: 'revenue', 'orders', 'AOV', 'active customers' hanno una sola definizione.

Sicurezza: read-only DB user, whitelist di schemi, prompt injection filter, log completo di ogni query e chi l'ha chiesta. Mai lasciare che l'LLM esegua DDL o modifichi dati. Row-level security per team: marketing vede tutto tranne i costi merce, finance vede i margini, un ruolo 'client' vede solo la sua brand se il warehouse è multi-tenant.

Il game-changer per gli eCommerce è la capacità di correlare fonti diverse in una singola domanda: 'Quali categorie hanno il miglior ROAS ADS negli ultimi 30 giorni e la peggiore retention a 90 giorni?' L'AI compone JOIN fra dati Magento, GA4 e Meta Ads senza che nessuno debba disegnare il report.

Setup tipo su un cliente da 15M€/anno: 3 settimane di implementazione, ~1.200 query/mese generate, riduzione richieste ad-hoc al team dati del 68%. Costo LLM ~180€/mese. ROI molto sotto i 3 mesi.