Quando usare i dati sintetici

La maggior parte dei team di customer experience non ha un problema di scarsità di dati. Ha un problema di accesso ai dati. I record che risponderebbero alla domanda sono custoditi in sistemi regolati da normative sulla privacy, da contratti con i fornitori o da un team di sicurezza che, per default, dice no. Così il modello resta in attesa, l’ambiente di test rimane vuoto e l’insight che si sarebbe potuto rilasciare questo trimestre arriva l’anno prossimo, sempre che arrivi.

I dati sintetici sono la risposta a questo collo di bottiglia. Li genera un algoritmo che apprende la forma statistica dei record reali, le distribuzioni e le correlazioni tra i campi, e produce nuovi record simili all’originale ma che non appartengono ad alcuna persona reale.

Il cambiamento è già in corso

La traiettoria è così marcata che ignorarla è ormai una scelta strategica, non una posizione neutra.

Il mercato si muove di pari passo. Grand View Research stima il mercato della generazione di dati sintetici intorno ai 218 milioni di dollari nel 2023, in crescita fino a quasi 1,8 miliardi entro il 2030, con un tasso composto superiore al 35%. Non è denaro mosso dall’hype: sono i team di procurement che trattano i dati sintetici come infrastruttura.

Quando ne vale la pena

I dati sintetici valgono lo sforzo in un breve elenco di situazioni, mentre risultano forzati in tutte le altre.

1. I dati sono sensibili. I record dei clienti contengono informazioni personali identificabili e campi regolamentati. Una copia sintetica conserva le relazioni di cui gli analisti hanno bisogno senza ricondurre ad alcun individuo reale, e permette così di portare avanti sviluppo e test senza esporre i dati di produzione.
2. I dati sono scarsi. I momenti rari ma decisivi, una richiesta di sospensione pagamenti, una telefonata di disdetta, un caso limite di frode, compaiono a malapena nei log. La generazione sintetica offre al modello abbastanza esempi della coda lunga da cui imparare.
3. I dati non possono uscire. Quando contratti o giurisdizioni ti impediscono di condividere record reali con un partner o un team offshore, una versione sintetica circola liberamente e sblocca la collaborazione.
4. Il dato reale non esiste ancora. Testare un nuovo prodotto, journey o canale prima del lancio significa non avere uno storico da cui partire. Gli scenari sintetici colmano la lacuna, così il sistema viene messo sotto stress prima ancora che un cliente lo sfiori.

I dati sintetici sono la risposta a un problema di accesso ai dati, non a un problema di qualità dei dati. Se i tuoi dati reali sono buoni e raggiungibili, usali.

Tutto questo funziona perché, se validata correttamente, una copia sintetica porta con sé lo stesso segnale. In un esperimento controllato del MIT, i data scientist che hanno lavorato su dataset sintetici hanno ottenuto, nella maggior parte dei test, risultati senza differenze significative rispetto a chi usava i dati reali.

Quando starne alla larga

L’errore tipico è trattare i dati sintetici come un sostituto gratuito di quelli reali. Non lo sono. Il generatore può lasciarsi sfuggire gli eventi rari che contano di più, appiattire le relazioni che determinano il risultato o ereditare in silenzio i bias dei dati su cui si è addestrato. Per le decisioni ad alto impatto, credito, idoneità, tutto ciò che incide sui mezzi di sostentamento di una persona, i dati sintetici vanno bene per i test, non per lo scoring in produzione.

La pressione sulla privacy che rende attraenti i dati sintetici sta intensificando anche il rischio di scorciatoie. Nel benchmark Cisco del 2025 quasi la metà delle organizzazioni ha ammesso di aver inserito informazioni personali o non pubbliche negli strumenti di AI generativa, e quasi tutti gli intervistati prevedono di spostare budget verso l’AI. McKinsey, dal canto suo, rileva che il 47% delle organizzazioni ha già subito almeno una conseguenza negativa legata all’AI generativa. La lezione non è rallentare. È validare.

Un breve framework per farlo bene

1. Definisci cosa significa “abbastanza buono” prima di generare qualsiasi cosa. Ancoralo a una metrica a valle, l’accuratezza del modello su dati reali di holdout, e non a quanto realistici appaiano i record.
2. Adatta il metodo ai dati. Perturbazione semplice, modelli generativi e scenari basati su regole risolvono problemi diversi. Scegli in base al caso d’uso, non al nome del brand.
3. Valida confrontando con dati reali messi da parte. Verifica le distribuzioni, le correlazioni chiave e se un modello addestrato su dati sintetici regge sui casi reali.
4. Documenta i limiti e lascia le persone al centro delle decisioni ad alto impatto. Usa i dati sintetici per integrare quelli reali, non per sostituire il giudizio che dovrebbe stare dietro una decisione che riguarda un cliente.

Usati così, i dati sintetici fanno bene esattamente una cosa: eliminano il collo di bottiglia dell’accesso, e il tuo team può costruire, testare e imparare alla velocità di cui il business ha davvero bisogno. I team vincenti non sono quelli che generano più record sintetici. Sono quelli che sanno con precisione quali decisioni meritano il dato reale.

Per vedere come traduciamo questa disciplina in pratica, scopri la nostra practice Advisory e la nostra modellazione Predictive Satisfaction Score, oppure sfoglia i case study.