SAP Business Data Cloud (BDC) con Databricks rappresenta la convergenza che il Fashion & Retail aspettava da anni: ERP, e-commerce, CRM, POS e dati di sell-out finalmente riuniti in un unico lakehouse, senza i soliti progetti di integrazione infiniti e senza copie di dati che si moltiplicano fuori controllo.
Il problema storico del settore è sempre stato lo stesso. I dati di vendita vivono nel POS, gli ordini nell'ERP, il comportamento online nella piattaforma e-commerce, la relazione con il cliente nel CRM. Ogni sistema parla una lingua diversa e ogni domanda di business — quanto sta vendendo questa collezione, dove conviene riassortire, quale cliente sta per abbandonare — richiede settimane di estrazioni manuali e fogli di calcolo. BDC rompe questo schema mettendo i dati nello stesso posto, con la stessa semantica.
Lo scenario tipico
In un contesto Fashion con più brand sotto lo stesso gruppo, il report di sell-through settimanale richiede spesso decine di ore di lavoro distribuite tra più team. Con BDC su Databricks questo processo può ridursi drasticamente, in larga parte automatizzato. Ma il vero salto non è la velocità: è la possibilità di fare domande che prima erano impossibili. Il forecasting costruito sul lakehouse può ridurre l'invenduto in modo significativo, perché finalmente unisce il venduto storico, lo stock reale e i segnali di domanda online in un solo modello.
L'architettura
Lo schema più adottato nel settore è lineare e ripetibile: i dati SAP escono via ODP verso un Delta Lake su Databricks, dove vengono affiancati alle sorgenti non-SAP (piattaforma e-commerce, marketing, dati esterni di mercato). Su quel livello unico girano i modelli di machine learning gestiti con MLflow, mentre la restituzione ai business user avviene tramite SAP Analytics Cloud. Nessuna duplicazione incontrollata, una sola fonte di verità, governance centralizzata.
Un lakehouse che unisce sell-in, sell-out, stock e customer data in un'unica piattaforma cambia radicalmente le decisioni di buying e planning: si smette di reagire e si inizia ad anticipare.
Cosa cambia per chi decide
Il buyer non ragiona più su dati vecchi di una settimana: vede il sell-through aggiornato e può spostare il riassortimento mentre la collezione è ancora viva. Il planner non costruisce il forecast su un'unica serie storica isolata, ma su un quadro che include comportamento online, meteo, calendario promozionale e disponibilità reale. Il direttore retail confronta i negozi su metriche omogenee, senza dover fidarsi di estrazioni costruite con logiche diverse da team diversi.
Gli errori da evitare
BDC non è una bacchetta magica. I progetti che falliscono lo fanno quasi sempre per due ragioni. La prima è la qualità del dato a monte: se il master data dei prodotti è incoerente tra i sistemi, il lakehouse amplifica il disordine invece di risolverlo. La seconda è la governance: senza regole chiare su chi può creare nuovi dataset e con quale semantica, in pochi mesi si ricreano i silos che si volevano abbattere, solo dentro Databricks.
Il nostro approccio mette quindi la pulizia del master data e il modello di governance prima ancora della tecnologia. Solo allora il lakehouse diventa davvero quel game-changer che il Fashion non sapeva di volere: una piattaforma su cui ogni nuova domanda di business trova risposta in ore, non in settimane, e su cui l'Intelligenza Aumentata generativa può finalmente lavorare con dati affidabili.
Il primo passo concreto
Chi vuole avvicinarsi a BDC senza un big bang può iniziare da un singolo dominio ad alto valore — tipicamente il sell-through — e dimostrarne il ritorno prima di estendere. Questo approccio incrementale riduce il rischio, costruisce fiducia nei dati e crea i casi d'uso che giustificano l'investimento più ampio. Nei progetti enterprise più maturi, è stata proprio una prima vittoria misurabile su un dominio chiave a sbloccare il commitment del management per il roadmap completo. Il lakehouse non si vende con le slide: si vende con la prima domanda di business che, grazie a esso, trova risposta in ore invece che in settimane.
