Obiettivo della sezione. Questa sezione insegna che, in Microsoft Copilot per Excel, il primo prompt non deve essere considerato il punto di arrivo, ma la prima versione di un processo di lavoro. Nei contesti Big Data, Business Intelligence, Power Query, Power Pivot, dashboard direzionali e automazione, il valore professionale nasce dalla capacità di leggere criticamente la prima risposta, individuare lacune, trasformare il feedback in nuove istruzioni e guidare Copilot verso output progressivamente più accurati, verificabili e riutilizzabili.

Principio fondamentale. Il Prompt Engineering non termina con la prima richiesta: il primo prompt genera una base di lavoro; il secondo corregge lacune e ambiguità; il terzo aumenta dettaglio e granularità; il quarto introduce vincoli, soglie e regole; il quinto consolida qualità, verificabilità e formato finale. L’iterazione è quindi una metodologia di miglioramento continuo, non una semplice modifica occasionale del testo.

Un utente professionale non chiede soltanto a Copilot di “fare meglio”, ma indica che cosa non è ancora adeguato, quale elemento deve essere corretto, quale nuovo criterio deve essere applicato e quale risultato finale deve essere prodotto. In questo modo ogni risposta diventa il punto di partenza della generazione successiva.

La prima risposta di Copilot raramente rappresenta la versione ottimale perché nasce dalle informazioni presenti nel prompt iniziale. Se la richiesta non contiene tutti i vincoli, Copilot può produrre un risultato formalmente utile ma ancora incompleto: può mancare il dettaglio per area geografica, non essere indicato il periodo, non essere esplicitata la soglia di anomalia, non essere definito il formato del report o non essere incluso un controllo qualità sui dati.

Esempio iniziale: “Analizza la tabella Vendite”. Il risultato può essere una sintesi generale. Iterazione correttiva: “Riprendi l’analisi della tabella Vendite e aggiungi il confronto per trimestre, evidenziando anomalie nella colonna Ricavi superiori al 15% rispetto alla media”. Il secondo prompt supera l’incompletezza iniziale perché introduce periodo, metrica, soglia e criterio di anomalia.

Errore tipico. Considerare insoddisfacente la prima risposta senza spiegare a Copilot che cosa deve cambiare. Correzione. Trasformare la valutazione critica in istruzione: “La risposta precedente è troppo generale; aggiungi dettaglio per Area, Mese e Categoria e restituisci una tabella con evidenza, causa possibile e azione consigliata”.

Impatto operativo. L’iterazione rende il risultato più aderente agli obiettivi reali del workbook e riduce la distanza tra output generico e output professionale.

Il ciclo professionale dell’iterazione può essere sintetizzato in sei passaggi: genera, verifica, correggi, raffina, valida, riutilizza. La prima fase produce una base; la seconda confronta il risultato con gli obiettivi; la terza corregge errori o omissioni; la quarta aumenta precisione e qualità; la quinta controlla l’affidabilità; la sesta trasforma il prompt maturo in modello riutilizzabile.

Applicazione in Excel. Dopo una prima analisi della tabella Ordini, verifica se Copilot ha usato le colonne corrette, se ha rispettato i filtri, se ha prodotto una tabella leggibile e se ha spiegato le anomalie. Se manca il controllo sui duplicati, l’iterazione successiva sarà: “Prima di aggiornare l’analisi, verifica duplicati sulla colonna IDOrdine e segnala il loro impatto sul totale Ricavi”.

Metodo operativo. Ogni iterazione deve modificare in modo consapevole uno o pochi elementi: aggiungere un vincolo, correggere un oggetto, precisare una metrica, cambiare formato o richiedere una validazione. Questo evita di confondere Copilot con troppe variazioni contemporanee.

Risultato. Il ciclo genera prompt più robusti, più controllabili e più adatti all’automazione ricorrente.

Prima di scrivere il prompt successivo, l’utente deve valutare criticamente la risposta ricevuta. I criteri principali sono accuratezza, completezza, coerenza, qualità dell’analisi, correttezza dei dati e aderenza agli obiettivi. Non basta chiedersi se la risposta “sembra buona”: occorre verificare se è dimostrabile nel workbook.

Domande guida. Copilot ha citato la tabella corretta? Ha usato le colonne richieste? Ha distinto dati mancanti, anomalie e trend? Ha prodotto una dashboard o solo una descrizione? Ha rispettato il formato atteso? Ha indicato limiti dell’analisi? Ha confuso tabella, tabella pivot e modello dati?

Esempio di feedback operativo: “La risposta precedente non distingue anomalie reali da variazioni stagionali. Rianalizza la tabella Vendite confrontando i Ricavi con lo stesso trimestre dell’anno precedente e separa anomalie, trend ricorrenti e valori fuori soglia”.

Beneficio. L’analisi critica trasforma il feedback da giudizio soggettivo a istruzione tecnica, migliorando la generazione successiva.

I vincoli servono a delimitare l’azione di Copilot. In un primo prompt l’utente può chiedere una panoramica; nelle iterazioni successive può aggiungere filtri, condizioni, soglie, regole aziendali, indicatori di controllo e criteri di qualità. Ogni vincolo riduce l’ambiguità e aumenta la precisione dell’output.

Sequenza progressiva. Prompt 1: “Analizza la tabella Ticket”. Prompt 2: “Filtra la tabella Ticket per priorità Alta”. Prompt 3: “Considera solo ticket aperti da più di 7 giorni”. Prompt 4: “Classifica i ticket per rischio operativo e area responsabile”. Prompt 5: “Genera una dashboard con KPI, trend settimanale e azioni consigliate”.

Errore tipico. Inserire vincoli incompatibili, ad esempio chiedere un confronto annuale quando il dataset contiene solo dati mensili. Correzione. Prima chiedere a Copilot di verificare la disponibilità dei campi: “Prima di applicare il confronto annuale, verifica se la tabella Vendite contiene una colonna Data con almeno due anni completi”.

Impatto. I vincoli progressivi trasformano un’analisi ampia in una procedura mirata e verificabile.

Il raffinamento del dettaglio consiste nell’aumentare progressivamente granularità, metriche, colonne, indicatori e spiegazioni. Non significa chiedere semplicemente “approfondisci”, ma indicare quale livello di dettaglio deve essere aggiunto e perché è necessario.

Approfondimento casuale: “Spiega meglio il report”. Approfondimento metodico: “Aggiungi al report della tabella Vendite il dettaglio per Area, Mese e Categoria; per ogni combinazione indica Ricavi, Margine%, scostamento dal Budget e priorità di intervento”.

Nel contesto Big Data, la granularità deve essere controllata: più dettaglio non significa sempre più qualità. Se un dataset contiene milioni di righe, un prompt maturo deve chiedere aggregazioni intelligenti, campioni significativi, segmentazioni per KPI e limiti di visualizzazione.

Beneficio. Il dettaglio progressivo aumenta il valore decisionale senza perdere leggibilità e consente di passare da insight generali a indicazioni operative.

Nei progetti Big Data, l’iterazione deve verificare completezza, accuratezza, consistenza, integrità e affidabilità dei dati prima di raffinare report e dashboard. Un output elegante ma basato su dati sporchi è meno utile di una risposta che segnala limiti, anomalie e controlli necessari.

Iterazione di qualità: “Prima di aggiornare la dashboard, verifica nella tabella Vendite la presenza di valori mancanti nelle colonne Data, Cliente, Ricavi e Margine; classifica le anomalie per gravità e indica l’impatto sui KPI”.

Questo tipo di raffinamento è particolarmente utile con Power Query, perché consente di trasformare il feedback in passaggi di pulizia: rimozione duplicati, normalizzazione date, controllo formati, gestione null, unione tabelle e validazione chiavi.

Errore tipico. Raffinare grafici e KPI senza aver verificato l’affidabilità del dataset. Correzione. Introdurre un prompt di controllo qualità prima dell’output finale.

L’iterazione deve guidare l’evoluzione dell’output: una prima risposta può essere una sintesi; la seconda può diventare una tabella strutturata; la terza una tabella pivot; la quarta una dashboard; la quinta un report direzionale con KPI, commenti e raccomandazioni.

Esempio progressivo. Prima: “Analizza la tabella Vendite”. Dopo: “Trasforma l’analisi in una tabella pivot con Ricavi per Area e Mese”. Poi: “Aggiungi KPI di Margine%, scostamento Budget e indicatore di rischio”. Infine: “Genera una dashboard direzionale con grafico trend, filtri per Area e sintesi manageriale”.

La maturazione dell’output richiede di distinguere contenuto, struttura e destinazione. Un report per analisti può includere dettagli tecnici; una dashboard per direzione deve privilegiare KPI, priorità e sintesi.

Beneficio. L’iterazione orientata all’output produce risultati più aderenti all’uso reale: analisi, controllo, presentazione, decisione o automazione.

Il raffinamento linguistico migliora verbi, sostantivi, aggettivi, avverbi, sintassi e tono. Ogni parola aggiustata può cambiare la qualità della generazione successiva: “analizza” diventa “confronta e motiva”; “dati” diventa “tabella Vendite”; “dettagliato” diventa “con dettaglio per Area, Mese e Categoria”; “poi” diventa “solo dopo aver verificato duplicati”.

Prima versione: “Migliora la dashboard”. Versione raffinata: “Riorganizza la dashboard nel foglio DashboardVendite, evidenziando Ricavi, Margine%, ScostamentoBudget e trend mensile; usa un tono manageriale e sintetizza tre azioni prioritarie”.

La sintassi deve diventare più sequenziale e verificabile: prima controllo, poi calcolo, quindi interpretazione, infine output. Il tono deve restare professionale, neutro e orientato al risultato.

Impatto. Il raffinamento linguistico riduce ambiguità e consente a Copilot di generare risposte più specializzate.

Il feedback efficace non descrive soltanto un problema, ma lo converte in istruzione successiva. Esistono diverse forme di feedback: correttivo, quando occorre correggere un errore; integrativo, quando manca un elemento; espansivo, quando si vuole aumentare il perimetro; selettivo, quando si vuole ridurre il campo; qualitativo, quando si richiede maggiore affidabilità.

Feedback correttivo: “Nella risposta precedente hai considerato tutti i mesi; limita l’analisi della tabella Vendite al trimestre Q2”. Feedback integrativo: “Aggiungi al report anche la colonna Margine%”. Feedback selettivo: “Mantieni solo le anomalie con impatto superiore a 10.000 euro”.

La regola è trasformare ogni osservazione in comando verificabile. Invece di “non va bene”, scrivi “la risposta precedente non include il confronto con Budget; rigenera la tabella aggiungendo ScostamentoAssoluto e Scostamento%”.

Beneficio. Il feedback diventa motore di qualità e produce iterazioni più rapide e controllabili.

L’iterazione strategica parte dagli obiettivi non ancora raggiunti: informazioni mancanti, problemi rilevati, nuove esigenze, errori di formato, limiti di dettaglio o incoerenze analitiche. Diversamente, l’iterazione casuale aggiunge richieste senza una direzione, aumentando complessità e confusione.

Iterazione casuale: “Aggiungi altre cose al report”. Iterazione guidata dall’obiettivo: “L’obiettivo è identificare le aree con margine in calo; aggiungi alla tabella pivot Vendite il confronto tra Margine% corrente e Margine% del trimestre precedente”.

Ogni nuovo prompt deve rispondere a una domanda: quale obiettivo non è ancora soddisfatto? Se l’obiettivo è decisionale, serve sintesi; se è tecnico, serve documentazione; se è di audit, servono evidenze; se è di automazione, servono passaggi ripetibili.

Risultato. L’iterazione guidata dagli obiettivi mantiene il focus e rende il prompt sempre più professionale.

Gli errori più frequenti sono modificare troppe variabili contemporaneamente, non verificare il risultato precedente, aggiungere richieste incompatibili, introdurre ambiguità o perdere il focus iniziale. Questi comportamenti rendono difficile capire quale modifica abbia migliorato o peggiorato l’output.

Errore: “Rifai tutto, aggiungi dashboard, cambia KPI, usa altri dati e rendilo più sintetico”. Questa istruzione cambia perimetro, formato, metriche e tono nello stesso momento. Correzione: “Mantieni la struttura del report precedente; aggiungi solo il KPI Margine% calcolato dalla tabella Vendite e verifica se cambia la priorità delle aree”.

Un altro errore è ignorare la risposta precedente: se Copilot ha già generato una tabella, l’iterazione deve riferirsi a quella tabella, non ripartire da zero senza motivo.

Impatto negativo. Iterazioni confuse producono output instabili, difficili da confrontare e poco adatti a processi aziendali.

Un prompt maturo nasce da una progressione controllata. Prompt 1: “Analizza la tabella Vendite”. Prompt 2: “Analizza la tabella Vendite e identifica le anomalie”. Prompt 3: “Analizza la tabella Vendite, identifica anomalie nella colonna Ricavi e confrontale con il trimestre precedente”. Prompt 4: “Analizza la tabella Vendite, identifica anomalie nei Ricavi, confronta i dati con il trimestre precedente e genera una dashboard direzionale con KPI, commenti e indicatori di rischio”.

La maturazione avviene perché ogni versione aggiunge un livello: oggetto, problema, metrica, confronto, output, destinatario, formato e criterio di rischio. Il prompt iniziale è esplorativo; il prompt maturo è operativo, verificabile e orientato alla decisione.

Ulteriore maturazione: “Prima di generare la dashboard, verifica completezza della colonna Data e presenza di valori negativi in Ricavi; se trovi anomalie, crea una tabella di controllo con riga, valore, impatto e azione consigliata”.

Beneficio. Il prompt maturo diventa uno strumento professionale riutilizzabile in scenari simili.

ANALISI DATI

approfondimento progressivo: aumenta dettaglio quando la prima analisi è generale. Supera sintesi troppo ampie e produce insight più specifici. Esempio: “Aggiungi alla tabella Vendite il dettaglio per Area e Mese”.
correzione del perimetro: restringe l’analisi a colonne o periodi corretti. Supera risultati fuori contesto. Esempio: “Rianalizza la tabella Ordini usando solo la colonna DataConsegna”.
confronto incrementale: introduce benchmark o periodo precedente. Supera analisi isolate. Esempio: “Confronta i Ricavi della tabella Vendite con il trimestre precedente”.

BIG DATA

campionamento guidato: richiede sintesi su segmenti rilevanti quando il dataset è molto ampio. Supera output ingestibili. Esempio: “Analizza la tabella Log raggruppando gli eventi per Categoria”.
aggregazione scalabile: sostituisce dettaglio riga per riga con metriche aggregate. Migliora performance e leggibilità. Esempio: “Aggrega la tabella Transazioni per Cliente e Mese”.
controllo volume: limita l’output ai casi critici. Supera elenchi troppo lunghi. Esempio: “Mostra solo le 20 anomalie principali della tabella Vendite”.

REPORTING

raffinamento del sommario: trasforma una risposta descrittiva in report strutturato. Migliora chiarezza direzionale. Esempio: “Converti l’analisi della tabella KPI in un report con evidenza, impatto e azione”.
aggiunta di destinatario: adatta tono e contenuto a manager o analisti. Supera output generici. Esempio: “Riscrivi il report del foglio Budget per un direttore commerciale”.
validazione del report: introduce controlli prima della consegna. Migliora affidabilità. Esempio: “Verifica le formule nel foglio Report prima della sintesi finale”.

DASHBOARD

evoluzione visuale: passa da tabella a dashboard. Supera output solo testuali. Esempio: “Trasforma la tabella pivot Ricavi in una dashboard con grafico e filtri”.
priorità dei kpi: seleziona indicatori principali. Supera dashboard sovraccariche. Esempio: “Mostra nella dashboard solo Ricavi, Margine% e ScostamentoBudget”.
raffinamento dei filtri: aggiunge slicer o criteri di navigazione. Migliora esplorazione. Esempio: “Aggiungi filtri per Area e Mese nel foglio Dashboard”.

KPI

introduzione graduale: aggiunge KPI dopo la prima analisi. Supera output privo di indicatori. Esempio: “Integra nella tabella Vendite i KPI Ricavi, Margine% e Crescita%”.
soglia decisionale: collega KPI a limiti operativi. Migliora priorità. Esempio: “Segnala KPI con ScostamentoBudget superiore al 10%”.
spiegazione del kpi: richiede formula e significato. Supera metriche opache. Esempio: “Documenta il calcolo del KPI Margine% nel modello dati”.

POWER QUERY

pulizia incrementale: aggiunge passaggi di trasformazione uno alla volta. Supera query confuse. Esempio: “Nella query Vendite rimuovi duplicati sulla colonna IDOrdine”.
normalizzazione progressiva: migliora formati e valori. Supera dati incoerenti. Esempio: “Normalizza la colonna Data nella query Ordini”.
validazione post-trasformazione: controlla l’esito dopo ogni passaggio. Migliora affidabilità. Esempio: “Dopo l’unione delle query, verifica righe senza IDCliente”.

POWER PIVOT

raffinamento delle misure: migliora misure DAX o logiche KPI. Supera calcoli troppo semplici. Esempio: “Aggiorna la misura RicaviTotali nella tabella Vendite”.
relazione controllata: verifica chiavi tra tabelle. Supera modello dati incoerente. Esempio: “Verifica la relazione tra tabella Vendite e tabella Clienti tramite IDCliente”.
contesto di filtro: esplicita dimensioni e filtri. Migliora correttezza dei calcoli. Esempio: “Calcola Margine% per Anno usando la tabella Calendario”.

TABELLE PIVOT

struttura progressiva: aggiunge campi riga, colonna e valori per fasi. Supera pivot disordinate. Esempio: “Aggiungi Area alle righe della tabella pivot Vendite”.
aggregazione corretta: modifica somma, media o conteggio. Supera calcoli non desiderati. Esempio: “Imposta Somma Ricavi nei valori della tabella pivot”.
filtro iterativo: restringe l’analisi dopo il primo output. Migliora focus. Esempio: “Filtra la tabella pivot Performance per Anno 2026”.

FORECASTING

orizzonte progressivo: chiarisce periodo di previsione. Supera forecast vaghi. Esempio: “Prevedi i Ricavi della tabella Vendite per i prossimi sei mesi”.
variabili esplicite: aggiunge fattori da considerare. Migliora modello interpretativo. Esempio: “Includi Stagionalità e Area nel forecast del foglio Previsioni”.
scenario comparato: richiede scenari base, ottimistico e prudente. Supera una previsione unica. Esempio: “Genera tre scenari dalla tabella Budget”.

VALIDAZIONE

controllo mirato: verifica un campo specifico dopo la prima risposta. Supera validazioni generiche. Esempio: “Valida la colonna CodiceCliente nella tabella Clienti”.
esito strutturato: richiede OK/KO e motivazione. Migliora verificabilità. Esempio: “Restituisci OK o KO per ogni riga della tabella Ordini”.
prova documentata: collega errore a evidenza. Supera affermazioni non controllabili. Esempio: “Indica la riga della tabella Vendite in cui manca Ricavi”.

AUDIT

tracciamento iterativo: registra modifiche e controlli. Supera processi non documentati. Esempio: “Aggiorna il foglio Audit con ogni modifica alla tabella Ordini”.
motivazione del rilievo: chiede causa e impatto. Migliora qualità dell’audit. Esempio: “Motiva ogni anomalia trovata nella tabella Fatture”.
priorità del rischio: ordina rilievi per gravità. Supera elenchi piatti. Esempio: “Ordina le anomalie del foglio Audit per rischio decrescente”.

CONTROLLO QUALITÀ

classificazione anomalie: distingue errori bloccanti e avvisi. Supera output indistinti. Esempio: “Classifica le anomalie nella tabella Vendite”.
correzione suggerita: aggiunge azione consigliata. Migliora utilità operativa. Esempio: “Proponi una correzione per ogni errore nel foglio Dati”.
verifica finale del dato: ripete controllo dopo la correzione. Migliora affidabilità. Esempio: “Ricontrolla la colonna Data dopo la normalizzazione”.

DOCUMENTAZIONE

nota incrementale: aggiunge spiegazioni dopo ogni raffinamento. Supera output non documentati. Esempio: “Documenta nel foglio Note le trasformazioni della query Vendite”.
criterio esplicito: descrive regole applicate. Migliora riuso. Esempio: “Spiega il criterio usato per filtrare la tabella Clienti”.
limiti dichiarati: segnala ciò che il risultato non copre. Supera interpretazioni eccessive. Esempio: “Aggiungi i limiti del report nel foglio Report”.

BUSINESS INTELLIGENCE

insight progressivo: passa da dato a interpretazione. Supera report descrittivi. Esempio: “Interpreta i KPI della dashboard Performance”.
segmentazione decisionale: aggiunge dimensioni utili al management. Migliora valore strategico. Esempio: “Segmenta la tabella Vendite per Area e Prodotto”.
raccomandazione finale: chiude l’iterazione con azioni. Supera analisi senza decisione. Esempio: “Proponi tre azioni dal report Ricavi”.

GOVERNANCE

regola aziendale: introduce policy o criterio. Supera analisi non allineate. Esempio: “Verifica la tabella Clienti secondo la regola campi obbligatori”.
owner dichiarato: aggiunge responsabilità. Migliora presidio. Esempio: “Aggiungi ResponsabileControllo nel foglio Log”.
controllo di conformità: valida processo e output. Migliora auditabilità. Esempio: “Controlla la dashboard rispetto alle regole del report direzionale”.

AUTOMAZIONE

procedura ripetibile: trasforma prompt in sequenza stabile. Supera interventi manuali. Esempio: “Crea una procedura per aggiornare la tabella pivot Vendite”.
passo controllato: verifica ogni step. Migliora robustezza. Esempio: “Dopo l’aggiornamento della query, controlla il foglio Log”.
output standardizzato: impone formato costante. Migliora riuso. Esempio: “Restituisci sempre una tabella con esito, impatto e azione”.

OTTIMIZZAZIONE

riduzione complessità: semplifica output troppo estesi. Supera dispersione. Esempio: “Sintetizza la tabella KPI nei cinque indicatori principali”.
ottimizzazione visuale: migliora leggibilità della dashboard. Supera visual confusi. Esempio: “Riorganizza il foglio Dashboard mettendo i KPI principali in alto”.
ottimizzazione del prompt: elimina istruzioni ridondanti. Migliora precisione. Esempio: “Riscrivi il prompt sulla tabella Vendite in cinque passaggi numerati”.

VERIFICA FINALE

checklist conclusiva: controlla completezza prima della consegna. Supera output incompleti. Esempio: “Verifica che il report includa tabella Vendite, KPI e sintesi”.
controllo coerenza: confronta risultato e obiettivo. Migliora qualità finale. Esempio: “Controlla che la dashboard risponda all’obiettivo del foglio Budget”.
validazione formato: verifica struttura dell’output. Supera risultati non utilizzabili. Esempio: “Conferma che la tabella finale contenga evidenza, impatto e azione”.

REVISIONE

revisione selettiva: modifica solo la parte debole. Supera rifacimenti inutili. Esempio: “Mantieni il report e riscrivi solo la sintesi del foglio Dashboard”.
revisione terminologica: uniforma nomi di oggetti e KPI. Migliora coerenza. Esempio: “Usa sempre tabella Vendite al posto di dataset commerciale”.
revisione del tono: adatta stile al destinatario. Migliora comunicazione. Esempio: “Riscrivi la sintesi della dashboard con tono direzionale”.

RAFFINAMENTO DEL PROMPT

vincolo singolo: aggiunge una sola condizione per iterazione. Supera modifiche confuse. Esempio: “Aggiungi solo il filtro Area = Nord alla tabella Vendite”.
maturazione progressiva: evolve da richiesta base a procedura completa. Migliora professionalità. Esempio: “Aggiungi controllo qualità prima della dashboard Vendite”.
riuso del prompt maturo: salva la versione finale come modello. Supera lavoro ripetitivo. Esempio: “Trasforma il prompt sulla tabella KPI in modello riutilizzabile”.

Nota finale. L’iterazione è la competenza che trasforma l’uso di Copilot da richiesta occasionale a processo professionale. Nei progetti Excel avanzati, ogni risposta deve essere osservata, verificata, corretta, arricchita e consolidata fino a diventare un output affidabile, documentabile e realmente utile per analisi, controllo, reporting e decisione.

Libreria di prompt avanzati per l’analisi Big Data in Excel con Microsoft Copilot