Come il team Sales Finance di Snowflake ha ridotto il tempo di forecasting mensile da una settimana a poche ore con l’AI

Nel team Sales Finance di Snowflake, un tempo impiegavamo più di una settimana per sviluppare il nostro forecast mensile. Oggi bastano poche ore.

Ciò che è cambiato è quanto l’AI sa dei nostri dati prima ancora che qualcuno digiti una domanda.

Questa conoscenza ha anche reso la nostra AI più efficiente. Il nostro team di analytics ha creato un profilo che fornisce all’AI un contesto permanente sui nostri dati, la terminologia e i flussi di lavoro. Con questo profilo, Snowflake CoCo arriva a una risposta in meno della metà dei passaggi, quindi ogni domanda costa meno anche se il team ne pone sempre di più.

Questo articolo illustra il profilo CoCo alla base di questi risultati, il motivo per cui rende ogni risposta più efficiente e come i nostri analisti hanno creato 36 skill basandosi su di esso.

Punti chiave

• Il team Sales Finance di Snowflake ha ridotto i tempi di forecast mensile e di analisi degli scostamenti da più di una settimana a poche ore.

• Un profilo CoCo ha ridotto i passaggi per risposta da circa 3,0 a 1,3, abbassando il costo di ogni domanda (utilizzo interno di CoCo in Snowflake, febbraio-maggio 2026, n = 44 utenti finance).

• Ogni risposta è riconducibile a una fonte di dati certificata dal team di analytics.

• Il team ha creato 36 skill in due mesi e l’87% dei primi utenti continua a usare CoCo ogni giorno.
  

Il team Sales Finance esegue ogni mese più di 30 analisi ricorrenti per i leader vendite di Snowflake, che comprendono il forecast complessivo, la pipeline di vendita, le commissioni e il reporting sulle performance di business. Il forecast è l’analisi più complessa, e si accompagna a un’analisi degli scostamenti che spiega cosa è cambiato rispetto al forecast precedente. In passato, costruire il forecast significava analizzare le trattative in pipeline, leggere le note degli account nel CRM, confrontare i dati con i trend storici e verificare il comportamento attuale sul campo. Il lavoro era suddiviso tra diversi analisti e, richiedendo più di una settimana, poteva essere eseguito solo una volta al mese.

Grazie alla skill di forecast complessivo in CoCo, oggi completiamo la stessa analisi in poche ore. Questa maggiore velocità ha cambiato la cadenza. Oggi pubblichiamo un aggiornamento a metà mese, così i leader vendite vedono come sta andando il trimestre mentre c’è ancora tempo per agire. Qualsiasi analista può anche rieseguire la skill per testare uno scenario.

I nostri dati cambiano ogni giorno, distribuiti su decine di fonti certificate e un CRM che riflette trattative aggiornate durante la notte.

I nostri primi tentativi saranno familiari a chiunque abbia applicato l’AI a un vero lavoro di finance. L’AI era competente, ma non conosceva il nostro mondo. Faceva riferimento a una fonte di dati correlata ma errata, oppure chiedeva chiarimenti di cui un analista esperto non avrebbe avuto bisogno.

Entrambi i problemi derivavano dalla mancanza di contesto: a ogni sessione, l’AI doveva dedurre informazioni che conoscevamo ma che non avevamo mai scritto.

I nostri partner del team di analytics finance strategico di Snowflake hanno creato il nostro profilo CoCo per “GTM Finance”.

Un profilo è un contesto permanente che l’AI legge prima di rispondere a qualsiasi richiesta, così nessuno deve ripeterlo in un prompt.

Senza di esso, l’AI impiegherebbe circa tre passaggi per sessione per trovare la fonte di dati giusta, risolvere la terminologia e dedurre ciò che un analista esperto già sa. Con il profilo in uso, nel primo passaggio di ogni conversazione si è già nel vivo del lavoro.
 

La scalabilità della memoria è l’effetto per cui un agente AI diventa più economico per unità di lavoro man mano che accumula contesto sul proprio ambiente. Risponde in meno passaggi, e ogni passaggio consuma risorse di calcolo.

Su 44 utenti finance, chi disponeva di un profilo ha raggiunto una risposta in circa 1,3 passaggi, contro circa 3 passaggi per chi non lo aveva.

Due fattori rendono ogni risposta più efficiente. Il profilo riduce il numero di passaggi, e i passaggi determinano il costo: senza un profilo, ogni passaggio aggiuntivo comporta circa 0,05 crediti (circa 10 centesimi), quindi una sessione di cinque passaggi costa circa tre volte e mezzo una sessione di un solo passaggio. Il profilo rende inoltre le sessioni più economiche a parità di lunghezza. In ogni fascia di passaggi osservata nei dati, una sessione con il profilo costava meno di una senza.

Una volta creata questa base, i nostri analisti hanno potuto aggiungere le proprie skill al profilo, senza dipendere pesantemente dal team di analytics.

Una skill è un flusso di lavoro riutilizzabile che l’AI riconosce ed esegue su richiesta, e creare una skill non richiede competenze tecniche.

In due mesi la libreria è passata da tre skill iniziali a 36, e diverse cartelle di lavoro Excel sono diventate skill condivise che tutto il team può eseguire. Tre mesi dopo il lancio, l’87% dei primi utenti continuava a usare CoCo ogni giorno. Ecco una selezione delle skill che abbiamo creato.
 

Il motivo per cui funziona è l’ownership. L’analista che esegue la riconciliazione delle commissioni 15 volte al mese conosce quel flusso di lavoro meglio di chiunque lo costruisca dall’esterno.

Il nostro team FP&A corporate ha sostenuto lo stesso argomento quando ha scritto di chi può costruire le applicazioni finance, e la nostra libreria di skill è l’esempio concreto di questo cambiamento su larga scala.

I nostri colleghi di FP&A corporate hanno scritto di un progetto simile, il loro flusso di lavoro automatizzato per l’analisi degli scostamenti, inclusi i commenti sugli scostamenti generati dall’AI e il modello di governance alla base. Bookings BvA applica la stessa idea ai bookings: un analista digita “bookings bva” in CoCo, risponde a qualche richiesta di parametri e ottiene in pochi minuti gli scostamenti di fine mese per categoria di trattativa, incluse le opportunità slittate e il motivo.

È l’esempio più chiaro di una skill che ha sostituito un lavoro di assemblaggio cross-team ricorrente.

I viaggi rappresentano una delle voci di costo controllabili più rilevanti per un team di vendita sul territorio, e l’accountability richiede una visibilità regolare. La skill per il report delle spese di viaggio vendite determina autonomamente la finestra di reporting, genera insight per singolo leader su scostamenti di budget, spese fuori policy e i maggiori spender, e infine redige l’email per ogni leader. Un lavoro che richiedeva ore tra due team ora richiede circa 15 minuti, e chiunque nel team può eseguirlo, con insight più coerenti rispetto a quelli prodotti dalla versione manuale.

Aprire la creazione di skill a un intero team pone una domanda ovvia per chiunque sia responsabile dei numeri: cosa succede al controllo quando gli analisti scrivono la propria logica?

È la stessa preoccupazione alla base dei requisiti di fiducia e verificabilità che i leader finance richiedono all’AI, e va affrontata prima che i numeri sopra riportati abbiano un senso. Tre cose mantengono tutto sotto controllo:

• Il team di analytics certifica la fonte di verità: una guida tecnica alle fonti è alla base del profilo e definisce quali fonti dati utilizzare e perché. Le domande di approfondimento e le analisi ad hoc si basano sulle stesse fonti, quindi le risposte restano coerenti e tracciabili.

• Il livello di contesto è gestito centralmente: gli analisti sviluppano a partire dal profilo; il team di analisi dei dati definisce le fonti dati e la terminologia sottostanti.

• Le skill sono condivise e ispezionabili: una skill che esegue la riconciliazione delle commissioni è visibile al team che ne dipende, una posizione di controllo più solida rispetto a un foglio di calcolo su un singolo laptop.

Il nostro approccio si applica anche oltre la finanza: Gli esperti di piattaforma creano la data foundation e un team funzionale sviluppa le proprie skill su questa base. Tre passaggi per arrivarci.

1. Prima, certificare le fonti: decidere quali fonti sono autorevoli per ogni domanda a cui il team deve rispondere e documentare il motivo. Se si salta questo passaggio, ogni workflow successivo erediterà una domanda irrisolta su quale numero sia corretto.
   
   
2. Poi, codificare terminologia e formati di output: le definizioni che il team considera scontate sono esattamente ciò che l’intelligenza artificiale non può inferire. Raccoglierle una sola volta, centralmente.
   
   
3. Poi, aprire lo sviluppo delle skill al team: le persone più vicine a un workflow ne sviluppano la versione migliore, una volta che il livello sottostante è affidabile. Se si inverte l’ordine, si ottengono workflow veloci costruiti su fonti su cui nessuno ha concordato.

Questo approccio supporta attività che vanno ben oltre il reporting ricorrente. Il nostro team FP&A corporate ha fatto lo stesso per la pianificazione a lungo termine, interrogando il piano in linguaggio naturale.

Senza un contesto permanente, ogni conversazione ricomincia da zero. Di solito, ciò che distingue un team che ha a disposizione uno strumento AI da un team per cui l’AI è centrale nel lavoro quotidiano è quanto l’AI sa del lavoro stesso.

Scopri come i team finance stanno trasformando il proprio modo di lavorare utilizzando Snowflake. Partecipa a Expedition, il nostro evento virtuale globale del 3-5 novembre 2026.

 

Dati: Utilizzo interno di CoCo in Snowflake, da febbraio a maggio 2026, confrontando utenti finance con e senza profilo (n = 44 utenti). 1 credito = 2 USD.