Perché il data storytelling è cruciale oggi
Nel 2026, i team di dati si scontrano ancora con il problema di rendere i numeri comprensibili per tutti. Le dashboard da sole non bastano: servononarrazioni coinvolgentiche guidino il pubblico verso azioni concrete. I Large Language Models (LLM) sono diventati strumenti essenziali per automatizzare la creazione di queste storie, permettendo di passare dai dati grezzi a un racconto strutturato in pochi minuti.
I nuovi LLM stanno rivoluzionando il processo
Gli ultimi modelli rilasciati quest’ottobre dimostrano quanto sia rapido evolvere il data storytelling:
- Dessa" un modello speech-to-speech full'duplex addestrato solo su audio conversazionale, ideale per narrazioni vocali in tempo reale.
- Hermit" un framework open'source che aggiunge istruzioni, strumenti e memoria agli agenti AI, perfetto per pipeline di storytelling interattive.
- Nemotron 3.5 Transcribe" un LLM open'weight da 30B con trascrizione multilingue (40 lingue) e etichettatura speaker, utile per rendere i dati globali accessibili.
Integrando questi modelli nei tuoi flussi di lavoro, puoi accelerare la fase dinarrazionee raggiungere un pubblico più ampio.
Il workflow pratico in 5 passi
1️⃣ Prepara i dati e selezionali
Inizia caricando il dataset (CSV, Excel, database). Usa un piccolo script Python per normalizzarlo e rimuovere colonne irrilevanti.
import pandas as pd
df = pd.read_csv('sales_2026.csv')
# Mantieni solo le colonne chiave per la storia
df = df[['data', 'regione', 'vendite', 'unità']].dropna()2️⃣ Genera una sintesi con un LLM
Crea un prompt che chieda all’LLM di riassumere tendenze, anomalie e punti di forza in un linguaggio semplice.
prompt = """
Analizza il seguente dataset di vendite e produci un paragrafo narrativo adatto a un pubblico non tecnico.
- Evidenzia le tendenze principali nel tempo.
- Indica la regione con le migliori prestazioni.
- Suggerisci una possibile prossima azione.
Dati:
{df.to_string(index=False)}
"""3️⃣ Trasforma il riassunto in una storia strutturata
Usa Hermit per aggiungere un livello di istruzioni che trasformi il riassunto grezzo in uno scheletro narrativo: intro, corpo, conclusione e un titolo accattivante.
4️⃣ Aggiungi contesto visivo
Combina il testo con una visualizzazione. Strumenti come Tableau o Plotly possono essere azionati tramite prompt per generare grafici che l’LLM può poi descrivere.
5️⃣ Revisiona e distribuisci
Esegui un ciclo di feedback: l’LLM può adattare tono, lunghezza e livello di dettaglio in base al pubblico di destinazione. Una volta pronto, esporta la storia come pagina web, PDF o presentazione.
Esempio completo di prompt engineering
Di seguito un prompt pronto all’uso che combina un LLM testuale con un modello speech come Dessa per una narrazione vocale.
story_prompt = """
Sei un analista esperto di dati. Scrivi una storia coinvolgente sulle vendite di quest’anno, adatta a un pubblico di dirigenti.
Struttura:
1. Titolo
2. Sottotitolo (1 frase)
3. Intro (2 frasi che inquadrano il contesto)
4. Sezione principale con 3 punti elenco, ciascuno con una breve descrizione
5. Conclusione con un invito all’azione
Dati di input: {df.to_string(index=False)}
"""
# Usa l’LLM per generare la storia
story = llm.invoke(story_prompt)
# Converti la storia in audio con Dessa (esempio di chiamata API)
audio_response = speech_model.generate(story, voice='Dessa')Punti chiave da ricordare
- Seleziona i dati con cura.Meno rumore significa storie più chiare.
- Usa prompt espliciti.Chiedi all’LLM di seguire una struttura precisa per coerenza.
- Sperimenta con i nuovi modelli.Dessa per la narrazione vocale, Hermit per l’agentic workflow, Nemotron per la trascrizione multilingue.
- Itera in base ai feedback.Adatta tono, profondità e livello di dettaglio man mano che il pubblico interagisce.
Conclusione
Il data storytelling con i LLM non è più un lusso, ma un vantaggio competitivo. Seguendo il workflow sopra descritto " dalla preparazione dei dati alla revisione finale " puoi trasformare numeri grezzi in narrazioni persuasive, pronte per qualsiasi pubblico, in pochi minuti. Abbraccia i modelli più recenti come Dessa, Hermit e Nemotron 3.5 Transcribe per rendere il tuo storytelling ancora più ricco e accessibile.
Prossimi passi
1. Scegli un piccolo dataset e applica lo script di preparazione. 2. Crea il prompt di sintesi e testa con un LLM open'source. 3. Aggiungi un layer di Hermit per strutturare la storia. 4. Distribuisci una versione vocale con Dessa per un pubblico remoto.