I principi che definiscono Narelosivo
Nel raccontare chi siamo, preferiamo parlare dei problemi che affrontiamo ogni giorno: report incoerenti tra loro, allegati tecnici dimenticati e serie storiche spezzate da cambi di metodologia. Qui riassumiamo i principi che guidano il nostro lavoro con dati macroeconomici non strutturati.
Analisi investigativa
Per noi ogni comunicato macroeconomico è un fascicolo da esaminare con attenzione forense. Verifichiamo coerenze interne, confrontiamo versioni successive dello stesso indicatore e annotiamo esplicitamente le revisioni. Questo approccio investigativo riduce il rischio che un cambiamento metodologico passi inosservato dentro un database e consente ai team di ricerca di ricostruire il contesto dietro ogni valore numerico.
Strutturazione rigorosa
Molte soluzioni AI si fermano all’estrazione di testo, mentre le decisioni operative richiedono strutture dati rigorose. I nostri modelli trasformano paragrafi complessi in tabelle normalizzate di indicatori macroeconomici, includendo metadati su fonti, frequenza, unità di misura e trattamento statistico. Il risultato non è un semplice archivio, ma una base di lavoro pronta per sistemi di rischio, scenari e reportistica interna.
Trasparenza e limiti
Ogni scelta nella modellazione dei dati ha implicazioni operative. Per questo documentiamo in modo sistematico assunzioni, limiti e alternative, adottando una matrice di trasparenza che accompagna ogni progetto. Non promettiamo certezze, ma diamo agli utenti strumenti per valutare la qualità delle serie e decidere come usarle. Past performance doesn't guarantee future results e i nostri dataset non sostituiscono analisi autonome.
Perché abbiamo creato un AI per strutturare dati macroeconomici
Da casi reali di confusione sui dati alle procedure strutturate che adottiamo oggi per indicatori macroeconomici complessi
La nostra storia è breve ma densa di casi reali in cui dati macroeconomici disordinati hanno generato dubbi decisionali.
Abbiamo visto piani di rischio costruiti su serie che mescolavano dati rivisti e preliminari senza distinzione, con implicazioni dirette sui modelli interni. Da queste esperienze è nata la decisione di creare un sistema che tratti ogni aggiornamento macroeconomico come un evento da registrare con precisione, non come una semplice sovrascrittura. Il nostro metodo di cronologia esplicita conserva versioni successive degli stessi indicatori, permettendo ai team di misurare l’impatto delle revisioni sulle analisi storiche.
Nel confrontarci con alternative presenti sul mercato, abbiamo notato una tendenza a
promettere automazione totale e immediata. Noi preferiamo un approccio graduale:
iniziamo da un nucleo di indicatori critici, verifichiamo la coerenza tra fonti,
definiamo regole chiare di trasformazione e solo dopo estendiamo la copertura. Questo
modo di procedere riduce il rischio di errori sistematici e rende più semplice
l’integrazione con sistemi esistenti, senza stravolgere processi interni consolidati.
Una parte importante del nostro lavoro riguarda il dialogo con i team dei clienti. Coinvolgiamo responsabili rischio, macroeconomisti interni, IT e compliance in workshop mirati, in cui discutiamo mapping degli indicatori, soglie di controllo e requisiti di audit. Non si tratta di formazione, ma di progettazione congiunta di flussi di dati che possano resistere a controlli interni ed esterni, mantenendo chiarezza sulle responsabilità decisionali e sulle ipotesi incorporate nelle serie.
Come valutiamo e documentiamo le fonti macroeconomiche
Per capire Narelosivo basta osservare come trattiamo un singolo comunicato macroeconomico: come una fonte da verificare, non come un input da accettare.
Applichiamo una sequenza costante di domande: chi pubblica il dato, con quale
metodo, con quali revisioni passate, quali note metodologiche lo accompagnano e
quali indicatori correlati possono confermarlo o metterlo in discussione. Questo
processo, che chiamiamo percorso di coerenza, viene poi tradotto in regole operative
dentro la nostra piattaforma AI, così che controlli analoghi vengano ripetuti in
modo sistematico su flussi documentali più ampi.
Rispetto ad approcci che puntano solo alla velocità, noi privilegiamo la
verificabilità. Accettiamo che una parte dei casi richieda ancora giudizio umano,
soprattutto quando cambiano le definizioni ufficiali di variabili chiave o quando
gli enti statistici introducono nuovi indicatori sperimentali. In queste situazioni
i nostri specialisti annotano esplicitamente l’incertezza residua, permettendo agli
utenti di decidere se includere o meno determinate serie nei propri modelli interni.
Siamo consapevoli che i dati macroeconomici possono influenzare decisioni sensibili. Per questo evitiamo promesse su risultati futuri e ricordiamo che ogni analisi dipende dal contesto, dalle ipotesi e dai parametri scelti. Past performance doesn't guarantee future results e i dataset strutturati che aiutiamo a costruire devono sempre essere letti insieme alle politiche di rischio e alle procedure interne di ciascuna organizzazione.
Il team Narelosivo
Narelosivo nasce dall’incontro tra un data scientist abituato a costruire pipeline robuste, un
economista macro che ha passato anni tra note tecniche e appendici statistiche e un ex
giornalista economico abituato a leggere i documenti fino all’ultima riga. Ci siamo resi
conto che le stesse competenze usate per verificare una notizia potevano essere applicate ai
dataset, trattando ogni indicatore come una tesi da dimostrare.
Oggi il nostro gruppo riunisce figure diverse: responsabili scientifici, specialisti NLP,
analisti di rischio, project manager e profili legali che seguono gli aspetti di conformità.
Lavoriamo soprattutto con istituzioni finanziarie, centri studi e funzioni interne di
pianificazione, che hanno bisogno di trasformare report macroeconomici complessi in basi
dati coerenti. Non offriamo corsi o percorsi formativi, ma soluzioni operative, consulenze
di integrazione e supporto continuo ai team che già presidiano le decisioni economiche.
Un team che tratta i dati macroeconomici come prove documentali
Chi siamo davvero
Partiamo da un dato di fatto: i report macroeconomici non nascono per essere letti
dalle macchine, ma le decisioni operative oggi richiedono basi dati affidabili.
Narelosivo esiste per colmare questo scarto, traducendo documenti eterogenei in
strutture coerenti, tracciabili e pronte per l’analisi. Il nostro team unisce
giornalismo investigativo, econometria e ingegneria dei dati per ricostruire il
contesto dietro ogni cifra, invece di limitarsi a estrarla. Lavoriamo su comunicati
ufficiali, note metodologiche, allegati tecnici e serie storiche, verificando le
fonti con procedure interne che chiamiamo mappa di attendibilità. Ogni
trasformazione viene documentata, così che analisti, economisti e responsabili
rischio possano capire non solo il numero finale, ma anche il percorso che lo ha
generato. Non promettiamo scorciatoie, ma processi solidi, aggiornati al 2026 e
pensati per convivere con i controlli di conformità richiesti da istituzioni e
imprese regolamentate. I risultati possono variare in base ai dati di partenza e
all’uso operativo.
La filosofia dietro il nostro lavoro sui dati macroeconomici
Rendere leggibili le scelte nascoste nei report macroeconomici complessi e nei loro allegati
tecnici
Chi lavora con scenari macroeconomici sa che dietro ogni numero ci sono scelte, rinunce e compromessi metodologici.
Come lavoriamo sui dati macroeconomici non strutturati
Per descrivere Narelosivo basta una frase: trattiamo i testi macroeconomici come dossier da
smontare e ricomporre in strutture dati coerenti. Mentre molte soluzioni AI si fermano
alla classificazione superficiale, noi analizziamo revisioni, allegati, glosse tecniche
e note metodologiche, costruendo indicatori che conservano memoria delle scelte
statistiche sottostanti.
Atlante delle fonti ufficiali
Abbiamo sviluppato una procedura interna, che chiamiamo Atlante delle fonti, per mappare sistematicamente enti statistici, banche centrali, istituti di ricerca e organismi sovranazionali. Per ogni fonte valutiamo frequenza di aggiornamento, livello di dettaglio, coerenza storica e chiarezza metodologica, così da pesare correttamente ogni contributo quando strutturiamo un nuovo indicatore macroeconomico per i clienti.
2
Dal documento al database
Molti report macroeconomici contengono tabelle, grafici e allegati che non seguono uno schema unico. I nostri modelli analizzano layout, didascalie e riferimenti incrociati, mentre il team interviene sui casi ambigui. In questo modo riduciamo errori di interpretazione tipici dei sistemi completamente automatici e manteniamo un legame trasparente tra documento originario e database risultante.
Trasformazioni tracciabili
Ogni trasformazione di un dato, dalla destagionalizzazione al cambio di base, viene annotata con la nostra griglia di trasformazioni tracciabili. Questo approccio consente agli utenti di ricostruire in qualsiasi momento quale serie grezza è stata usata, quali passaggi sono stati applicati e con quali parametri, semplificando audit interni e confronti tra scenari alternativi.
4
Controllo e prudenza
Siamo consapevoli che l’uso di AI in ambito macroeconomico richiede prudenza. Per questo combiniamo controlli automatici di coerenza con revisioni manuali mirate su indicatori sensibili. Quando emergono discrepanze tra fonti, le evidenziamo invece di mascherarle, permettendo a risk manager e team di ricerca di valutare consapevolmente l’affidabilità delle serie. I risultati possono variare e non rappresentano una previsione vincolante.
Il nostro metodo
Nel lavoro quotidiano affrontiamo report macroeconomici che cambiano formato,
linguaggio e dettaglio da un ente all’altro. Abbiamo progettato la nostra
architettura AI proprio contro questa frammentazione, con un flusso che chiamiamo
triangolazione documentale: prima identifichiamo le fonti rilevanti, poi
confrontiamo versioni diverse dello stesso indicatore e infine annotiamo in modo
esplicito ogni divergenza. Non ci limitiamo a estrarre numeri, ma descriviamo
intervalli, revisioni, note a piè di pagina e ipotesi statistiche, perché sappiamo
quanto queste parti incidano sulla lettura dei cicli economici. A differenza di
soluzioni che promettono automazione totale, il nostro approccio combina modelli
linguistici, regole esplicite e revisioni umane mirate. Questo permette di costruire
database di indicatori macroeconomici in cui ogni valore può essere ricondotto alla
pagina di origine, con data, fonte e metodo di calcolo. L’obiettivo non è sostituire
gli economisti, ma liberarli dal lavoro di ricopiatura, in modo che possano
concentrarsi sull’interpretazione dei segnali di contesto.