Un'analisi di regressione lineare multipla su 428 commesse di Ubics per capire quali leve influenzano davvero la redditività dei progetti digitali.
Ubics è una digital agency del gruppo Var Group. Opera su progetti eterogenei — per dimensione, durata, tipologia — con un'unica leva di costo dominante: il personale.
Digital agency parte di Var Group, leader ICT italiano. Claim: "from strategy to execution". Competenze: web, digital commerce, app custom, intranet, performance marketing.
Commesse da poche centinaia di euro a ~500.000€. Durata: da 1 mese a oltre un anno. Mix di skills molto variabile.
Quali fattori influenzano la marginalità percentuale delle commesse, e in che misura? L'ipotesi di fondo: non solo la dimensione, ma soprattutto il mix di seniority e competenze del team.
Anziché il margine assoluto: permette di confrontare commesse da 5.000€ e da 500.000€ sullo stesso piano, misurando l'efficienza indipendentemente dalla scala.
Adobe Workfront — piattaforma di work management di Ubics. Integra gestione economica, ERP aziendale e timesheet operativi. Dati estratti via API in formato Excel.
Commesse terminate tra gennaio 2024 e giugno 2026. Dal dataset grezzo al campione finale: 437 → 428 osservazioni.
Nome progetto, cliente, program (progetto/maintenance/consulenza/ricorrente), tipologia contrattuale (forfait/monte ore/canone/T&M)
ricavo previsto, costo totale, margine assoluto, marginalità% — la variabile dipendente dell'analisi
ore max preventivate, ore totali lavorate, durata in giorni, project owner
Distribuzione delle ore lavorate per costo orario, area funzionale e combinazione delle due. Sia in valore assoluto che come % sul totale ore.
Media ponderata sulle ore lavorate del costo orario delle risorse. Rappresenta realisticamente l'impatto del personale, pesando ogni risorsa per il suo contributo effettivo.
Valore tra 1 e 3: (3×ore_senior + 2×ore_middle + 1×ore_junior) / ore_totali. Classificazione: junior = 27.50€ o 35€/h, middle = 36.88€–52.50€/h, senior = 85€/h.
Ricavo previsto / ore massime preventivate. Il "prezzo" implicito a cui Ubics ha venduto l'ora su quel progetto.
Indica se il project owner è una figura senior. Permette di testare l'impatto della qualità della governance.
Ore totali lavorate / durata in giorni. Distingue progetti concentrati nel tempo da quelli distribuiti. Inserito nel modello come log(intensity_index).
Time & Materials — raramente usato, situazioni atipiche.
Contratto/Canone — progetti ricorrenti, struttura non comparabile.
Recurring — hosting, rifatturazione servizi: il mix team non è una leva rilevante per l'efficienza economica di queste commesse.
Tutti con natura progettuale. Sia forfait che monte ore: in entrambi il team mix è una leva gestionale reale sulla marginalità.
Esclusi dopo analisi delle distanze di Mahalanobis: errori di attribuzione dati e commesse strutturalmente non confrontabili con il portafoglio standard.
Prima di costruire il modello, ogni variabile è stata esaminata nella sua distribuzione. Le decisioni di trasformazione e selezione emergono qui.
Distribuzione sostanzialmente simmetrica, vicina alla gaussiana. Nessuna trasformazione necessaria. Gli outlier negativi (<−50%) sono stati analizzati caso per caso: rappresentano progetti realmente andati male, con dinamiche riconoscibili. Mantenuti.
Ricavo, ore, costi, durata: tutti altamente correlati (coefficienti ≈ 1). Sono proxy della stessa dimensione. Soluzione: una sola variabile — log(ricavo previsto) — ma nemmeno questa risulterà significativa nel modello finale.
Distribuzione asimmetrica → log molto efficace. Media e mediana coincidono a ln(55) = 4.007: la grande maggioranza delle commesse viene venduta attorno a ~55€/h come tariffa "standard".
Log riduce ma non elimina l'asimmetria, per la natura del portafoglio (molte commesse con lavoro molto diluito nel tempo). Usato nel modello con questa asimmetria residua segnalata come limite.
✗ Non è una leva gestionale: è dettata dalle esigenze di progetto, non da ottimizzazione del margine.
✗ Non cattura differenze tra figure con stesso costo ma impatto diverso (es. M&S vs T&D).
✓ La combinazione è quella più rappresentativa delle scelte reali di allocazione del team.
Altamente correlati (multicollinearità confermata). Preferito il costo medio ponderato: più preciso, basato su ore effettive, managerialmente interpretabile come "quanto costa mediamente un'ora su questo progetto".
Costruire due modelli distinti e confrontarli: Modello 1 con costo medio ponderato; Modello 2 con % ore per categoria (area × costo). Il confronto guida la scelta.
Approccio backward (automatico + manuale), soglia di significatività p < 5%. Confronto tra approccio sintetico e analitico per il team mix.
Marginalità percentuale della commessa — la stessa in tutti i modelli.
p-value < 5% — probabilità che l'effetto sia casuale inferiore al 5%.
Backward stepwise (auto + manuale) — rimozione iterativa della variabile meno significativa.
13% varianza spiegata
21% varianza spiegata — +8pp rispetto al Modello 1
Un nucleo di 4 variabili robusto in entrambi i modelli, più 8 variabili di composizione del team nel secondo. Ogni coefficiente racconta una storia managerialmente rilevante.
I progetti a forfait generano margini percentuali migliori a parità di condizioni. Il forfait presuppone una stima accurata e incentiva l'efficienza nell'esecuzione. Attesta anche una forte capacità di execution: l'agenzia vince proprio dove si assume il rischio operativo.
Un owner senior è associato a marginalità più alta. Il risultato più direttamente azionabile: la qualità della governance conta. Conferma la best practice già in uso di assegnare i progetti più importanti agli owner più esperti.
Più il progetto è concentrato nel tempo, peggiore tende a essere la marginalità. Picchi di utilizzo, coordinamento rapido, meno spazio per correggere errori in corso d'opera. Utile in pre-sales per valutare progetti con deadline stringenti.
Controintuitivo: tariffe più alte → marginalità peggiore. Interpretazione: la tariffa non è una scelta di pricing ma un proxy della complessità del progetto. Progetti percepiti come complessi vengono prezzati di più, ma quella complessità poi erode i margini in esecuzione.
Ogni punto percentuale aggiuntivo di ore da quella categoria erode la marginalità di X punti percentuali. Tutte con segno negativo: aumentare la quota di qualsiasi categoria riduce la marginalità. Va letto in relazione alla baseline (intercetta ≈ 98).
| Variabile | Coeff. grezzo | Interpretazione |
|---|---|---|
| % ore 85 M&S | −2.35 | Figure senior M&S: costo di pre-sales non recuperabile nel ricavo |
| % ore 45 CSC | −0.38 | Content Supply Chain: present sia in offerta che delivery |
| % ore 45–52.5 S&C | −0.33 | Strategy & Consulting: spesso nella fase di offerta/gara |
| % ore 85 T&D | −0.150 | Senior T&D: alto costo ma recuperabile nel valore tecnico prodotto |
| % ore 35–45 T&D | −0.18 | T&D operative: lavoro direttamente recuperabile nel valore |
| % ore 35 PM | −0.14 | PM junior: impatto più contenuto, delivery diretta |
Contributo di quella variabile alla varianza totale della marginalità sull'intero portafoglio. Non chi costa di più per unità, ma chi genera le differenze più grandi tra commessa e commessa.
% ore 85 M&S — impatto unitario enorme (−2.35) ma presenza rara. Sono il costo di acquisizione: coinvolti in pre-sales su gare complesse, il loro costo non è recuperabile nel ricavo della commessa. Non sono un problema: sono fondamentali per l'acquisizione, ma il modello li quantifica per la prima volta.
% ore 45 CSC e % ore 45 T&D — presenti in quasi tutti i progetti, con intensità variabile. Sono il costo di delivery: impatto unitario contenuto, ma generano la maggior parte delle differenze di marginalità perché sono ovunque.
Combina il coefficiente grezzo intermedio (−0.38) con il beta standardizzato più alto (−0.200). Riflette la natura ibrida: presente sia in fase di offerta (design interfacce nelle proposte di gara) sia nella delivery operativa. È la categoria con la maggiore influenza complessiva sulla marginalità.
Le due classifiche non coincidono — e quella differenza è essa stessa un'informazione rilevante.
VIF prossimi a 1 in entrambi i modelli — frutto delle scelte metodologiche in fase di costruzione del set variabili.
Grafici dei residui: nessun pattern sistematico evidente. Solo outlier isolati. Le ipotesi del modello lineare sono rispettate.
Il 79% della varianza rimane inspiegato. I modelli sono strumenti di indirizzo e comprensione, non di previsione puntuale di singole commesse.
Quattro variabili chiare, conversazioni di board. Indica che la marginalità migliora con owner senior, contratti forfait, e si deteriora con progetti troppo intensi o venduti a tariffe elevate. Utile per: politiche di pricing, criteri di assegnazione owner, preferenze contrattuali da proporre ai clienti.
La granularità del mix ore permette di ragionare sulle scelte di allocazione: quali figure, in quale fase, con quale peso. Offre una lente quantitativa su decisioni oggi prese per esperienza. Utile per: staffing consapevole, gestione del pre-sales, valutazione delle gare.
No: la tariffa è un proxy di complessità, non una leva di pricing. Abbassare la tariffa non migliora la marginalità — ridurrebbe solo il ricavo su progetti già difficili.
Non meccanicamente. È già una best practice assegnare i progetti difficili agli owner esperti. Il modello conferma che quella combinazione produce risultati migliori, non che basti nominare un senior su ogni commessa.
Non necessariamente: sono fondamentali per acquisizione e relazione. Il modello quantifica il costo per decidere consapevolmente quando vale la pena, non per eliminare la categoria.
Solo commesse terminate nel periodo gen 2024 – giu 2026. Progetti ancora aperti non inclusi. Possibile bias se i progetti in corso hanno caratteristiche sistematicamente diverse.
Non tracciate e non incluse: qualità della relazione con il cliente, stabilità dei requisiti, fornitori terzi, complessità operativa del cliente, attività non pianificate. La loro inclusione potrebbe migliorare significativamente l'R².
Interpretare le commesse concluse, capire i pattern ricorrenti nei progetti più e meno efficienti. Banca dati di learning per il team.
In fase di offerta: quali elementi tendono a produrre risultati migliori? Quali gare e con quali condizioni vale la pena accettare?
La marginalità attesa potrebbe essere stimata già in fase di offerta. Identificazione preventiva delle commesse a rischio — prima che i problemi si manifestino.
Claude Sonnet 4.6 (Anthropic) — supporto redazionale: riformulazione, correzione sintattica e revisione stilistica del testo.
Claude Sonnet 4.6 via Claude Code — sviluppo di uno script Node.js per l'estrazione dei dati gestionali da Adobe Workfront via API e generazione del file Excel per l'analisi in JMP.
Gemini Flash 3.5 (Google) — assistente tecnico per domande operative sull'utilizzo di JMP (localizzazione comandi, configurazione interfaccia).
Contenuti, analisi e interpretazioni sono frutto del lavoro dell'autore. Gli strumenti AI hanno operato esclusivamente come supporto formale, tecnico e operativo.