AI lead scoring in Odoo: implementazione step-by-step per PMI italiane (guida pratica)

Quarantasettesima guida operativa Odoo 19 per PMI italiane. Nella guida precedente abbiamo visto la panoramica AI/ML per Odoo. Adesso scendiamo al concreto: come implementare un primo caso d’uso end-to-end. Scegliamo il lead scoring AI perché è il caso d’uso con miglior rapporto ROI/effort per PMI italiane. In questa guida vediamo step-by-step come implementare un sistema di scoring lead AI in Odoo, dalla raccolta dati al deployment in produzione, con esempi concreti.

Vediamo: requisiti dati, feature engineering, scelta algoritmo, training modello, integrazione Odoo, monitoring, retraining, casi pratici PMI italiane.

Perché iniziare dal lead scoring

Caratteristiche ideali

• Dati già strutturati in Odoo CRM
• Target chiaro (lead convertito vs non convertito)
• ROI quantificabile (conversion rate)
• Bassa complessità tecnica
• Effort tipico: 3-6 settimane end-to-end

Quando lead scoring AI NON serve

• Volume lead < 100/mese (insufficiente per ML)
• Conversion rate > 60% (sales team già efficiente)
• Storico < 18 mesi (dati insufficienti)
• Lead provengono da fonte unica (no diversità per modello)

Step 1: Requisiti dati

Volume minimo

• Almeno 500-1000 lead storici con outcome noto
• 200+ lead “convertiti” per imparare pattern positivi
• 800+ lead “non convertiti” per pattern negativi
• Distribuzione temporale di almeno 12 mesi

Dati necessari per ogni lead

• Fonte (website, fiera, referral, AdWords)
• Dati azienda (settore, dimensione, geo)
• Comportamento (timing risposta, email engagement, pagine visitate)
• Persona contact (ruolo, decisore vs no)
• Timing (quando contattato, quando risposto)
• Storico interazioni (numero email, call)
• Outcome (won, lost, no decision)

Stato pipeline come fonte dati

La pipeline CRM Odoo contiene tutto lo storico di lead progrediti attraverso le stages. È la fonte primaria di dati per addestrare il modello di lead scoring:

• Stage progression (lead → opportunity → quote → won/lost)
• Tempo per stage (proxy di engagement)
• Activity history (chat, mail, calls)
• Probability assegnata manualmente da sales
• Reason di lost (per pattern negativi)

Step 2: Feature engineering

Feature dirette da Odoo

• Source code (categorica)
• Country/region (categorica)
• Industry/settore (categorica)
• Expected revenue (numerica)
• Team_id / salesperson (categorica)
• Day of week creazione lead (categorica)

Feature derivate da behavior

• Tempo medio risposta a email (numerica)
• Numero email inviate/ricevute (numerica)
• Tempo trascorso in ogni stage (numerica)
• Number of activities recorded (numerica)
• Last interaction days ago (numerica)

Feature derivate da master data

L’anagrafica cliente in Odoo contiene informazioni preziose per feature engineering. Settore, regime fiscale, condizioni di pagamento sono tutti indicatori predittivi:

• Esistente cliente (boolean, has_history)
• Total revenue precedente (se cliente esistente)
• Pagamenti puntuali storici (% on time)
• Regime fiscale tipo (categorica)
• Account manager dedicato (boolean)

Feature da fonti esterne (opzionali)

• Sito web aziendale (scraping per traffic, tech stack)
• LinkedIn dell’azienda (employees, growth)
• Visure camerali (fatturato, dipendenti)
• Notizie/sentiment (news API)

Step 3: Scelta algoritmo

Random Forest (raccomandato per iniziare)

• Pro: robusto, gestisce mix categoriche/numeriche, no overfit
• Contro: meno interpretabile di alberi singoli
• Accuracy tipica: 75-85%
• Training time: 1-5 minuti su dataset PMI

XGBoost (per accuracy avanzata)

• Pro: state-of-the-art per dati strutturati, accuracy alta
• Contro: hyperparameter tuning più complesso
• Accuracy tipica: 80-90%
• Training time: 5-20 minuti

Logistic Regression (baseline)

• Pro: super interpretabile, veloce
• Contro: assume linearità (limitante)
• Accuracy tipica: 65-75%
• Useful come baseline per confronto

Neural Network (overkill per PMI tipica)

• Solo se dataset > 100k esempi
• Effort eccessivo per ROI tipico
• Sconsigliato come primo progetto

Step 4: Training del modello

Stack tecnologico raccomandato

• Python + scikit-learn (baseline + Random Forest)
• XGBoost library (per modello avanzato)
• Pandas per data manipulation
• Jupyter notebook per exploration
• MLflow per tracking esperimenti

Workflow tipico

• 1. Export dati Odoo via API (CSV o pandas DataFrame)
• 2. Train/test split (80/20)
• 3. Feature engineering + encoding
• 4. Hyperparameter tuning (GridSearch o Optuna)
• 5. Cross-validation (5-fold tipico)
• 6. Test su holdout set
• 7. Analisi feature importance
• 8. Documentazione + versioning

Metriche da ottimizzare

• Precision: degli high-score lead, quanti veramente convertiti
• Recall: dei lead convertiti, quanti score alto
• F1 score: balance tra precision e recall
• AUC-ROC: discriminative power complessivo
• Target tipico: AUC > 0.75 per essere utile

Step 5: Integrazione Odoo

Architettura raccomandata

• Modello ML servito tramite API REST (Flask, FastAPI)
• Odoo chiama API su create/update lead
• Score salvato in campo custom su crm.lead
• Cron giornaliero per rescore lead esistenti

Esempio integrazione Python in Odoo

import requests

class CrmLead(models.Model):
    _inherit = 'crm.lead'

    ai_score = fields.Float('AI Score', default=0)
    ai_score_updated = fields.Datetime('AI Score Updated')

    def compute_ai_score(self):
        for lead in self:
            features = self._extract_features(lead)
            response = requests.post(
                'http://ml-api.internal/score',
                json=features,
                timeout=5,
            )
            lead.ai_score = response.json()['score']
            lead.ai_score_updated = fields.Datetime.now()

Visualizzazione nel form lead

Il dettaglio del lead/opportunità è il posto dove mostrare il punteggio AI in modo contestuale, accanto agli altri dati commerciali. Il sales può vedere immediatamente la priorità suggerita:

• Badge “AI Score: 87” visibile sulla form
• Color-coding (verde > 70, giallo 40-70, rosso < 40)
• Suggested actions basate su score
• Feature importance per spiegare lo score
• Filtro pipeline per “high score only”

Step 6: Deployment in produzione

Infrastructure

• Container Docker per ML API
• Reverse proxy con SSL
• Monitoring (Prometheus + Grafana)
• Log centralizzato per debug
• Backup modello + dataset

Rollout graduale

• Fase 1: shadow mode (score calcolato, non visibile ai sales)
• Fase 2: pilot team (1-2 sales team test) per 4 settimane
• Fase 3: full rollout con training utenti
• Fase 4: enforcement workflow (es. lead < 30 score → low priority)

Change management

• Workshop con sales team su come usare lo score
• Disclaimer su AI: “suggerimento, non oracolo”
• Override sempre possibile
• Feedback loop per migliorare modello

Step 7: Monitoring e retraining

Metriche da monitorare

• Distribuzione score (drift detection)
• Performance modello su nuovi dati (mensile)
• Adoption sales team (% lead reviewed con score)
• Business KPI: conversion rate per score bucket
• ROI tracking continuo

Retraining policy

• Trigger: AUC scende sotto 0.7
• Trigger: distribuzione lead cambia significativamente
• Schedule: minimo ogni 6 mesi anche se non triggered
• Process: full training pipeline + validation + deploy

Feedback loop

• Sales può marcare “score wrong” su lead specifici
• Dati feedback raccolti per next training
• Review trimestrale con sales team sui false positive

Timeline e budget realistici

Fase	Durata	Effort/Costo
Discovery + requisiti	1-2 settimane	2-4k €
Data exploration + cleaning	2-3 settimane	3-6k €
Feature engineering + training	2-3 settimane	4-8k €
Integrazione Odoo + API	1-2 settimane	3-6k €
Test + UAT	2 settimane	2-4k €
Rollout + training	2 settimane	2-4k €
Totale	10-14 settimane	16-32k €

Costi ricorrenti annuali

• Hosting ML API: 1-3k €
• Retraining periodico: 3-6k €
• Monitoring + maintenance: 2-4k €
• Feedback loop + tuning: 2-5k €
• Totale ricorrente: 8-18k €/anno

Errori comuni nell’implementazione

“Saltare data quality”

Problema: training su dati con 30% missing, accuracy mediocre.
Soluzione: 50%+ dell’effort iniziale su data cleaning prima di model training.

“Overfitting senza accorgersene”

Problema: accuracy 95% in test, 60% in produzione.
Soluzione: cross-validation rigorosa, test su periodo successivo al training.

“No baseline”

Problema: AI 75% accurate, ma quanto era quello manuale?
Soluzione: baseline esplicita (es. % conversion lead “naturale”) prima di AI deploy.

“Black box senza explainability”

Problema: sales non si fida, ignora lo score.
Soluzione: SHAP/LIME per spiegare ogni score, top 3 driver del punteggio.

“Deploy senza shadow mode”

Problema: produzione diretta, bug catastrofici visibili a sales.
Soluzione: shadow mode minimo 4 settimane prima di esposizione.

Casi pratici PMI italiane

Caso 1 — Manifattura B2B: setup completo

• 1.200 lead/anno, conversion baseline 12%
• Modello XGBoost, AUC 0.81
• Setup: 24k €, ricorrente 12k €/anno
• Risultato: top 30% lead → conversion 28% (+135%)
• Sales team più efficiente, payback 11 mesi

Caso 2 — Servizi B2B: implementazione lean

• 600 lead/anno, partito con Random Forest base
• Setup minimal: 18k €, ricorrente 8k €/anno
• AUC 0.74 (sufficiente per caso d’uso)
• Risultato: tempo qualificazione lead -40%
• Payback 9 mesi

Caso 3 — Distributore: integrazione e-commerce

• 3.500 lead/anno da multiple canali
• Feature engineering ricco (web behavior, email engagement)
• Setup: 35k €, ricorrente 15k €/anno
• AUC 0.86
• Risultato: revenue +12% per allocazione sales su lead high-score

Caso 4 — Software house: fallimento iniziale

• Tentativo con LSTM neural network su 800 lead
• Overfitting massivo, AUC test 0.55
• Refactor a Random Forest, AUC 0.72
• Lesson learned: start simple, complicate solo se necessario

FAQ

Quanti lead servono minimo per training utile?

Soglia minima ragionevole: 500 lead storici con outcome noto. Sotto 500: alto rischio overfitting o accuracy bassa. Ideale: 2.000+ lead distribuiti su 18+ mesi per catturare pattern stagionali.

Posso usare AI lead scoring senza data scientist interno?

Sì, partner Odoo con expertise AI può consegnare progetto chiavi in mano. Per evolution e maintenance: data scientist part-time o consulenza ricorrente sufficient per PMI < 200 utenti.

Quanto è accurato un buon modello?

Per PMI tipica: AUC 0.75-0.85 è realistico. Sopra 0.90 raro e potenzialmente segno di overfitting. Sotto 0.70 marginalmente utile, da migliorare. Comparison sempre con baseline pre-AI.

Devo coinvolgere il sales team da subito?

Sì, ma con timing. Discovery e training: sales team coinvolto. Development tecnico: meno. Rollout: shadow mode prima, poi pilot, poi full. Comunicazione trasparente su capabilities e limiti modello.

Cosa fare se il modello fa errori evidenti?

Per ogni “errore evidente” raccoglierlo come feedback. Trimestralmente: review pattern errori, valutare se data quality, feature engineering, o limit fondamentale del modello. Retraining con dati corretti / nuove feature.

Prossimi passi

Nelle prossime guide vedremo come scalare l’AI da 1 a 5 casi d’uso con governance unitaria, come misurare ROI complessivo AI nel portafoglio, e come integrare AI con strategia digital transformation complessiva della PMI.

Vuoi implementare AI lead scoring nella tua PMI?
G Tech Group sviluppa sistemi AI lead scoring per Odoo PMI italiane: data exploration, feature engineering, modello custom, integrazione, monitoring. Payback tipico 8-14 mesi.
Richiedi un preventivo gratuito oppure prova la nostra demo Odoo 19 live. Oppure prova Odoo direttamente su odoo.com (link partner Brentasoft).