Workflow AI per il Business

1. TRIGGER — L'evento che avvia il flusso
   Esempio: arriva una nuova email nella casella info@bottegaferraro.it

2. ELABORAZIONE AI — L'intelligenza artificiale analizza e decide
   Esempio: classifica l'email (ordine/reclamo/info), estrae dati chiave

3. AZIONE — Il sistema esegue un'operazione concreta
   Esempio: genera bozza di risposta, aggiorna il CRM, crea un task

4. REVIEW UMANA — Il professionista valida e approva
   Esempio: Ferraro rilegge la bozza, modifica se serve, invia

TRIGGER: Nuova email ricevuta su info@bottegaferraro.it

STEP 1 — Classificazione AI:
- Legge oggetto e corpo dell'email
- Classifica in: ORDINE / RECLAMO / INFO / PREVENTIVO / SPAM
- Estrae: nome cliente, prodotto menzionato, urgenza (alta/media/bassa)

STEP 2 — Generazione bozza:
- ORDINE → Conferma con riepilogo e tempi di consegna stimati
- RECLAMO → Risposta empatica con proposta di risoluzione
- INFO → Risposta con informazioni richieste dal catalogo
- PREVENTIVO → Richiesta dettagli mancanti + stima preliminare

STEP 3 — Notifica a Ferraro:
- Email classificata appare nella dashboard con etichetta colorata
- Bozza di risposta pronta per la revisione
- Ferraro approva, modifica o rifiuta con un click

RISULTATO: Da 2 ore a 20 minuti per 30 email

import json
from openai import OpenAI

client = OpenAI(api_key="sk-la-tua-chiave")

def genera_preventivo(testo_richiesta):
    """Estrae specifiche dalla richiesta e calcola preventivo."""

    # Step 1: Estrai specifiche con AI
    risposta = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": """Sei l'assistente della Bottega Ferraro.
Estrai le specifiche dalla richiesta del cliente. Restituisci SOLO JSON:
{
  "prodotto": "tipo prodotto",
  "materiale": "tipo materiale",
  "personalizzazione": "descrizione o null",
  "urgente": true/false
}"""},
            {"role": "user", "content": testo_richiesta}
        ],
        temperature=0.1
    )

    specifiche = json.loads(risposta.choices[0].message.content)

    # Step 2: Calcola prezzo dal listino
    listino = {
        "borsa": {"pelle": 180, "cuoio": 220},
        "portafoglio": {"pelle": 65, "cuoio": 85},
        "cintura": {"pelle": 50, "cuoio": 70}
    }

    prezzo_base = listino.get(
        specifiche["prodotto"], {}
    ).get(specifiche["materiale"], 0)

    # Supplementi
    if specifiche["personalizzazione"]:
        prezzo_base += 25  # Supplemento personalizzazione
    if specifiche["urgente"]:
        prezzo_base += prezzo_base * 0.2  # +20% urgenza

    specifiche["prezzo_euro"] = prezzo_base
    specifiche["tempi_consegna"] = "5 giorni" if specifiche["urgente"] else "15 giorni"

    return specifiche


# Esempio di utilizzo
richiesta = "Vorrei una borsa in pelle marrone con le mie iniziali MR"
preventivo = genera_preventivo(richiesta)
print(f"Prodotto: {preventivo['prodotto']}")
print(f"Prezzo: {preventivo['prezzo_euro']} euro")
print(f"Consegna: {preventivo['tempi_consegna']}")

from openai import OpenAI
from datetime import datetime

client = OpenAI(api_key="sk-la-tua-chiave")

def genera_report_settimanale(dati_vendite):
    """Genera report settimanale con analisi AI dei trend."""

    # Prepara i dati in formato leggibile
    riepilogo = f"""
    Settimana: {dati_vendite['settimana']}
    Ordini ricevuti: {dati_vendite['ordini']}
    Fatturato: {dati_vendite['fatturato']} euro
    Prodotto piu venduto: {dati_vendite['top_prodotto']}
    Reclami: {dati_vendite['reclami']}
    Email ricevute: {dati_vendite['email_totali']}
    """

    # Analisi AI dei trend
    risposta = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": """Sei l'analista della Bottega Ferraro.
Genera un report settimanale con: riepilogo numeri, trend rispetto alla
settimana precedente, 3 azioni consigliate per la prossima settimana.
Tono: professionale ma amichevole. Formato: sezioni con titoli."""},
            {"role": "user", "content": riepilogo}
        ]
    )

    report = risposta.choices[0].message.content
    data_oggi = datetime.now().strftime("%d/%m/%Y")
    print(f"Report Bottega Ferraro — {data_oggi}")
    print(report)

    return report


# Dati della settimana (dal gestionale)
dati = {
    "settimana": "24-28 febbraio 2026",
    "ordini": 18,
    "fatturato": 3240,
    "top_prodotto": "Borsa modello Firenze",
    "reclami": 1,
    "email_totali": 147
}

genera_report_settimanale(dati)

SCENARIO MAKE.COM — Classificazione email Bottega Ferraro

MODULO 1: Gmail — Watch Emails
- Cartella: INBOX
- Trigger: ogni 5 minuti

MODULO 2: OpenAI — Create a Completion
- System prompt: "Classifica questa email come ORDINE/RECLAMO/INFO/PREVENTIVO"
- User message: oggetto + corpo email dal Modulo 1
- Temperatura: 0.2

MODULO 3: Router (smista per categoria)
- Ramo ORDINE → Google Sheets (registra) + Gmail (bozza conferma)
- Ramo RECLAMO → Slack (notifica urgente) + Gmail (bozza risposta)
- Ramo INFO → Gmail (bozza risposta standard)
- Ramo PREVENTIVO → Google Sheets (registra) + Gmail (bozza con domande)

MODULO 4: Slack — Notifica riepilogo giornaliero
- Ogni sera: "Oggi 8 ordini, 2 reclami, 5 info, 3 preventivi"

Costo: Make.com gratuito fino a 1000 operazioni/mese (sufficiente per iniziare)