Risolutore Problemi Pipeline Dati

Aiutami a diagnosticare e risolvere un problema nella pipeline dati usando un approccio strutturato:

**Panoramica della Pipeline**:
- Nome/scopo della pipeline: [DESCRIVI, es. "ETL notturno che sincronizza i dati da Salesforce al nostro warehouse Snowflake per il reporting"]
- Orchestratore: [Airflow / Prefect / dbt Cloud / cron / Dagster / custom / altro]
- Sorgente/i: [es. "API Salesforce, database di produzione PostgreSQL"]
- Destinazione: [es. "Snowflake, schema analytics_prod"]
- Layer di trasformazione: [dbt / SQL custom / script Python / Spark / altro]
- Schedulazione: [es. "Esecuzione giornaliera alle 02:00 UTC, completa solitamente in 45 minuti"]

**Descrizione del Sintomo**:
- Cosa è andato storto: [DESCRIVI IL GUASTO, es. "La pipeline si è completata senza errori, ma la dashboard dei ricavi mostra 0 euro per ieri. I giorni precedenti sono corretti."]
- Quando è iniziato: [es. "Notato oggi, 28 marzo. L'ultima esecuzione confermata funzionante era il 26 marzo."]
- Messaggi di errore (se presenti):
```
[INCOLLA QUI LOG DI ERRORE, STACK TRACE O OUTPUT DELLO SCHEDULER]
```
- Cosa è cambiato di recente: [DEPLOY, MODIFICHE ALLO SCHEMA, NUOVE SORGENTI DATI, MODIFICHE ALL'INFRASTRUTTURA, es. "Abbiamo rilasciato una nuova versione del connettore Salesforce ieri" o "Niente che io sappia"]
- Impatto: [COSA È COINVOLTO, es. "Tutti i report sui ricavi sono errati. Il team Finance non può chiudere il bilancio mensile."]

**Risolvi questo problema seguendo questi passaggi:**

### Passo 1: Generazione delle Ipotesi
In base ai sintomi, genera 3-5 ipotesi classificate per la causa principale. Per ogni ipotesi:
- Enuncia la causa sospettata in una frase
- Spiega perché corrisponde ai sintomi
- Assegna una probabilità (alta / media / bassa) in base alle informazioni fornite
- Elenca quali prove confermerebbero o escluderebbero questa ipotesi

### Passo 2: Piano Diagnostico
Per le prime 3 ipotesi, fornisci passaggi diagnostici specifici:
- Query esatte da eseguire (SQL, comandi CLI, chiamate API) per verificare o eliminare ogni ipotesi
- Cosa cercare nei file di log (pattern specifici, timestamp, codici errore)
- Controlli comparativi (es. "contare le righe nella sorgente vs. nella destinazione per l'intervallo di date coinvolto")
- Ordina le diagnostiche dalla più rapida/economica alla più lenta, così posso eliminare le ipotesi in modo efficiente

### Passo 3: Conferma della Causa Principale
Una volta che condivido i risultati dei passaggi diagnostici, conferma la causa principale e spiega:
- La catena esatta di eventi che ha causato il guasto
- Perché il monitoraggio esistente non l'ha intercettato (o come è stato intercettato)
- Se si tratta di un incidente isolato o di un rischio sistemico

### Passo 4: Piano di Correzione
Fornisci due livelli di correzione:
- **Correzione immediata**: passaggi per risolvere il guasto attuale e ripristinare dati corretti. Includi procedure di rollback se la correzione comporta rischi.
- **Correzione permanente**: modifiche per prevenire questa classe di guasti in futuro. Può includere validazione dello schema, data contract, regole di alerting o modifiche al design della pipeline.

### Passo 5: Template Post-Mortem
Genera un breve documento di post-mortem con:
- Timeline dell'incidente (usando le informazioni raccolte)
- Riepilogo della causa principale (2-3 frasi)
- Valutazione dell'impatto (durata, dati coinvolti, consumatori a valle)
- Azioni correttive con responsabili (lascia il responsabile vuoto per la compilazione)
- Lacune nel monitoraggio da colmare