“È un errore capitale teorizzare prima di avere dei dati. Inspiegabilmente si comincia a distorcere i fatti per adattarli alle teorie, invece di adattare le teorie ai fatti”. Questa massima di Sherlock Holmes si applica perfettamente al mondo dell’analisi dati, dice Andrew Pearson a proposito dei Fantastic 4 of Analytics.
Fare analisi dati è essenziale nel mondo del lavoro ma anche nella vita personale, e permette di prendere decisioni consapevoli (faccio così perché lo dicono i dati). Una classificazione molto utilizzata distingue quattro tipi di analisi dati: descrittiva, diagnostica, predittiva e prescrittiva. Ognuna parte da una domanda diversa e permette di guardare ai dati da una prospettiva differente:
1. Analisi descrittiva: che cosa è successo?
L’analisi descrittiva guarda al passato e cerca di sintetizzare quello che è già accaduto.
È il tipo di analisi che facciamo quando osserviamo, per esempio:
- l’andamento delle vendite negli ultimi dodici mesi;
- il numero di persone che hanno utilizzato un servizio;
- il traffico di un sito;
- i risultati di una campagna;
- le risposte raccolte attraverso un questionario.
La domanda è semplice: che cosa ci raccontano i dati che abbiamo raccolto?
Grafici, tabelle, medie, percentuali e dashboard servono spesso proprio a questo: rendere leggibile una situazione e individuare pattern, differenze o cambiamenti. Descrivere ciò che è successo, però, non significa ancora sapere perché sia successo.
2. Analisi diagnostica: perché è successo?
È qui che entra in gioco l’analisi diagnostica.
Se scopriamo che le vendite sono diminuite, che un servizio viene utilizzato meno o che una campagna ha funzionato meglio del previsto, possiamo iniziare a chiederci quali fattori possono aver contribuito al risultato. Significa confrontare variabili, segmentare i dati, cercare relazioni e approfondire anomalie.
La domanda cambia: perché è successo?
L’analisi diagnostica prova quindi a passare dalla semplice osservazione alla comprensione del fenomeno. Attenzione, però: trovare una relazione tra due variabili non significa automaticamente dimostrare che una abbia causato l’altra. Il contesto resta fondamentale.
3. Analisi predittiva: che cosa potrebbe succedere?
Con l’analisi predittiva lo sguardo si sposta verso il futuro.
Utilizzando dati storici, modelli statistici e, in alcuni casi, tecniche di machine learning, proviamo a stimare che cosa potrebbe accadere. Un’organizzazione potrebbe cercare di prevedere:
- la domanda futura di un servizio;
- la probabilità che un cliente abbandoni;
- l’andamento delle vendite;
- il rischio associato a un determinato evento;
- l’interesse per un nuovo prodotto.
La parola importante è potrebbe. Una previsione non è una certezza. È una stima costruita a partire dai dati disponibili, dalle ipotesi utilizzate e dal modello scelto.
4. Analisi prescrittiva: che cosa dovremmo fare?
L’analisi prescrittiva prova a fare un passo ulteriore.
Non si limita a prevedere un possibile scenario, ma utilizza dati, modelli e vincoli per suggerire quale azione potrebbe essere più adatta per raggiungere un determinato obiettivo.
La domanda diventa: che cosa dovremmo fare?
Può essere utilizzata, per esempio, per ottimizzare prezzi, risorse, tempi, distribuzione o processi decisionali. È anche il tipo di analisi in cui bisogna prestare particolare attenzione a un punto: il risultato di un modello non coincide automaticamente con la decisione migliore. Una raccomandazione basata sui dati deve comunque essere interpretata nel suo contesto e valutata dalle persone che ne conoscono obiettivi, limiti e possibili conseguenze.
Come scegliere il tipo di analisi dati giusto
I quattro tipi di analisi dati non sono alternativi: spesso fanno parte dello stesso percorso. Possiamo partire chiedendoci:
Che cosa è successo? → analisi descrittiva
Perché è successo? → analisi diagnostica
Che cosa potrebbe succedere? → analisi predittiva
Che cosa potremmo fare? → analisi prescrittiva
Non sempre, però, è necessario arrivare fino alla previsione o alla prescrizione.
La scelta dipende dal problema che dobbiamo risolvere, dalla qualità e quantità dei dati disponibili e dal tipo di decisione che dobbiamo prendere. Usare una tecnica complessa quando basta una buona analisi descrittiva non rende automaticamente il risultato migliore. Anzi, può introdurre complessità che non serve.
Prima dell’analisi viene la qualità dei dati
C’è poi una regola che vale per tutti e quattro i tipi di analisi: un modello sofisticato non può compensare dati scadenti.
Nel mondo dell’informatica e della data analysis questo principio viene spesso riassunto nell’espressione garbage in, garbage out: se i dati in ingresso sono incompleti, sbagliati, poco pertinenti o costruiti male, anche il risultato dell’analisi rischia di esserlo.
Prima di iniziare conviene quindi chiedersi:
- Da dove arrivano questi dati?
- Sono sufficientemente completi?
- Che cosa misurano davvero?
- Come sono stati raccolti?
- Ci sono categorie o informazioni mancanti?
- Sono adatti alla domanda che vogliamo porre?
Non è la parte più spettacolare del lavoro con i dati, ma spesso è quella che determina la qualità di tutto ciò che viene dopo.
Analizzare i dati significa fare domande migliori
L’analisi dati non è una competenza riservata a data scientist, economisti o persone che programmano.
Lavorare con i dati significa prima di tutto imparare a formulare domande, osservare ciò che emerge e non forzare i risultati per farli coincidere con ciò che pensavamo di trovare.
Torniamo quindi a Sherlock Holmes: i dati sono il punto di partenza, non la conclusione. E una buona analisi non dipende soltanto dalla tecnica scelta. Conta anche come definiamo il problema, come lavoriamo sui dati e come comunichiamo quello che abbiamo scoperto.
È un approccio che ritroviamo anche nel Data Journalism Training Program, dove il lavoro sui dati parte proprio da comprensione, strutturazione, ricerca e valutazione delle fonti prima ancora di arrivare all’analisi e al racconto.
L’immagine di questo articolo è stata generata con DALL-E.
