Sondaggi Online: Come Farli Statisticamente Corretti

Nel 2011 il team di Airbnb aveva un problema: sapevano che il tasso di conversione era basso, ma non capivano perche. Avevano GA, avevano le heatmap, avevano i dati di funnel — ma i dati non dicevano il perche. Decisero di inviare un sondaggio agli utenti che avevano visitato una scheda appartamento senza prenotare. Il sondaggio aveva una sola domanda: “Cosa ti ha impedito di prenotare?”

Le risposte piu frequenti furono sorprendenti: le foto erano scarse, era difficile capire cosa includeva il prezzo, e le recensioni erano troppo poche per fidarsi. Nessuna di queste risposte era visibile nei dati quantitativi. Airbnb agì su tutti e tre i punti nei successivi sei mesi. Il resto e storia.

Questo episodio illustra perche i sondaggi online esistono ancora nell’era del big data: i dati comportamentali ti dicono cosa fanno le persone, ma solo le parole delle persone ti dicono perche. Un sondaggio ben costruito chiude quel gap.

Il problema pratico è che la maggior parte dei sondaggi online sono mal costruiti statisticamente — hanno bias non riconosciuti, sample size inadeguata, domande ambigue. Risultato: dati che sembrano validi ma in realta non lo sono.

Fondamenti del Campionamento: Probabilistico vs Non-Probabilistico

Prima di inviare il sondaggio, devi capire i principi di base del campionamento statistico. La differenza tra il campionamento probabilistico e non-probabilistico è fondamentale per capire se i tuoi risultati sono generalizzabili.

Campionamento Probabilistico (Valido Statisticamente)

Definizione: Ogni elemento della popolazione ha una probabilita nota e non nulla di essere selezionato.

Campione Casuale Semplice: Randomizzazione totale. Ogni persona ha uguale probabilita di essere selezionata. Massimamente rigoroso, ma difficile da implementare online.

Campione Stratificato: Dividi la popolazione in strati (eta, genere, regione, segmento cliente) e campioni casualmente da ciascuno. Garantisce rappresentazione di ogni strato. Piu rappresentativo del campione casuale semplice se gli strati sono significativi.

Campione Sistematico: Ordina la popolazione e seleziona ogni K-esima unita (es. ogni 5° cliente nella lista). Facile da implementare, staticamente valido se non c’e pattern nascosto nei dati ordinati.

Risultato: I dati possono essere generalizzati alla popolazione intera con margine d’errore calcolabile. Puoi dire “il 58% dei clienti preferisce il metodo di pagamento X ± 5%, con 95% confidenza”.

Campionamento Non-Probabilistico (Conveniente ma Biased)

Definizione: Selezione basata su convenienza, volonta dei partecipanti, o scelta deliberata.

Campionamento per Convenienza: Intervisti chi e disponibile (es. email ai tuoi clienti). Veloce, economico, ma il campione non rappresenta necessariamente la popolazione. I tuoi clienti piu soddisfatti potrebbero essere piu propensi a rispondere.

Campionamento per Quota: Cerchi finche non raggiungi i numeri che ti servono per ogni categoria (es. 100 uomini, 100 donne, 100 clienti nuovi). Simile al stratificato, ma non Random. Potrebbe introdurre bias se chi raggiunge i criteri di quota tende a avere opinioni specifiche.

Campionamento Snowball: Gli intervistati reclutano altri intervistati. Perfetto per comunita nascoste (es. persone con disabilita rare), ma altamente biased verso chi ha reti sociali amicali.

Risultato: I dati descrivono il campione, non la popolazione. Puoi dire “tra i 150 clienti che hanno risposto al sondaggio, il 62% preferisce il metodo X”, ma non puoi generalizzare a tutti i clienti.

La realta italiana: La maggior parte dei sondaggi online italiani usa il campionamento non-probabilistico: invii il link ai tuoi clienti via email, lo pubblichi su Facebook, lo condividi su LinkedIn. I tuoi dati descrivono bene chi sei riuscito a raggiungere (clienti piu tech-savvy, piu engaged), ma non necessariamente il mercato totale.

Calcolo della Sample Size: La Formula Magica

Se vuoi risultati statisticamente significativi, la domanda critica è: quante persone devo intervistare?

La formula standard per il campionamento probabilistico è:

$n = \frac{Z^2 \times p \times (1-p)}{E^2}$

Dove:

• Z = valore critico per il livello di confidenza (1.96 per il 95%, 2.576 per il 99%, 1.645 per il 90%)
• p = proporzione stimata nella popolazione (0.5 se non sai, da il campione piu conservativo)
• E = margine d’errore desiderato (es. ±5% = 0.05, ±3% = 0.03, ±1% = 0.01)

Esempio Concreto: NPS Survey

Vuoi fare un sondaggio NPS (Net Promoter Score) sul tuo e-commerce. Non sai qual e la distribuzione dei promoter/passivi/detrattori nella tua base clienti di 50.000 clienti. Vuoi una confidenza del 95% e un margine d’errore del ±5%.

Z = 1.96 (per 95% confidenza)
p = 0.5 (non sai la distribuzione, usa 0.5 come valore conservativo)
E = 0.05 (margine d'errore ±5%)

n = (1.96² × 0.5 × 0.5) / 0.05²
n = (3.8416 × 0.25) / 0.0025
n = 0.9604 / 0.0025
n = 384.16 ≈ 400 risposte

Interpretazione: Con 400 risposte, puoi direquanto che il vero NPS della tua popolazione e compreso nel range NPS_rilevato ± 5%, con 95% confidenza.

Se vuoi un margine d’errore piu stretto (±3%), il numero sale:

n = (1.96² × 0.5 × 0.5) / 0.03²
n = 0.9604 / 0.0009
n = 1.067 ≈ 1.100 risposte

Tabella: Sample Size per Diversi Margini d’Errore

Calcolatore Online

Per non fare calcoli a mano: usa Sample Size Calculator di Evan Miller o SurveyMonkey Sample Size Calculator.

Le Scale di Misura: Come Codificare le Domande

Non tutte le domande sono uguali. La scala di misura che usi determina il tipo di analisi che puoi fare sui dati.

Scala Nominale (Categorica) — Nessun Ordine

Esempio: “Qual e il tuo genere?”

• Maschio / Femmina / Altro / Preferisco non dirlo

Caratteristiche:

• Dati discreti, senza ordine naturale
• Non puoi calcolare: media, mediana, deviazione standard
• Puoi calcolare: frequenze, moda (categoria piu frequente), percentuali
• Test statistici: chi-quadro, test di Fisher

Uso pratico: Dati demografici, segmentazione per categoria, si/no.

Scala Ordinale — Con Ordine Ma Distanze Ineguali

Esempio: “Quanto sei soddisfatto del servizio?”

• Molto insoddisfatto / Insoddisfatto / Neutrale / Soddisfatto / Molto soddisfatto

Caratteristiche:

• Dati con ordine, ma le distanze tra step non sono necessariamente uguali
• Non puoi calcolare: media (tecnicamente puoi, ma non ha senso statistico)
• Puoi calcolare: frequenze, mediana, correlazione di Spearman, test Mann-Whitney
• Test statistici: Spearman rho, Mann-Whitney U, Kruskal-Wallis

Uso pratico: Scale Likert da 1-5 o 1-7, ranking di preferenze.

Errore comune: Molti marketer calcolano la “media” su una scala Likert (es. “media soddisfazione: 3.8”). Tecnicamente impreciso, ma pratico per comunicare. Meglio però usare la mediana per dati ordinali.

Scala a Intervalli — Ordine e Distanze Uguali

Esempio: “Su una scala da 0 a 10, quanto consiglieresti il nostro servizio (0=No, 10=Si, assolutamente)?”

Caratteristiche:

• Dati con ordine e distanze uguali tra step, ma nessuno zero “naturale”
• Puoi calcolare: media, deviazione standard, correlazione di Pearson, regressione lineare
• NON puoi dire: “10 e il doppio di 5 in termini di soddisfazione”
• Test statistici: t-test, ANOVA, regressione

Uso pratico: NPS (0-10), scale di accordo (0-100), punteggi di preferenza.

Scala a Rapporto — Tutto E Possibile

Esempio: “Quanti euro hai speso nel nostro negozio nell’ultimo anno?”

Caratteristiche:

• Dati con ordine, distanze uguali, e uno zero naturale che significa “niente”
• Puoi calcolare: tutto (media, mediana, moda, deviazione standard, rapporti)
• Puoi dire: “hai speso il doppio” = ha senso reale
• Test statistici: Tutti i test parametrici

Uso pratico: Prezzi, quantita, frequenze assolute, durata.

La Scala Semantic Differential — Misurare Percezioni di Brand

Utile per misurare percezioni sfumate di brand:

Il nostro prodotto e':

Moderno        ___:___:___:___:___:___:___ Antiquato
Affidabile     ___:___:___:___:___:___:___ Inaffidabile
Caro           ___:___:___:___:___:___:___ Economico
Elegante       ___:___:___:___:___:___:___ Ordinario
Innovativo     ___:___:___:___:___:___:___ Conservatore

Codifichi ogni step da 1 a 7, poi puoi fare medie per ogni attributo e confrontare il tuo brand con i competitor. Molto usato negli studi di brand positioning.

La Scala Visiva Analogica (VAS) — Per Misure Continue

Per misuazioni continue, soprattutto online:

Quanto dolore provi dal tuo problema attuale?
(dove 0 e nessun dolore, 100 e il dolore peggiore possibile)

0 |__________________________|__________________________|__________________________|100

Piu precisa della scala Likert, permette di evitare le risposte “di default” nel mezzo. Utile per misurare intensita di emozioni, percezioni, dolori.

I 5 Errori Che Invalidano i Tuoi Dati

1. Domande Doppie (Double-barreled Questions)

“Quanto sei soddisfatto del prezzo e della qualita del servizio?” e due domande in una.

Il problema: Se il cliente e soddisfatto del prezzo ma insoddisfatto della qualita, come risponde? La risposta e ininterpretabile.

Sbagliato:

• “Quanto ti è piaciuta la velocità e la completezza della risposta?”
• “Pensi che il prodotto sia innovativo e conveniente?”

Corretto:

• Domanda sulla velocità (separata)
• Domanda sulla completezza (separata)
• Domanda sull’innovazione (separata)
• Domanda sul prezzo (separata)

2. Leading Questions — Suggerire la Risposta “Corretta”

Le domande che suggeriscono la risposta “corretta” distorcono i dati verso la direzione che il ricercatore si aspetta. E uno dei bias piu comuni.

Sbagliato: “Quanto ti è piaciuto il nostro eccellente servizio clienti?” → La parola “eccellente” spinge verso una valutazione positiva

Corretto: “Come valuteresti la qualità del nostro servizio clienti?”

Sbagliato: “Non pensi che il nostro prodotto sia innovativo?” → La forma negativa confonde; il “no” significa “no penso che sia innovativo” (confusione doppia negazione)

Corretto: “Descrivi quali aspetti del nostro prodotto ti colpiscono di più”

3. Bias di Risposta Socialmente Desiderabile

Le persone tendono a rispondere quello che pensano sia “giusto” piuttosto che la verità. Quando chiedi sulla sostenibilita, molti dicono che e importante anche se non e il fattore decisionale.

Soluzione: Usa domande indirette e comportamentali.

Sbagliato: “Quanto importa per te la sostenibilita ambientale nella scelta di un brand?” (95% dice “molto”)

Corretto: “Quale di questi fattori ha influenzato PIU la tua scelta di brand: prezzo, sostenibilita, qualita, o design?” (forza a scegliere un solo fattore)

Ancora piu preciso: guarda il comportamento effettivo. Se il cliente Dice che la sostenibilita e importante ma acquista il prodotto NON sostenibile ma piu economico, il dato comportamentale (l’acquisto) e piu veritiero della risposta al sondaggio.

4. Ambiguita nelle Opzioni di Risposta

“Di recente hai visitato il nostro sito?” — cosa significa “di recente”? Negli ultimi 7 giorni? Negli ultimi 6 mesi? Ogni persona interpreta diversamente.

Sbagliato:

• “Frequentemente / Raramente” (soggettivo)
• “Ultimamente” (vago)
• “Normalmente” (ambiguo)

Corretto: Specifiche temporali esatte

• “Nelle ultime 4 settimane”
• “Negli ultimi 3 mesi”
• “Piu di 3 mesi fa”
• “Mai”

Lo stesso vale per quantita: “Quanti caffè bevi?” → “1-2 al giorno”, “3-5 a settimana”, “meno di 1 a settimana”?

5. Troppe Domande Obbligatorie + Domande Aperte Lunghe

Se ogni domanda è obbligatoria, il tasso di abbandono aumenta significativamente soprattutto sulle domande aperte dove il rispondente deve scrivere. Rendi obbligatorie solo le domande che non puoi permetterti di avere mancanti (es. l’oggetto del sondaggio stesso).

Le domande aperte richiedono piu tempo rispetto alle domande a scelta multipla. Se inserisci 10 domande aperte, aspettati un 40% di drop-off.

Buona pratica: Domande aperte max 2-3 per sondaggio. Se ne servono di piu, crea sondaggi piu corti ma piu frequenti.

Analisi Quantitativa: Chi-Quadro e Correlazione di Spearman

Una volta raccolti i dati, come li analizzi? Qui entrano in gioco i test statistici.

Test Chi-Quadro (χ²) per Tabelle di Contingenza

Usi il test chi-quadro quando vuoi capire se esiste una relazione tra due variabili categoriche (o ordinali che tratti come categoriche).

Domanda: “Esiste una relazione tra il genere e il livello di soddisfazione (alta/media/bassa)?”

-- Tabella di contingenza: Genere x Soddisfazione
SELECT
  genere,
  soddisfazione,
  COUNT(*) as frequenza
FROM sondaggio
GROUP BY genere, soddisfazione;

La tabella risultante:

Il test chi-quadro calcola le frequenze attese (cosa ci aspetteremmo se non ci fosse nessuna relazione) vs le frequenze osservate (quello che abbiamo visto). Se le differenze sono grandi, probabilmente c’e una relazione.

La formula:

$\chi^2 = \sum \frac{(O_i - E_i)^2}{E_i}$

Dove O e il valore osservato e E e il valore atteso.

Interpretazione:

• Se p-value < 0.05, hai una relazione statisticamente significativa tra le variabili
• Se p-value > 0.05, le variabili sono indipendenti (non c’e relazione)

In Python:

import pandas as pd
from scipy.stats import chi2_contingency

# Crea la tabella di contingenza
contingency_table = pd.crosstab(df['genere'], df['soddisfazione'])

# Esegui il test chi-quadro
chi2, p_value, dof, expected = chi2_contingency(contingency_table)

print(f"Chi-square statistic: {chi2:.4f}")
print(f"P-value: {p_value:.4f}")

if p_value < 0.05:
    print("Esiste una relazione staticamente significativa tra genere e soddisfazione")
else:
    print("Non c'e evidenza di relazione")

Correlazione di Spearman per Variabili Ordinali

Usi Spearman quando entrambi i tuoi dati sono ordinali (scale Likert su entrambi i lati, o quando uno e ordinale e uno e continuo).

Domanda: “C’e una correlazione tra ‘quanto è amichevole il customer service’ (scala Likert 1-5) e ‘probabilita di raccomandare il brand’ (scala 1-5)?”

Entrambi sono ordinali. La correlazione di Spearman varia da -1 (correlazione negativa perfetta) a +1 (correlazione positiva perfetta). 0 significa nessuna correlazione.

import scipy.stats as stats

# Dati del sondaggio
amichevolezza = [5, 4, 3, 5, 2, 4, 3, 5, 4, 3]  # Scala 1-5
raccomandazione = [5, 5, 3, 5, 2, 4, 3, 5, 4, 3]  # Scala 1-5

rho, p_value = stats.spearmanr(amichevolezza, raccomandazione)
print(f"Correlazione di Spearman: {rho:.3f}")
print(f"P-value: {p_value:.4f}")

# Interpretazione
if rho > 0.7:
    print("Correlazione positiva forte: clienti che trovano il servizio amichevole")
    print("hanno molto piu probabilita di raccomandare il brand")
elif rho > 0.4:
    print("Correlazione positiva moderata")
elif rho < 0:
    print("Correlazione negativa: relazione inversa")
else:
    print("Nessuna correlazione")

if p_value < 0.05:
    print("La correlazione e statisticamente significativa")

Regola empirica per interpretare rho:

• rho > 0.7: Correlazione forte
• 0.4 < rho < 0.7: Correlazione moderata
• 0.2 < rho < 0.4: Correlazione debole
• rho < 0.2: Correlazione praticamente nulla

Caso Studio Completo: Sondaggio Customer Satisfaction per E-commerce

Un’azienda di moda online vuole capire cosa blocca i clienti nel checkout. Ecco come farebbe un sondaggio statisticamente corretto:

Fase 1: Definire l’Obiettivo

“Identificare i principali friction point nel processo di checkout che portano a abbandono”

Fase 2: Definire la Popolazione

Tutti i clienti che hanno visitato la pagina di checkout negli ultimi 3 mesi = 12.500 clienti

Fase 3: Calcolare la Sample Size

Vuoi margine d’errore ±5%, confidenza 95%, senza stime preliminari:

n = (1.96² × 0.5 × 0.5) / 0.05² = 384 ≈ 400 risposte

Per fattori di drop-off e risposte incomplete, target 500 inviti.

Fase 4: Struttura del Sondaggio

# Sondaggio Customer Experience — Checkout

Grazie per l'interesse nei nostri prodotti!
Aiutaci a capire come migliorare l'esperienza di acquisto.
Il sondaggio dura 3-4 minuti.

---

**Sezione 1: Screening**

1. Hai mai abbandonato un carrello sul nostro sito durante il checkout?
   [ ] Si
   [ ] No
   [ ] Non so / Non ricordo

[Se NO: Fine sondaggio, thank you]
[Se SI: Continua]

---

**Sezione 2: Qualitativa Aperta (Raccolta linguaggio reale)**

2. Qual è stata la ragione principale per cui hai abbandonato il carrello?
   (Scrivi in poche parole...)
   ________________________________
   [Domanda aperta - permette di scoprire ragioni non previste]

---

**Sezione 3: Quantitativa (Analisi strutturata)**

3. Quale di questi problemi e stato il PIU importante?
   (Scegliere uno solo)

   [ ] Costi finali non chiari (shipping non era visibile, tasse)
   [ ] Metodi di pagamento limitati (non accetti il mio metodo)
   [ ] Tempo di consegna non accettabile
   [ ] Preoccupazione sulla sicurezza dei dati di pagamento
   [ ] Difficolta nel completare il modulo (era complicato)
   [ ] Mancanza di informazioni sul prodotto prima del checkout
   [ ] Altro: ________________

4. Quale è il metodo di pagamento che preferisci?
   (Scegliere uno solo)

   [ ] Carta di credito/debito
   [ ] PayPal
   [ ] Apple Pay / Google Pay
   [ ] Bonifico bancario
   [ ] Stripe / Satispay
   [ ] Criptovalute
   [ ] Non so / Non preferisco nessuno

5. Da 1 a 10, quanto era chiaro il processo di checkout?
   (1 = Completamente confuso, 10 = Cristallo trasparente)

   1 ☐ 2 ☐ 3 ☐ 4 ☐ 5 ☐ 6 ☐ 7 ☐ 8 ☐ 9 ☐ 10 ☐

6. Se risolvessimo il problema che hai indicato, torneresti a completare l'acquisto?
   [ ] Certamente si
   [ ] Probabilmente si
   [ ] Sono indeciso
   [ ] Probabilmente no
   [ ] Certamente no

---

**Sezione 4: Dati Demografici**

7. Qual è la tua eta?
   [ ] 18-25
   [ ] 26-35
   [ ] 36-45
   [ ] 46-55
   [ ] 56-65
   [ ] 65+

8. Genere (opzionale):
   [ ] Maschio
   [ ] Femmina
   [ ] Altro
   [ ] Preferisco non dirlo

---

Grazie per il tuo feedback! 🎁
Partecipa al sorteggio di €50 di sconto inserendo la tua email:
[Email field]

[Privacy: Usiamo i tuoi dati solo per questo studio e rispettiamo il GDPR...]

Fase 5: Distribuzione

Invia email solo ai clienti che hanno abbandonato il checkout, non a tutti i visitatori. Cosi il filtro è intrinseco al campione.

Timing: Invia il sondaggio 24-48 ore dopo l’abbandono, quando l’esperienza è ancora fresca ma non immediatamente dopo (per evitare frustrazione nel momento).

Fase 6: Analisi Dettagliata

import pandas as pd
from scipy.stats import chi2_contingency, spearmanr

# Carica i dati
df = pd.read_csv('survey_results.csv')

# --- ANALISI DI FREQUENZA (Domanda 3) ---
print("Problemi principali di checkout:")
print(df['checkout_problem'].value_counts(normalize=True) * 100)
# Output:
#   Costi non chiari      35%
#   Metodi di pagamento   28%
#   Tempo consegna        18%
#   Sicurezza             12%
#   Difficolta modulo      7%

# --- ANALISI CHI-QUADRO (Genere x Soddisfazione Checkout) ---
contingency = pd.crosstab(df['genere'], df['clarity_1_10'] >= 6)
chi2, pval, dof, expected = chi2_contingency(contingency)
print(f"\nChi-quadro: {chi2:.4f}, p-value: {pval:.4f}")
if pval < 0.05:
    print("Genere e chiarezza del checkout sono correlate!")

# --- CORRELAZIONE SPEARMAN (Chiarezza vs Probabilita di Ritorno) ---
rho, pval = spearmanr(df['clarity_1_10'], df['return_probability_1_5'])
print(f"\nCorrelazione (Chiarezza vs Ritorno): {rho:.3f}, p-value: {pval:.4f}")
if rho > 0.5:
    print("Forte correlazione: piu il checkout e chiaro, piu il cliente torna")

# --- INSIGHT FINALE ---
print("\n=== RACCOMANDAZIONI ===")
print("1. Priorita: Rendere i costi finali chiari PRIMA del pagamento")
print("   (35% dei problemi)")
print("\n2. Aggiungere PayPal come metodo di pagamento (28% lo richiedono)")
print("\n3. Evidenziare tempo di consegna piu visibilmente")

Consigli per il Contesto Italiano: Peculiarita del Mercato

Il mercato italiano ha alcune peculiarita che devi considerare quando disegni sondaggi.

Formalita del Linguaggio: Nei sondaggi B2B usa sempre il “Lei” formale. Nel B2C consumer il “tu” e generalmente accettato e piu caldo, ma dipende dal brand (un brand di lusso potrebbe usare “Lei”).

Sensibilita alla Privacy: I rispondenti italiani sono statisticamente piu sensibili alla privacy. Cita esplicitamente il GDPR, specifica come verranno usati i dati, e offri la possibilita di rimanere anonimi. Questo aumenta la fiducia e il tasso di completamento.

Timing di Invio: I martedi e mercoledi mattina tra le 10:00 e le 11:30 producono i tassi di apertura piu alti per i sondaggi B2B in Italia. Il venerdi la concentrazione cala (molti in ufficio sono fuori). Evita assolutamente agosto — i tassi di risposta crollano del 60-80%.

Incentivi: Un buono Amazon da 5-10 euro aumenta il response rate del 30-50%. Per i sondaggi B2B, condividere i risultati aggregati con i partecipanti e un incentivo altrettanto efficace e piu scalabile (es. “I top 100 rispondenti riceveranno il report aggregato per migliorare il loro business”).

Lunghezza Sondaggio: Gli italiani hanno meno pazienza per sondaggi lunghi. Target: max 5-7 minuti. Oltre 10 minuti, il drop-off è severo.

Relazione con il Corso GinnyTech

Approfondisci il modulo Significativita Statistica su GinnyTech per comprendere meglio i fondamenti statistici dietro i sondaggi: p-value, confidence interval, errori di Tipo I e Tipo II, dimensione dell’effetto. Il modulo Analisi Marketing copre come usare i sondaggi per completare l’analisi quantitativa con insights qualitativi.

Conclusione: Dal Sondaggio All’Azione

Un sondaggio ben costruito statisticamente richiede piu tempo alla progettazione, ma produce dati che puoi davvero usare per prendere decisioni. La tentazione è sempre di mandare il primo draft al mercato subito — non resistere a questa tentazione.

Dedica il tempo alla calibrazione delle domande. Testa su 5-10 persone prima del lancio. Calcola la sample size necessaria. Scegli le scale giuste per il tipo di dato che vuoi raccogliere. Solo cosi i tuoi sondaggi smettono di essere chiacchiere e diventano input decisionale reale.

Ricorda: il sondaggio è il collegamento tra i dati comportamentali (cosa fanno) e i motivi psicologici (perche lo fanno). Usato bene, puo darti il vantaggio competitivo di capire veramente i tuoi clienti.

La prossima volta che un sondaggio “dimostra” che il 73% dei tuoi clienti vuole la feature X, chiedi: quante persone hanno risposto? Come e stata formulata la domanda? Potrebbe cambiarti completamente il modo in cui prendi decisioni di prodotto.