Data visualization: principi e percezione visiva

Un grafico può essere corretto e confondere comunque chi lo guarda. Una scala compressa, colori senza gerarchia, confronti nascosti o una legenda lontana dal dato bastano a distorcere il messaggio. La visualizzazione non decora le metriche: fa parte del ragionamento analitico. Questa lezione insegna a progettare ciò che deve essere visto per primo e a guidare l’attenzione di chi legge.

Problema reale

Nel contesto di dashboard e visualizzazione il problema è trasformare dati complessi in interfacce decisionali leggibili e azionabili. Non è solo teoria o applicazione di modelli già pronti: è migliorare una scelta concreta con dati, assunzioni esplicite e qualche controllo minimo. Se alla fine dell’analisi non sai dire quale decisione cambia, quale dato osservi e quale errore vuoi evitare, la competenza non è ancora acquisita.

Modello concettuale

Il processo si articola in quattro fasi:

Fase	Cosa chiarire	Output
Domanda	Quale scelta reale deve migliorare?	Decisione da prendere
Misura	Quale segnale osservabile rappresenta il problema?	Metrica o dato sorgente
Controllo	Quale baseline rende il risultato interpretabile?	Confronto credibile
Azione	Che cosa cambia dopo l’analisi?	Prossimo passo operativo

Ogni approfondimento tecnico deve rafforzare almeno una di queste fasi, senza perdere di vista la decisione da supportare.

Formalizzazione rigorosa

Per analizzare la visualizzazione dati parti dall’unità di lavoro, che può essere un grafico, una metrica, una vista, uno stakeholder o una decisione ricorrente. Collega questa unità a una metrica osservabile come leggibilità, frequenza d’uso, tempo alla decisione o riduzione dell’ambiguità. Dichiara poi la decisione attesa: una dashboard, una vista operativa, un alert o una narrativa per il vertice.

Elemento	Specifica richiesta
Unità di analisi	grafico, metrica, vista, stakeholder o decisione ricorrente
Segnale principale	leggibilità, frequenza di uso, tempo alla decisione, ambiguità ridotta
Baseline	Periodo precedente, gruppo comparabile, benchmark o scenario controfattuale
Decisione	dashboard, vista operativa, alert o narrativa executive
Rischio	Scambiare un numero disponibile per una prova sufficiente

Una formalizzazione solida permette a un altro analista di riprodurre la logica, criticare le assunzioni e ottenere la stessa decisione partendo dagli stessi dati.

Esempio o caso studio

Immagina un team che deve mostrare la retention per coorte a un pubblico non tecnico. Una linea media nasconde differenze importanti, mentre una heatmap le rende visibili ma richiede una legenda chiara. La scelta del grafico cambia la qualità della conversazione e quindi la decisione.

Evidenza osservata	Lettura prudente	Azione consigliata
Il numero migliora	Potrebbe essere effetto reale o variazione normale	Cercare confronto e segmentazione
Un segmento cambia più degli altri	La media aggregata nasconde una differenza	Separare coorti o casi d’uso
Il costo cresce insieme al risultato	L’impatto va letto sul margine	Stimare trade-off e sostenibilità

Lab ed esercizio

Livello base

Scrivi una scheda sintetica per questa lezione indicando decisione da supportare, metrica primaria, baseline, rischio principale e azione se il segnale è confermato.

Livello intermedio

Costruisci una tabella con tre segmenti, periodi o scenari. Per ciascuno indica cosa cambia, quale spiegazione alternativa è plausibile e quale controllo useresti prima di raccomandare un’azione.

Livello research-grade

Prepara un decision memo con ipotesi, dati richiesti, criteri di esclusione, controlli di qualità, soglia decisionale, rischio residuo e piano di monitoraggio dopo la decisione.

Dataset e materiali consigliati

Usa dataset di dashboard, metriche di business, brief degli stakeholder, mockup e log di utilizzo. Se non hai dati reali, crea un dataset sintetico con almeno 200 righe, una dimensione temporale, una dimensione segmento e una metrica di outcome.

Errore tipico da evitare

L’errore più comune è trattare la visualizzazione dati come un’etichetta invece che come un processo. Succede quando si mostra un grafico senza decisione, una metrica senza baseline o una conclusione che non dice quale assunzione potrebbe invalidarla. La domanda di controllo è: se questo risultato fosse instabile, quale scelta sbaglierei? Se non c’è una risposta concreta, manca il ponte tra analisi e azione.

Quiz e checkpoint

1. Quale decisione concreta dovrebbe migliorare questa lezione?
2. Quale unità di analisi rende il problema misurabile?
3. Quale baseline useresti per evitare una lettura ingenua?
4. Quale errore tipico potrebbe cambiare la conclusione?
5. Quale output consegneresti a uno stakeholder non tecnico?

Percezione visiva e accuratezza

Cleveland e McGill (1984) hanno misurato l’accuratezza con cui gli esseri umani percepiscono le diverse codifiche visive:

Codifica visiva	Accuratezza	Uso consigliato
Posizione su scala comune	Massima	Bar chart, dot plot
Posizione su scale allineate	Alta	Line chart
Lunghezza	Alta	Bar chart
Angolo/Pendenza	Media	Pie chart (da evitare)
Area	Bassa	Bubble chart (con cautela)
Colore (saturazione)	Bassa	Heatmap, evidenziazioni

La regola pratica è usare la posizione, quindi barre e linee, per i valori precisi, e il colore per attirare l’attenzione.

Scegliere il grafico giusto

Domanda	Grafico	Perché
Confronto tra categorie	Bar chart orizzontale	Le barre orizzontali facilitano la lettura delle etichette
Trend nel tempo	Line chart	L’occhio segue la linea e percepisce la pendenza
Distribuzione di una variabile	Istogramma / Box plot	Mostra forma, outlier, quartili
Relazione tra due variabili	Scatter plot	Correlazione, cluster, outlier
Parte di un tutto (poche parti)	Stacked bar	Evita il pie chart: l’occhio non misura bene gli angoli
Dati geografici	Mappa coropletica	Se il dato ha dimensione spaziale

Gli errori più comuni nelle dashboard

Un pie chart con più di tre fette mette in difficoltà l’occhio, che non distingue angoli simili, e quasi sempre un bar chart funziona meglio. Il doppio asse Y apre la porta a manipolazioni della scala che ingannano chi legge, quindi è da evitare. I colori arcobaleno applicati a dati quantitativi non comunicano un ordine, perché il colore non ha un ordine intrinseco, e vanno sostituiti con scale sequenziali. Il 3D senza una terza dimensione di dati distorce la percezione e resta solo decorazione.

Netflix e la disciplina delle metriche

Netflix costruisce le decisioni di prodotto su segnali comportamentali osservabili: completamento degli episodi, tempo di ricerca, abbandono precoce, ritorno successivo. Non si limita a misurare i click immediati, ma valuta i segnali di qualità per non ottimizzare vanity metric che sembrano positive nel breve periodo ma erodono il valore nel lungo.

Questo metodo mostra che la visualizzazione dati deve collegarsi a un outcome concreto. Se il risultato non aiuta a scegliere tra due azioni alternative, l’analisi è incompleta.

Esempio SQL: costruire una vista di controllo

Per creare una base analitica che consenta il confronto tra periodi e gruppi senza riscrivere la logica ogni volta, si può usare una query generica. La query seleziona gli eventi degli ultimi 180 giorni, raggruppa per settimana, utente, fonte e tipo di dispositivo, e calcola metriche come eventi totali, giorni attivi, diversità di eventi e raggiungimento di un outcome chiave. Il risultato aggregato per settimana, fonte e dispositivo mostra utenti, media dei giorni attivi, diversità degli eventi e tasso di outcome chiave.

Esempio Python: controllare stabilità e anomalie

Una metrica utile deve essere stabile abbastanza da orientare le decisioni e sensibile abbastanza da segnalare i cambiamenti veri. In Python si calcolano la variazione settimana su settimana, la media e la deviazione standard mobile e lo z-score per isolare le anomalie. Questo controllo evita di reagire alle oscillazioni casuali e segnala le variazioni che meritano un’indagine, alimentando alert, review settimanali e retrospettive di prodotto.

Riepilogo

La visualizzazione dati diventa uno strumento decisionale quando collega problema, dati, metrica, segmentazione e azione. Non basta dire “il numero è salito” o “è sceso”: bisogna indicare quale decisione prendere, con quale livello di confidenza e quale metrica useremo per verificare l’esito. Solo così la visualizzazione aiuta a decidere anche quando l’incertezza resta.