Francis Bacon: induzione e idoli della mente

Un’analisi parte con una convinzione forte e trova subito grafici che la confermano. Bacon chiamerebbe questo rischio un idolo della mente: non un errore tecnico, ma una distorsione nel modo in cui cerchiamo prove. Francis Bacon: induzione e idoli della mente rende visibile la parte psicologica del lavoro sui dati.

Una scena da cui partire

Leggi Bacon come una checklist contro bias e conferma selettiva. L’induzione è potente solo se ti obbliga a cercare eccezioni, dati scomodi e spiegazioni alternative prima di chiudere la storia.

• Contesto: Quale convinzione iniziale sta guidando la ricerca?
• Metodo: Quale evidenza contraria devi cercare attivamente?
• Applicazione: Quale “idolo” riconosci nelle review analitiche del tuo team?

I quattro idoli di Bacon

Idolo	Fonte della distorsione	Nell’analisi dati moderna
Idola Tribus (della tribù)	La natura umana stessa	Tendiamo a vedere pattern anche dove non esistono (apofenia). Un analyst “vede” una tendenza in 3 punti dati.
Idola Specus (della caverna)	L’individuo, la sua educazione e abitudini	Ognuno ha i propri bias personali. Un analyst con background ingegneristico privilegia spiegazioni tecniche; uno con background marketing privilegia spiegazioni comportamentali.
Idola Fori (del mercato)	Il linguaggio e la comunicazione	Le parole creano realtà. “Utente attivo”, “lead qualificato”, “churn” — ognuno le definisce in modo diverso, ma tutti pensano di significare la stessa cosa.
Idola Theatri (del teatro)	I dogmi, le autorità, i framework accettati	”Si è sempre fatto così.” “Google Analytics è la fonte di verità.” “Il p-value < 0.05 significa che il test è riuscito.” Dogmi non messi in discussione.

Idola Tribus: il pattern dove non c’è

L’uomo è un animale che cerca pattern. È un vantaggio evolutivo (riconoscere la tigre tra i cespugli), ma un disastro statistico. L’analista che guarda un grafico di revenue con 3 mesi di calo vede subito un “trend negativo”. Ma 3 punti non fanno un trend: potrebbero essere rumore. Solo un test statistico (es. Mann-Kendall) può distinguere un trend reale da una fluttuazione casuale.

Caso reale: nel 2021, un’azienda spostò il 40% del budget marketing da Facebook a TikTok perché “i dati mostravano che Facebook era in declino e TikTok in crescita.” Tre mesi di dati. Il declino di Facebook era stagionale (Q1 post-natalizio), la crescita di TikTok era l’honeymoon iniziale. Sei mesi dopo, il ROAS di TikTok era crollato e Facebook era tornato ai livelli precedenti. L’idolo della tribù aveva creato un pattern inesistente in 3 punti.

Idola Specus: la caverna personale

Bacon prese l’immagine dalla Repubblica di Platone. Ogni analista è prigioniero della propria caverna di esperienze, formazione, convinzioni. Il modo per uscirne non è negare di avere una caverna, ma esplicitarla.

Esercizio: scrivi in cima a ogni analisi le tue assunzioni personali. “Sono un analyst con background in economia, tendo a privilegiare spiegazioni basate su incentivi e costi. Le mie raccomandazioni potrebbero sottostimare fattori tecnici o psicologici.” Questa dichiarazione non rende l’analisi debole: la rende onesta e, paradossalmente, più robusta.

Idola Fori: quando le parole uccidono i numeri

“Monthly Active Users.” Tre parole. In un’azienda con 200 dipendenti, potrebbero esserci 5 definizioni diverse. Il team marketing conta chi ha aperto un’email. Il team prodotto conta chi ha aperto l’app. Il CEO conta chi ha fatto login. Tre numeri diversi per la stessa parola. Nessuno mente: il linguaggio è ambiguo per sua natura.

Soluzione baconiana: definisci ogni termine operativamente prima di usarlo. Non “utente attivo”, ma “utente che ha eseguito almeno un evento di tipo ‘login’ o ‘app_open’ negli ultimi 30 giorni, misurato alle 23:59 UTC”. Scritta. Visibile. Non negoziabile.

Idola Theatri: i dogmi che non vedi

“Si è sempre fatto così” è la frase più costosa in analisi dati. I dogmi sono framework talmente accettati che nessuno pensa più di metterli in discussione. “Il net promoter score misura la fedeltà dei clienti” (no, misura la probabilità di raccomandare). “Un p-value < 0.05 significa che l’effetto è reale” (no, significa che è improbabile osservare quei dati se l’ipotesi nulla è vera — non è la stessa cosa). “Più dati = più verità” (no, più dati mal campionati = più certezza nell’errore).

Il metodo per distruggere gli idola theatri è una domanda: “Qual è l’esperimento che dimostrerebbe che questo dogma è falso?” Se non riesci a immaginare un esperimento che potrebbe falsificare il dogma, allora il dogma non è scienza: è fede.

Come applicare Bacon al tuo workflow

1. Prima di ogni analisi: scrivi i tuoi idola specus (bias personali) e idola theatri (dogmi che stai assumendo). 5 minuti, massimo impatto sulla qualità.

2. Durante l’analisi: ogni volta che “vedi un trend”, chiediti: è un idolo della tribù? Tre punti fanno un pattern o ho bisogno di una verifica statistica?

3. Prima di presentare: verifica gli idola fori. Le metriche che citi sono definite operativamente? Il tuo stakeholder usa la stessa definizione?

---

Riferimenti:

• Bacon, F. (1620). Novum Organum Scientiarum.
• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Klein, G. (2007). “Francis Bacon.” Stanford Encyclopedia of Philosophy.

Controllo di qualità

Prima di usare “francis bacon: induzione e idoli della mente\ in una decisione, controlla sempre completezza, duplicati, timezone, definizioni cambiate e segmenti esclusi. Molte analisi apparentemente sofisticate falliscono perché il dato di partenza misura un comportamento diverso da quello che il team crede di osservare.

Problema reale

Nel lavoro su fondamenti filosofici dell’analisi dati, Francis Bacon: induzione e idoli della mente serve a risolvere un problema concreto: capire quando un dato sostiene davvero una decisione e quando invece nasconde assunzioni, bias, causalità fragile o una domanda formulata male. La domanda non è se il concetto sia interessante in astratto, ma quale decisione migliora quando lo applichi con dati affidabili e con una soglia di errore esplicita.

Questa lezione va studiata come uno strumento operativo: entro la fine devi saper Comprendere il problema analitico e il contesto decisionale; Applicare esempi, metriche e controlli a casi reali. Se non riesci a collegare il concetto a una scelta reale, la conoscenza resta decorativa e non diventa competenza.

Modello concettuale

flowchart LR
    A["Osservazione"]
    B["Assunzione"]
    C["Modello"]
    D["Evidenza"]
    E["Decisione"]
    A --> B
    B --> C
    C --> D
    D --> E

Il modello mentale e sequenziale: prima si formula la domanda, poi si traduce in unità osservabili, quindi si valuta la qualità del dato e solo alla fine si decide. Saltare un passaggio produce analisi eleganti ma fragili.

Passaggio	Domanda guida	Output atteso
Framing	Quale decisione deve cambiare?	Una scelta concreta, non una curiosità
Misura	Quale segnale rappresenta il fenomeno?	Metrica, fonte e granularità
Confronto	Rispetto a quale baseline interpreto il risultato?	Benchmark o controfattuale plausibile
Azione	Che cosa faccio se il segnale supera la soglia?	Decisione, owner e prossimo controllo

Formalizzazione rigorosa

Formalizza Francis Bacon: induzione e idoli della mente come una relazione tra quattro elementi: unità di analisi, segnale, baseline e decisione. Nel contesto di questa lezione l’unità principale e osservazione, ipotesi, variabile, meccanismo causale o criterio di evidenza. Il segnale da osservare deve essere collegato a forza dell evidenza, coerenza causale, robustezza delle assunzioni e costo dell errore decisionale, mentre la baseline deve essere scelta tra spiegazione alternativa, controfattuale, gruppo comparabile o scenario senza intervento.

Una formulazione robusta segue questa logica:

Elemento	Definizione operativa per questa lezione
Unità	osservazione, ipotesi, variabile, meccanismo causale o criterio di evidenza
Segnale	forza dell evidenza, coerenza causale, robustezza delle assunzioni e costo dell errore decisionale
Baseline	spiegazione alternativa, controfattuale, gruppo comparabile o scenario senza intervento
Decisione	accettare, rifiutare o riformulare una spiegazione prima di usarla in un contesto aziendale
Rischio	Confondere correlazione, qualità del dato e causalità decisionale

La regola pratica e semplice: una misura e utile solo se riduce l’incertezza su una decisione specifica. Se non cambia una scelta, e documentazione; se cambia una scelta senza controlli, e rischio.

Esempio o caso studio

Un comitato interpreta una crescita di retention come prova che una nuova iniziativa abbia funzionato. La lezione costringe a distinguere osservazione, spiegazione, assunzione e decisione prima di trasformare il dato in azione.

Applicando Francis Bacon: induzione e idoli della mente, il team costruisce una lettura in tre colonne: cosa sappiamo, cosa assumiamo e quale decisione prendiamo. Questo formato impedisce di presentare un numero come se fosse una conclusione autosufficiente.

Evidenza	Interpretazione prudente	Decisione conseguente
Segnale positivo ma non isolato	Il fenomeno esiste, ma la causa e ancora incerta	Cercare baseline o holdout
Segmento con risposta diversa	L’effetto medio nasconde eterogeneita	Analizzare coorti o sottogruppi
Costo operativo crescente	Il risultato va valutato sul margine	Applicare soglie economiche

Lab / esercizio

Livello base

Prendi una decisione reale collegata a Francis Bacon: induzione e idoli della mente e scrivi in cinque righe: obiettivo, metrica primaria, baseline, rischio principale e azione prevista. Non usare più di una metrica primaria.

Livello intermedio

Costruisci una tabella con almeno tre segmenti o scenari. Per ciascuno indica segnale, possibile spiegazione alternativa e controllo necessario prima di decidere.

Livello research-grade

Disegna un piano di validazione: ipotesi, dati necessari, criterio di esclusione, soglia decisionale e controllo post-decisione. Specifica anche che cosa ti farebbe cambiare idea.

Dataset e materiali consigliati

Usa case study decisionali, metriche prodotto, risultati di esperimenti, DAG semplici, report analitici e serie storiche simulate. Se non hai dati reali, crea un dataset sintetico con 200-500 righe e almeno una colonna temporale, una colonna segmento, una metrica di outcome e una variabile di esposizione.

Errore tipico da evitare

L’errore più frequente e trattare Francis Bacon: induzione e idoli della mente come una definizione da ricordare invece che come un protocollo decisionale. In pratica succede quando si presenta una metrica senza baseline, un grafico senza ipotesi, o una raccomandazione senza costo dell’errore.

Un controllo utile è chiedersi: “se questo risultato fosse falso o instabile, quale decisione sbaglierei?”. Se la risposta non è chiara, la lezione non è ancora stata applicata davvero.

Quiz o checkpoint

1. Qual è la decisione concreta che questa lezione dovrebbe migliorare?
2. Quale baseline rende interpretabile il risultato?
3. Quale assunzione, se sbagliata, cambierebbe la conclusione?
4. Quale controllo minimo useresti prima di presentare la raccomandazione?

Riepilogo operativo

Francis Bacon: induzione e idoli della mente e una competenza utile quando collega concetto, dato e decisione. Studiala partendo da un problema reale, formalizza il segnale, cerca una baseline credibile, costruisci un esempio e chiudi con un controllo pratico. Categoria: Fondamenti. Difficoltà: advanced. Tempo stimato: 18 min.