Thomas Kuhn: paradigmi scientifici e cultura del dato

Anche le aziende più orientate ai dati lavorano dentro paradigmi impliciti, e quei paradigmi decidono in anticipo come i dati vengono letti e quali decisioni sembrano sensate. Thomas Kuhn, con la sua teoria dei paradigmi scientifici, dà una lente per vedere questa dinamica e per capire quando una cultura del dato sta difendendo abitudini invece di leggere la realtà.

Quando un dato chiede di cambiare paradigma

Capita spesso che un team analitico si trovi davanti a dati che sembrano contraddire le metriche consolidate o le pratiche abituali. Qui il problema non è tecnico. È capire quando un dato segnala davvero che il paradigma va cambiato e quando invece è solo rumore o un errore di misura. La parte difficile è trasformare questa consapevolezza in decisioni più solide e meno esposte ai bias.

Modello concettuale

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

Una decisione efficace parte da una domanda ben definita, la traduce in unità osservabili, valuta quanto i dati sono solidi e arriva infine alla scelta. Quando si salta un passaggio l’analisi può sembrare sofisticata e restare fragile.

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

Quattro elementi da mettere a fuoco

In termini operativi, Kuhn invita a guardare quattro elementi nella relazione tra dati e decisioni:

Elemento	Definizione operativa
Unità	Osservazione, ipotesi, variabile, meccanismo causale o criterio di evidenza
Segnale	Forza dell’evidenza, coerenza causale, robustezza delle assunzioni, costo dell’errore decisionale
Baseline	Spiegazione alternativa, controfattuale, gruppo comparabile o scenario senza intervento
Decisione	Accettare, rifiutare o riformulare una spiegazione prima dell’applicazione aziendale

La regola pratica è semplice. Una misura serve solo se riduce l’incertezza su una decisione precisa. Se non cambia nessuna scelta è documentazione, e se cambia una scelta senza controlli è rischio.

Esempio: la retention come prova del successo

Un comitato legge l’aumento della retention come prova che la nuova iniziativa ha funzionato. Con il modello di Kuhn, il team separa quello che vede dall’interpretazione e dalla decisione:

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

Così un numero non diventa una conclusione finché non lo si è messo nel suo contesto.

Esercizi

Livello base

Scrivi in cinque righe una decisione reale collegata a Kuhn: obiettivo, metrica primaria, baseline, rischio principale e azione prevista. Usa una sola metrica primaria.

Livello intermedio

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

Livello research-grade

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

Dataset e materiali consigliati

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

L’errore più comune

L’errore tipico è trattare Kuhn come una definizione astratta invece che come un protocollo operativo. Presentare metriche senza baseline, grafici senza ipotesi o raccomandazioni che ignorano il costo dell’errore porta a decisioni fragili. Chiediti sempre: “Se questo risultato fosse falso o instabile, quale decisione sbaglierei?”. Se non hai una risposta chiara, la lezione è rimasta sulla carta.

Quiz e checkpoint

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

Riepilogo operativo

Per Kuhn ogni cultura del dato lavora dentro paradigmi che stabiliscono cosa conta come evidenza e cosa viene ignorato senza nemmeno accorgersene. Decidere meglio sotto incertezza vuol dire riconoscere quei paradigmi, mettere a fuoco segnali e baseline, prendere sul serio le anomalie quando si accumulano e tradurre quello che hai capito nel linguaggio del contesto in cui lavori. È questo lavoro, più che il singolo numero, a trasformare i dati in un vantaggio reale.

Riferimenti: Kuhn, T.S. (1962). The Structure of Scientific Revolutions. University of Chicago Press. Bird, A. (2018). “Thomas Kuhn.” Stanford Encyclopedia of Philosophy.