import pandas as pd

NPS critique e metriche di soddisfazione avanzate

Questa lezione tratta l’NPS come strumento di decisione, non come definizione da memorizzare. La domanda che conta non è cosa significhi il punteggio, ma quale scelta diventa più solida quando misuri davvero la soddisfazione invece di un suo surrogato comodo. Nel dominio dei modelli di marketing serve sempre capire cosa cambia nell’azione quando il dato diventa più affidabile.

Il problema che vedi sul campo

Il caso ricorrente è semplice da raccontare e fastidioso da gestire: l’NPS sale, ma il churn e i ticket critici non si muovono. La tentazione è buttare via la metrica. La domanda giusta è un’altra. Quando una sola domanda misura soddisfazione reale, quando misura rumore, e quando nasconde segmenti che si comportano in modo opposto? Una lezione utile separa il segnale dal rumore, indica una baseline credibile e dice quale decisione diventa più difendibile dopo l’analisi. Spesso il team lavora con dati incompleti, definizioni ambigue e vincoli tecnici che rendono fragile la lettura, quindi il punto non è il numero in sé ma la fiducia che merita.

Come ragionare sul fenomeno

Conviene seguire una sequenza fissa che lega la domanda al dato e poi all’azione. Senza questo filo, una nozione tecnica si trasforma in rituale: si presenta un numero e ci si ferma lì.

Passaggio	Domanda da fare	Output atteso
Decisione	Che cosa cambia se capiamo meglio la soddisfazione?	Scelta esplicita
Segnale	Quale dato osservabile riduce l’incertezza?	Metrica o evento
Baseline	Rispetto a cosa interpretiamo il risultato?	Confronto credibile
Vincolo	Che cosa puo falsare la lettura?	Assunzione da dichiarare
Azione	Quale passo operativo segue?	Raccomandazione controllabile

Ogni riga della tabella serve a rendere visibile il costo di una decisione sbagliata. Se un passaggio non aumenta la chiarezza, è decorazione.

Rendere esplicite le assunzioni

Formalizzare non vuol dire complicare. Vuol dire mettere per iscritto le assunzioni, così uno stakeholder può discutere il criterio decisionale invece di fidarsi del risultato per autorità. La tabella seguente collega l’oggetto di misura, il segnale e il controllo minimo che lo rende affidabile.

Elemento	Definizione operativa	Controllo minimo
Unita di analisi	Oggetto su cui misuri il fenomeno	Utente, account, evento, ordine o periodo
Variabile osservata	Segnale che rappresenta il comportamento	Definizione stabile e tracciabile
Baseline	Stato contro cui confronti il segnale	Periodo, segmento, controllo o benchmark
Soglia decisionale	Punto in cui cambia l’azione	Criterio scritto prima della lettura
Rischio residuo	Errore che puo restare anche dopo l’analisi	Sensitivity check o revisione qualitativa

La debolezza analitica dell’NPS

Conviene leggere questa lezione come revisione del sistema di ascolto del cliente, non come attacco a una metrica famosa. Soddisfazione, lealtà, effort, sentiment e comportamento vanno collegati prima di guidare una roadmap o il lavoro di customer success.

Il Net Promoter Score, introdotto da Fred Reichheld nel 2003, ha conquistato il mondo del business con una promessa seducente: misurare la lealtà del cliente con una sola domanda (“Con quale probabilità raccomanderesti la nostra azienda/prodotto a un amico o collega?”) e un calcolo elementare. La sua semplicità è insieme la forza principale e la debolezza analitica più profonda. Per un data scientist, sezionare l’NPS rivela una serie di scelte metodologiche arbitrarie che ne compromettono la robustezza e soprattutto la capacità predittiva.

Il primo problema è la trasformazione di una scala ordinale (da 0 a 10) in tre categorie nominali: Detrattori (0-6), Passivi (7-8) e Promotori (9-10). Questo “bucketing” comporta una perdita di informazione drammatica. Prendi due scenari. Nello scenario A il punteggio medio di un gruppo di Detrattori passa da 1.5 a 5.5: un miglioramento enorme del sentiment, magari dovuto a un’intensa attività di customer success. Nello scenario B il punteggio medio dei Promotori scende da 9.9 a 9.1, un leggero calo dovuto a un bug minore. Nel calcolo dell’NPS (% Promotori meno % Detrattori) il primo scenario non produce alcun cambiamento, perché i clienti restano Detrattori, mentre il secondo può spostare alcuni clienti tra i Passivi e far crollare il punteggio. La metrica punisce un piccolo calo tra i fan più entusiasti molto più di quanto premi un miglioramento sostanziale tra i clienti scontenti. Questa sensibilità asimmetrica rende l’NPS un indicatore volatile e spesso fuorviante delle vere dinamiche della customer base.

Esempio: la decisione, non la definizione

Immagina un team che deve usare l’analisi della soddisfazione per decidere se cambiare una pipeline, una metrica, un investimento o una dashboard. La domanda non è quale sia la definizione corretta, ma quale scelta diventa meno rischiosa se l’analisi è fatta bene.

Situazione	Lettura prudente	Decisione
Il dato migliora ma la baseline e debole	Il segnale potrebbe essere reale o dipendere dal campione	Rafforzare il confronto prima di scalare
La metrica cambia in un solo segmento	L’effetto medio nasconde eterogeneita	Separare coorti o casi d’uso
Il costo operativo aumenta	Il beneficio va valutato sul margine	Applicare una soglia economica esplicita
Il sistema produce numeri incoerenti	La fiducia nel dato e parte della decisione	Correggere ownership e controlli

Lab ed esercizio

Al livello base, scrivi in cinque righe quale decisione concreta dovrebbe migliorare grazie a una lettura più onesta della soddisfazione. Indica metrica, unità di analisi, baseline e rischio principale. Se non riesci a nominare la decisione, la lezione è ancora troppo astratta.

Al livello intermedio costruisci una tabella con quattro colonne: segnale osservato, interpretazione prudente, controllo necessario, azione consigliata. Inserisci almeno un caso in cui il segnale non basta per decidere.

Al livello research-grade trasforma l’esercizio in un memo decisionale, con assunzioni, criteri di esclusione, soglia di intervento, sensitivity check e una proposta di monitoraggio dopo la decisione. Per i dati ti basta un export reale, una tabella sintetica, una dashboard interna o un notebook di studio, purché contenga almeno una dimensione di segmento, una metrica osservabile e un periodo o baseline di confronto.

Errore tipico da evitare

L’errore più comune è usare l’NPS come etichetta tecnica invece che come criterio di scelta. Succede quando il team presenta un numero senza dire quale decisione cambia, quale baseline lo rende interpretabile e quale rischio resta aperto. In quel caso il dato sembra preciso, ma non guida l’azione. Vale la pena tenere a mente cinque domande di controllo prima di portare un punteggio in riunione: quale decisione concreta dovrebbe migliorare, quale unità di analisi rende il problema misurabile, quale baseline evita una lettura isolata, quale assunzione cambierebbe la conclusione se fosse falsa, e quale controllo presenteresti prima di raccomandare un’azione.

Riepilogo operativo

L’analisi della soddisfazione è utile quando riduce l’incertezza su una scelta reale. La forma corretta della lezione resta sempre la stessa: decisione, segnale, baseline, rischio e azione. Quando un esempio, una formula o un frammento tecnico non chiarisce almeno uno di questi punti, trattalo come dettaglio secondario. La tabella qui sotto riassume i controlli da mantenere quando colleghi domanda, dato, baseline e decisione.

Area	Controllo da mantenere
Domanda	Quale scelta deve cambiare dopo l’analisi
Dato	Quale evento, tabella o metrica rende osservabile il problema
Qualita	Quale errore di raccolta, modellazione o interpretazione puo alterare il risultato
Baseline	Quale confronto impedisce una lettura isolata
Azione	Quale raccomandazione diventa piu difendibile