import pandas as pd

Teorema di Bayes e aggiornamento delle credenze

Bayes è il linguaggio dell’aggiornamento disciplinato. Parti da quello che sapevi prima, osservi una nuova evidenza e cambi giudizio senza farti dominare né dall’istinto né dal singolo dato rumoroso. La categoria della lezione è tecnica, quindi non conta accumulare definizioni: conta capire quale decisione cambia quando il dato diventa più affidabile.

Il problema da risolvere

Conoscere il teorema in astratto serve a poco. Il problema vero è decidere cosa fare quando il team ha dati incompleti, metriche ambigue o vincoli tecnici che rendono fragile la lettura del fenomeno. Una lezione utile separa il segnale dal rumore, dice quale baseline usare e indica quale azione diventa più difendibile dopo l’analisi.

Prendi un alert antifrode che segnala una transazione come sospetta. Il modello ha una precisione apparentemente alta, ma il fenomeno è raro: la maggior parte dei casi segnalati potrebbe comunque essere innocente. Se guardi solo l’accuratezza, prendi una decisione aggressiva. Se aggiorni correttamente la probabilità, capisci quanto deve pesare davvero quel segnale. Il punto chiave è non confondere la probabilità del segnale con la probabilità della causa: molti errori analitici nascono quando P(evidenza | ipotesi) viene scambiata per P(ipotesi | evidenza).

Una mappa di lavoro

Per non trasformare una nozione tecnica in un rituale vuoto, conviene seguire una sequenza fissa. Ogni passaggio deve rendere più chiaro il costo di una decisione sbagliata.

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

La domanda iniziale non è mai “quale metrica calcolo?”, ma quale decisione dovrà essere presa grazie a questa analisi. Una dashboard, una query o un modello statistico hanno valore solo se riducono incertezza decisionale. Se non cambiano una scelta, sono documentazione o teatro analitico.

Formalizzazione rigorosa

Formalizzare significa rendere la lezione una relazione tra decisione, evidenza e rischio. Non serve a complicare, ma a rendere visibili le assunzioni, così uno stakeholder può discutere il criterio decisionale invece di fidarsi del risultato per autorità.

Elemento	Definizione operativa	Controllo minimo
Unità 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 può restare anche dopo l’analisi	Sensitivity check o revisione qualitativa

La formalizzazione è solida quando un altro analista può riprodurre la logica, criticare le assunzioni e ottenere la stessa decisione partendo dagli stessi dati. Prima di calcolare, dichiara l’unità di lavoro (variabile, distribuzione, campione), collegala a un segnale osservabile e indica la decisione attesa.

Anatomia del teorema

Posterior = Likelihood × Prior / Evidence

P(H|D) = P(D|H) × P(H) / P(D)

Il prior P(H) è cosa credevi prima di vedere i dati. Non è un pregiudizio: è la sintesi di tutta l’informazione precedente. La likelihood P(D|H) misura quanto sono probabili i dati osservati se l’ipotesi è vera. L’evidence P(D) è la probabilità marginale dei dati, la costante di normalizzazione. Il posterior P(H|D) è cosa credi dopo aver visto i dati.

Applicazione all’analisi dati

Torniamo al rilevamento frodi. Una transazione arriva dalla Nigeria alle 3 AM per 8.500€. Qual è la probabilità che sia fraudolenta?

• Prior: P(frode) = 0.001 (0.1% delle transazioni)
• Likelihood: P(Nigeria, 3AM, >5000€ | frode) = 0.25
• Likelihood: P(Nigeria, 3AM, >5000€ | non_frode) = 0.0001
• Evidence: P(D) = 0.25×0.001 + 0.0001×0.999 = 0.00035

Posterior: P(frode | D) = 0.25 × 0.001 / 0.00035 ≈ 0.714 = 71.4%

La probabilità di frode è passata da 0.1% a 71% con tre osservazioni. Questo è il meccanismo che alimenta i sistemi di fraud detection in tempo reale.

Un secondo esempio è il filtro antispam bayesiano descritto da Paul Graham nel 2002, l’algoritmo che ha salvato le email da quell’anno in poi. Ogni parola in una email contribuisce con un “peso di spam”: P(spam | parola) basato sulla frequenza storica. Il classificatore combina i pesi delle parole più informative usando Bayes e produce una probabilità finale di spam. Funziona perché aggiorna continuamente le probabilità con ogni nuova email marcata come spam o non spam. È bayesian updating in produzione.

Bayesian A/B testing

Invece di un p-value puntuale, il bayesian A/B testing produce una distribuzione di probabilità sull’effetto. Se la distribuzione dell’effetto ha il 95% della massa sopra lo zero, puoi dire: “C’è una probabilità del 95% che B sia migliore di A.”

Matematicamente: assumi un prior sull’effetto (per esempio normale con media 0), calcoli la posterior combinando i dati del test, e guardi l’area sotto la curva sopra la soglia di rilevanza pratica. Questo è esattamente ciò che un analyst vuole sapere, e che il p-value non può dire.

---

Riferimenti:

• Graham, P. (2002). “A Plan for Spam.” paulgraham.com.
• Kruschke, J.K. (2014). Doing Bayesian Data Analysis, 2nd ed. Academic Press.

Bayes dentro un sistema più ampio

In un progetto reale l’aggiornamento bayesiano non vive mai isolato. È parte di un sistema fatto di decisioni, dati disponibili, vincoli tecnici, incentivi organizzativi e qualità dell’esecuzione. Il rischio dell’analista principiante è trattare il tema come una definizione: imparare il nome, ricordare due formule, applicare un template. Il lavoro professionale è diverso, perché bisogna capire quale problema risolve il metodo, quali assunzioni contiene e cosa succede quando quelle assunzioni non sono vere.

Un buon modo per impostare il lavoro segue questa sequenza:

1. definire il problema in linguaggio business;
2. identificare l’unità di analisi corretta: utente, account, evento, sessione, ordine, campagna;
3. controllare se i dati misurano davvero il fenomeno o solo una sua ombra;
4. costruire una metrica interpretabile;
5. segmentare per evitare che la media nasconda pattern opposti;
6. trasformare il risultato in una raccomandazione verificabile.

Netflix è un esempio utile perché ha costruito molte decisioni di prodotto intorno a segnali comportamentali osservabili: completamento degli episodi, tempo di ricerca prima della riproduzione, abbandono dopo pochi minuti, ritorno nella settimana successiva, efficacia delle raccomandazioni. Il punto non è che ogni azienda debba copiare Netflix, ma che il dato non viene trattato come ornamento bensì come infrastruttura decisionale. Quando Netflix valuta una nuova riga di raccomandazioni, una diversa immagine di copertina o un algoritmo di ranking, non misura solo il click immediato: misura anche se l’utente guarda davvero il contenuto, se torna nei giorni successivi, se riduce il tempo speso a cercare. Questa disciplina impedisce di ottimizzare vanity metric che sembrano positive nel breve ma danneggiano valore nel lungo periodo. Lo stesso vale per Bayes: il risultato deve essere collegato a un outcome, altrimenti l’analisi è incompleta.

Esempio SQL: costruire una vista di controllo

Il pattern seguente è volutamente generico ma eseguibile nella maggior parte dei warehouse moderni. L’obiettivo è creare una base analitica con metrica, segmento e finestra temporale, così da confrontare periodi e gruppi senza riscrivere la logica ogni volta.

WITH base_events AS (
  SELECT
    user_id,
    account_id,
    event_type,
    event_time,
    DATE_TRUNC('week', event_time) AS week,
    source,
    device_type
  FROM events
  WHERE event_time >= CURRENT_DATE - INTERVAL '180 days'
    AND user_id IS NOT NULL
),
weekly_user_metrics AS (
  SELECT
    week,
    user_id,
    COALESCE(source, 'unknown') AS source,
    COALESCE(device_type, 'unknown') AS device_type,
    COUNT(*) AS total_events,
    COUNT(DISTINCT DATE(event_time)) AS active_days,
    COUNT(DISTINCT event_type) AS event_diversity,
    MAX(CASE WHEN event_type IN ('purchase', 'subscribe', 'activation') THEN 1 ELSE 0 END) AS reached_key_outcome
  FROM base_events
  GROUP BY week, user_id, source, device_type
)
SELECT
  week,
  source,
  device_type,
  COUNT(DISTINCT user_id) AS users,
  ROUND(AVG(active_days), 2) AS avg_active_days,
  ROUND(AVG(event_diversity), 2) AS avg_event_diversity,
  ROUND(AVG(reached_key_outcome) * 100, 2) AS key_outcome_rate
FROM weekly_user_metrics
GROUP BY week, source, device_type
ORDER BY week, source, device_type;

Questa query non pretende di essere la risposta finale. Serve a creare una superficie di osservazione: trend, segmenti, differenze tra canali, variazioni nel tempo. Da qui l’analista può formulare ipotesi più precise.

Esempio Python: controllare stabilità e anomalie

Una metrica utile deve essere stabile abbastanza da orientare decisioni e sensibile abbastanza da segnalare cambiamenti reali. In Python possiamo controllare variazioni anomale settimana su settimana.

# df contiene: week, segment, users, key_outcome_rate
# key_outcome_rate espresso in percentuale, es. 12.4

df = df.sort_values(['segment', 'week']).copy()
df['previous_rate'] = df.groupby('segment')['key_outcome_rate'].shift(1)
df['wow_change_pp'] = df['key_outcome_rate'] - df['previous_rate']
df['rolling_mean'] = df.groupby('segment')['key_outcome_rate'].transform(
    lambda s: s.rolling(4, min_periods=2).mean()
)
df['rolling_std'] = df.groupby('segment')['key_outcome_rate'].transform(
    lambda s: s.rolling(4, min_periods=2).std()
)
df['z_score'] = (df['key_outcome_rate'] - df['rolling_mean']) / df['rolling_std']

anomalies = df[df['z_score'].abs() >= 2].sort_values('z_score')
print(anomalies[['week', 'segment', 'key_outcome_rate', 'wow_change_pp', 'z_score']])

Il valore di questo controllo è pratico: evita di reagire a ogni oscillazione casuale, ma segnala quando una variazione merita investigazione. In un contesto aziendale questo tipo di analisi può alimentare alert, review settimanali e retrospettive di prodotto.

Esercizio guidato

Comincia dal livello base: scrivi in cinque righe quale decisione concreta dovrebbe migliorare grazie all’aggiornamento bayesiano, indicando 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. Usa almeno un caso in cui il segnale non basta per decidere.

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

Come autovalutazione, prova a rispondere: quale decisione concreta dovrebbe migliorare questa lezione, quale unità di analisi rende il problema misurabile, quale baseline eviterebbe una lettura isolata, quale assunzione se falsa cambierebbe la conclusione, e quale controllo presenteresti prima di raccomandare un’azione.

Errori comuni da evitare

L’errore più frequente è usare Bayes 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.

Ci sono poi tre trappole ricorrenti nell’analisi dei dati. La prima è lavorare su dati aggregati troppo presto: una media globale può nascondere due segmenti che si muovono in direzioni opposte. La seconda è non controllare la qualità del dato, perché eventi duplicati, tracking incompleto, timezone incoerenti e cambi di definizione producono conclusioni false. La terza è confondere correlazione e causalità: se gli utenti che usano una feature convertono di più, non significa che la feature causi conversione, perché potrebbero usarla proprio perché sono già più motivati. Per ridurre questi rischi, ogni analisi dovrebbe includere almeno la definizione esplicita della metrica, il confronto per segmento e la verifica contro un periodo precedente o gruppo di controllo.

Riepilogo

Il teorema di Bayes va trattato come uno strumento decisionale, non come un argomento da manuale. Il valore nasce quando colleghi problema, dati, metrica, segmentazione e azione. Una buona analisi non termina con “il numero è salito” o “il numero è sceso”, ma con una frase operativa: quale decisione prendiamo, con quale livello di confidenza e quale metrica useremo per sapere se avevamo ragione. La forma corretta della lezione è decisione, segnale, baseline, rischio e azione, e tutto il resto serve solo se rende più affidabile uno di questi passaggi.