'First principles: come ragiona un analista forte'
First principles: come ragiona un analista forte. Lezione core del modulo Panoramica del Corso e Metodo di Studio per Data Work con problema reale, modello concettuale, formalizzazione rigorosa, caso applicato, lab a 3 livelli e checkpoint finale.
Cosa imparerai
- Comprendere il problema analitico e il contesto decisionale
- Applicare esempi, metriche e controlli a casi reali
First principles: come ragiona un analista forte
In molte riunioni un grafico che mostra un problema scatena subito soluzioni affrettate: aumentare il budget marketing, modificare l’onboarding, costruire dashboard più dettagliate. Quasi sempre manca però la cosa più importante, cioè una domanda chiara da risolvere. È qui che entra in gioco il pensiero per primi principi, e per questo conviene partire proprio da lui.
Il valore del pensiero per primi principi
Il first principles thinking serve a togliere il rumore operativo e a riportare il problema alla sua struttura essenziale. Non è un esercizio intellettuale fine a sé stesso: è una disciplina pratica che scardina abitudini, gergo e pregiudizi per arrivare a ciò che deve essere vero perché una decisione abbia senso. L’ordine conta. Prima definisci la scelta da prendere, poi formuli l’ipotesi e solo alla fine apri i dati.
Origini e applicazioni del concetto
Aristotele chiamava primi principi le basi fondamentali, gli elementi che non si possono scomporre ulteriormente. Nel Novecento Richard Feynman ha reso operativo questo concetto con un trucco semplice: spiegare un’idea a un bambino per scoprire cosa non si capisce davvero. Elon Musk lo ha applicato in SpaceX smontando i costi fino ai materiali di base e ricostruendo un processo produttivo più efficiente.
Il metodo in analisi dati
Nel lavoro analitico il first principles thinking si traduce in quattro domande, da porsi sempre in quest’ordine.
- Quale decisione stiamo cercando di prendere? Non cosa vogliamo sapere, ma cosa faremo di diverso domani.
- Qual è l’ipotesi di meccanismo causale che assumiamo?
- Quale metrica rappresenta fedelmente quel meccanismo?
- Quale guardrail impedisce che l’analisi venga distorta da rumore, bias o wishful thinking?
Se manca anche solo uno di questi elementi, un’analisi può essere corretta nei calcoli e inutile nella pratica.
Perché il cervello evita questo tipo di pensiero
Daniel Kahneman ha mostrato che il cervello preferisce le scorciatoie mentali del Sistema 1, veloci ma spesso ingannevoli. Il Sistema 2, lento e analitico, è quello che serve per ragionare per primi principi, ma costa fatica e per questo viene evitato. La maggior parte delle riunioni e delle dashboard stimola proprio il Sistema 1, con colori e trend in evidenza. L’analista forte attiva consapevolmente il Sistema 2 e pone domande critiche anche quando i dati sembrano chiari.
Le Cinque Perché di Toyota
Negli anni Cinquanta Taiichi Ohno sviluppò la tecnica delle Cinque Perché: chiedere ripetutamente “perché?” finché non si arriva alla causa radice di un problema. Nel lavoro analitico vale lo stesso principio. Un calo di retention non è quasi mai la causa finale, ma il sintomo di qualcosa di più profondo, spesso legato a incentivi o processi interni.
Il framework decisionale in cinque blocchi
Mettendo insieme Aristotele, Feynman, Kahneman e Ohno si ottiene un framework operativo da seguire prima di aprire qualsiasi dashboard. La decisione stabilisce chi decide, cosa e entro quando. L’ipotesi rende esplicito il meccanismo causale assunto. La misura sceglie la metrica precisa, il segmento e la finestra temporale. Il guardrail fissa cosa non deve peggiorare durante l’ottimizzazione. L’output definisce cosa consegnare, a chi e con quale criterio di revisione. Questo approccio elimina il loop infinito delle analisi senza direzione e fa risparmiare tempo.
Caso pratico: il Net Revenue Retention di un SaaS B2B
Un’azienda nota un calo del Net Revenue Retention da 115% a 102%. L’approccio Sistema 1 produce un report generico. Il first principles thinking applica invece il framework: la decisione è se investire in customer success per le PMI o indirizzare un altro segmento; l’ipotesi è che il calo sia concentrato nella coorte acquisita un anno prima; la misura è l’NRR segmentato per coorte, tier e motivo di churn; il guardrail è mantenere alta la soddisfazione cliente durante l’analisi; l’output è una matrice di priorità con costi e proiezioni d’impatto. Così l’analisi ha una direzione e non si disperde.
Quando è più difficile e più necessario
Il pensiero per primi principi pesa di più proprio quando serve di più. Capita quando i dati contraddicono la narrativa del management e nessuno ha voglia di sentirlo. Capita quando i dati sono rumorosi e i segnali poco chiari. Capita quando sei sotto pressione di tempo e la tentazione è saltare alla conclusione. Richiede più tempo all’inizio, ma ti risparmia ore di lavoro inutile.
Differenza tra first principles e cautela analitica
La cautela analitica aggiunge controlli incrementali, ma parte da un sistema già dato. Il first principles thinking mette in discussione il sistema stesso e lo ricostruisce da zero. Servono entrambi, ma il primo passo deve sempre partire dai primi principi, altrimenti rifinisci una struttura che forse non doveva esistere.
Il problema concreto da evitare
Il rischio quotidiano è che un’analisi nasca già orientata da una spiegazione preconfezionata. Il first principles thinking interrompe questo automatismo perché ti obbliga a chiarire decisione, ipotesi, metrica e controlli prima di muovere un dito sui dati. La tabella seguente raccoglie i cinque blocchi, la domanda da chiarire e l’output atteso.
| Blocco | Domanda da chiarire | Output atteso |
|---|---|---|
| Decisione | Cosa cambierà dopo l’analisi? | Scelta esplicita, con owner e scadenza |
| Ipotesi | Quale meccanismo causale stai assumendo? | Frase verificabile prima dei dati |
| Misura | Quale metrica rappresenta il fenomeno? | Denominatore, segmento e finestra temporale |
| Guardrail | Cosa non deve peggiorare? | Vincoli che proteggono dal falso successo |
| Output | Cosa consegni allo stakeholder? | Memo, raccomandazione o piano di monitoraggio |
La forma minima da scrivere
Scrivi i cinque blocchi prima di aprire il tool. Se uno manca, non compensare con più grafici: torna alla domanda. La forma minima suona così: “Dobbiamo decidere se X entro Y. Assumiamo che A influenzi B perché C. Misuriamo M sul segmento S nella finestra W. Non accettiamo il risultato se peggiora G. Consegniamo O entro D”. Sul caso NRR significa, in pratica, che davanti al calo il Sistema 1 dice “abbiamo un problema di retention”, mentre il pensiero per primi principi chiede quale decisione prendere, e questo cambia i dati richiesti, la segmentazione, i guardrail e la raccomandazione finale.
Lab / esercizio
Livello base
Scegli una metrica che controlli spesso e scrivi i cinque blocchi: decisione, ipotesi, misura, guardrail, output.
Livello intermedio
Applica le Cinque Perché a un’anomalia reale o simulata, fermandoti solo quando arrivi a una causa che, se corretta, riduce la probabilità che il problema si ripeta.
Livello research-grade
Trasforma l’analisi in un memo decisionale: ipotesi iniziale, dati necessari, controlli, alternative escluse, raccomandazione e piano di monitoraggio.
Dataset e materiali consigliati
Usa dashboard reali, export CSV o dataset sintetici con almeno una metrica temporale, un segmento e una variabile di outcome.
L’errore tipico da evitare
L’errore ricorrente è confondere una descrizione accurata con una spiegazione. Dire “la retention è scesa del 30%” non spiega niente. Il lavoro comincia quando colleghi quel calo a un meccanismo verificabile e a una decisione concreta.
Riepilogo operativo
Il first principles thinking è una disciplina in cinque passaggi. Formula la decisione prima di aprire i dati. Rendi esplicita l’ipotesi causale prima di guardare i numeri. Definisci misura e guardrail con precisione. Applica le Cinque Perché a ogni anomalia. Verifica per ultima l’assunzione più banale. Come diceva Feynman, “non devi ingannare te stesso”. Nel lavoro con i dati l’inganno più frequente è scambiare la descrizione per la comprensione, e il pensiero per primi principi è la disciplina che lo impedisce.
Quiz o checkpoint
1.Qual è il primo passo del first principles thinking applicato ai dati?
2.Perché è pericoloso lavorare su dati aggregati troppo presto?
3.Cosa distrusse il Mars Climate Orbiter secondo la lezione?
Un analista forte non parte dal dato disponibile, ma dalla decisione da migliorare. Prima di aprire una dashboard fermati trenta secondi e scrivi decisione, ipotesi, metrica, guardrail e output. Se manca uno di questi, non hai un’analisi: hai solo numeri in cerca di una storia.
Percorso collegato
Lezioni da leggere insieme
Questi collegamenti portano la lezione dentro il resto del corso: basi da riprendere, passaggi successivi e connessioni tematiche tra moduli.