Aristotle and the Four Causes: A Framework for Decision-Making Under Uncertainty

Quando un team interpreta un dato, raramente si ferma a chiedersi cosa stia misurando davvero, da quali numeri grezzi nasca, quale processo lo abbia prodotto e a quale scopo serva. Aristotele aveva già un nome per queste quattro domande. La sua teoria delle quattro cause non è un reperto da museo: è una griglia che tiene insieme decisioni prese in fretta e sotto incertezza, e che impedisce di confondere ciò che vediamo con ciò che lo spiega.

Il dato che sembra parlare chiaro

Prendi un dashboard che segnala un calo delle vendite. Sembra un fatto netto, e proprio per questo è pericoloso. Il team rischia di mescolare domande che andrebbero tenute separate. Stiamo misurando il fenomeno giusto o un suo surrogato? I dati sono affidabili o sporchi di errori di sistema? Quale processo ha prodotto questo numero? E soprattutto, a cosa serve quella metrica nel momento in cui decidiamo. Finché queste domande restano implicite, ogni scelta poggia su un’interpretazione parziale.

Dall’osservazione alla decisione

Una decisione solida non salta dal grafico alla conclusione. Passa da un’osservazione chiara a un’assunzione resa esplicita, poi a un modello, alla valutazione dell’evidenza e infine alla scelta. Quando si salta uno di questi passaggi l’analisi si fa fragile, e di solito è proprio lì che nascono gli errori più costosi.

flowchart LR
    A["Observation"]
    B["Assumption"]
    C["Model"]
    D["Evidence"]
    E["Decision"]
    A --> B
    B --> C
    C --> D
    D --> E

Lo stesso percorso si può leggere come una sequenza di domande operative, ciascuna con un output che dovrebbe restare sul tavolo prima di andare avanti.

Step	Guiding question	Expected output
Framing	Which decision needs to change?	A concrete choice, not a curiosity
Measure	Which signal represents the phenomenon?	Metric, source, and granularity
Comparison	Compared to which baseline do I interpret the result?	Benchmark or plausible counterfactual
Action	What do I do if the signal exceeds the threshold?	Decision, owner, and next check

Tradurre le cause in elementi di analisi

Le quattro cause aristoteliche, portate nel lavoro sui dati, diventano quattro elementi che conviene nominare con precisione prima di interpretare qualsiasi numero.

Element	Operational Definition
Unit	Observation, hypothesis, variable, causal mechanism or evidence criterion
Signal	Strength of evidence, causal coherence, robustness of assumptions, cost of decision error
Baseline	Alternative explanation, counterfactual, comparable group or no-intervention scenario
Decision	Accept, reject, or reformulate an explanation before applying it in business

La regola pratica resta semplice. Una misura vale qualcosa solo se riduce l’incertezza su una decisione specifica. Se non cambia nessuna scelta è documentazione, e se cambia una scelta senza alcun controllo è soltanto rischio mascherato.

Le quattro cause, una per una

Aristotele distingue quattro modi diversi di rispondere alla domanda “perché”. Nel lavoro analitico ognuno indica una dimensione che da sola non basta.

Cause	Question	Meaning
Material	What is it made of?	The substrate, raw data
Formal	What is its form or structure?	The design, algorithm, model
Efficient	What produced it?	The agent or process causing the change
Final	For what purpose?	The strategic goal, the telos

Nessuna delle quattro, presa isolatamente, spiega un fenomeno. Solo tenendole insieme si ottiene una lettura che regge anche quando i dati sono incerti.

Caso pratico: il churn che cresce in un SaaS

Un servizio SaaS vede il churn mensile salire dal 4% al 7%. È esattamente il tipo di numero che spinge a reagire prima di capire, e le quattro cause servono a rallentare quel riflesso.

La causa materiale riguarda di cosa è fatto il churn che misuriamo. Qui la prima cosa da fare è verificare la qualità del dato, perché il 30% dei clienti segnati come churnati potrebbe esserlo solo sulla carta, per esempio per una carta di credito scaduta e non aggiornata. Prima di ogni analisi serve un audit di quei record.

La causa formale chiede quale sia il pattern del fenomeno. Segmentando per coorte, piano e canale emerge che il churn si concentra sui clienti arrivati da Facebook Ads con piano base, soprattutto dopo il terzo mese. Vale la pena capire cosa succede proprio a quel terzo mese.

La causa efficiente cerca il cambiamento che ha prodotto l’aumento. L’impennata coincide con tre eventi: un aumento di prezzo del 15%, il lancio di un competitor a metà prezzo e un bug nell’onboarding durato cinque giorni. Il passo successivo è modellare il peso relativo di ciascun fattore invece di attribuire tutto al primo che salta all’occhio.

La causa finale guarda allo scopo. I clienti che se ne sono andati avevano basso utilizzo e alti costi di supporto, quindi quel churn può funzionare da pulizia naturale del portafoglio. La conseguenza non è combattere ogni cancellazione, ma concentrarsi sui clienti profittevoli. Solo intrecciando le quattro letture si arriva a una strategia equilibrata.

Quando Netflix sbagliò tutte e quattro le cause

Nel 2011 Netflix annunciò di separare il servizio DVD dallo streaming creando un marchio a parte, Qwikster. La reazione fu un crollo di 800.000 abbonati e un calo del titolo del 77%. Letta con le quattro cause, la mossa fallì su ogni livello. Sul piano materiale la comunicazione era confusa e in molti credettero che il DVD sparisse del tutto. Sul piano formale la struttura separata dei due servizi creava attrito a ogni interazione. Sul piano efficiente i clienti che usavano entrambi i servizi percepirono un aumento di prezzo del 60%. Sul piano finale la migrazione verso lo streaming era una strategia inevitabile, ma gestita male. Due anni dopo, con il lancio di House of Cards, Netflix raccontò con chiarezza tutte e quattro le cause della scelta e le cancellazioni si ridussero drasticamente.

Mettere alla prova le quattro cause

Il modo migliore per fissare il metodo è applicarlo a una decisione vera che hai sul tavolo. Descrivi in poche righe l’obiettivo, la metrica primaria, la baseline rispetto a cui leggi il risultato, il rischio principale e l’azione che prevedi. Da lì conviene costruire una piccola tabella con almeno tre segmenti o scenari, indicando per ciascuno il segnale osservato, una spiegazione alternativa plausibile e il controllo necessario prima di crederci. Chi vuole spingersi oltre può disegnare un vero piano di validazione: ipotesi, dati necessari, criteri di esclusione, soglia decisionale, controllo successivo alla decisione e, soprattutto, le condizioni che ti farebbero cambiare idea.

Se non hai dati reali su cui esercitarti, va bene anche un dataset sintetico con almeno 200 righe, una colonna temporale, una di segmento, una metrica di outcome e una variabile di esposizione. Sono materiali sufficienti per allenarsi su case study decisionali, metriche di prodotto, esiti di esperimenti e DAG semplici.

L’errore che svuota il metodo

L’errore più comune è studiare le quattro cause come una definizione da ripetere invece che come un protocollo da usare. Presentare metriche senza baseline, grafici senza ipotesi o raccomandazioni che ignorano il costo dell’errore porta dritto a decisioni sbagliate, per quanto la slide sia ordinata.

Un controllo utile è domandarsi: se questo risultato fosse falso o instabile, quale decisione sbaglierei? Se la risposta non è immediata, le quattro cause sono rimaste sulla pagina e non sono entrate nel ragionamento. Vale la pena ripercorrerle anche come quattro domande di verifica: qual è la decisione concreta che voglio migliorare, quale baseline rende interpretabile il risultato, quale assunzione cambierebbe la conclusione se fosse sbagliata e quale controllo minimo metterei prima di portare la raccomandazione a chi deve scegliere.

Operational Summary

Le quattro cause di Aristotele servono a collegare concetto, dato e decisione proprio quando l’incertezza è alta. Si parte da un problema reale, si formalizza il segnale, si cerca una baseline credibile, si costruisce un esempio concreto e si chiude con un controllo pratico. È così che la conoscenza diventa competenza e guida scelte più prudenti.

---

References:

• Aristotle. Physics, Book II, Chapter 3. (ca. 350 BC)
• Aristotle. Metaphysics, Book V, Chapter 2. (ca. 350 BC)
• Falcon, A. (2019). “Aristotle on Causality.” Stanford Encyclopedia of Philosophy.
• Randolph, M. (2019). That Will Never Work: The Birth of Netflix. Little, Brown and Company.