From classical causality to the future of data analysis
How causal thinking is redefining the analyst’s role in the AI era.
What you will learn
- Separare la domanda predittiva da quella di intervento prima di scegliere lo strumento
- Validare i modelli solo su dati successivi nel tempo, mai su campioni mescolati
- Scrivere in anticipo le condizioni che fermano il modello e lo mandano in revisione
From Classical Causality to the Future of Data Analysis
Chiudiamo il percorso sul binario tabellare guardando avanti: esperimenti, DAG, modelli predittivi e sistemi di AI promettono decisioni più rapide. La domanda di fondo però non cambia: quale legame tra un intervento e un risultato possiamo davvero sostenere. Strumenti più moderni non dispensano dal rigore causale. Anzi, rendono più facile sbagliare in fretta.
È una promessa insieme eccitante e rischiosa: lo strumento fa il lavoro pesante, e lo studioso rischia di fare il lavoro leggero. Ma la velocità di calcolo non sostituisce il giudizio su cosa sia una prova. Anzi, offre più occasioni per confondere un pattern con un meccanismo.
La tesi di fondo
Gli strumenti cambiano dagli esperimenti ai sistemi di AI, ma una previsione resta affidabile solo se il legame causale che usa rimane stabile mentre il mondo cambia. La modernità non ha spostato il problema: l’ha reso più visibile.
La sequenza di lavoro
- Separa la domanda predittiva da quella di intervento prima di scegliere lo strumento.
- Disegna le assunzioni causali e nomina cosa le farebbe crollare.
- Valida solo su dati successivi nel tempo, mai su campioni mescolati.
- Monitora deriva di dati e concetti e ricalibra a scadenze fisse.
- Scrivi in anticipo le condizioni che fermano il modello e lo mandano in revisione.
Predire non è capire
Previsione e causalità rispondono a domande diverse e confonderle è l’errore tipico dell’era dell’AI. Ognuna ha il suo strumento, il suo prezzo e il suo punto di rottura.
| Approach | Question | Risk |
|---|---|---|
| Modello predittivo | Cosa succederà date queste condizioni? | Crolla quando le condizioni cambiano |
| Esperimento controllato | L’intervento produce l’effetto? | Costa tempo e scala limitata |
| Modello causale con DAG | Quale meccanismo lega intervento ed effetto? | Dipende da assunzioni da verificare |
Verdetto: per decidere un intervento serve una prova causale e la sola accuratezza predittiva non autorizza nessuna azione.
Evidenza, interpretazione, decisione
Un comitato legge una crescita di retention come prova che la nuova iniziativa ha funzionato. Prima di trasformare quel numero in azione bisogna separare osservazione, spiegazione, assunzione e decisione.
| Evidence | Prudent interpretation | Resulting decision |
|---|---|---|
| Positive signal but not isolated | The phenomenon exists, but the cause is uncertain | Cercare baseline o holdout |
| Segment with different response | The average effect hides heterogeneity | Analyze cohorts or subgroups |
| Increasing operating cost | The result should be evaluated on margin | Apply economic thresholds |
La regola resta semplice: una misura serve solo se riduce l’incertezza su una decisione specifica.
L’errore da evitare
L’errore più comune è trattare il pensiero causale come una definizione da memorizzare invece che come un protocollo da seguire: metriche senza baseline, grafici senza ipotesi e raccomandazioni che ignorano il costo dell’errore. Il controllo è sempre lo stesso: se questo risultato fosse falso, quale decisione sbaglierei.
Essential references
- Lazer, D. e colleghi (2014). The Parable of Google Flu. Science.
- Pearl, J. e Mackenzie, D. (2018). The Book of Why.
- Box, G. E. P. (1976). Science and Statistics. Journal of the American Statistical Association.
Google Flu Trends: quando il predittore supera il suo creatore
Google Flu Trends, lanciato nel 2008, prometteva di stimare l’influenza dalle query di ricerca più in fretta dei centri di controllo americani. Nell’inverno 2012-2013 sovrastimò il picco di oltre il doppio e nel 2014 David Lazer e colleghi spiegarono su Science il perché: il modello aveva imparato le correlazioni del momento, non un meccanismo stabile, e nessuno lo aveva ricalibrato mentre il motore di ricerca cambiava. Google lo spense nel 2015. È il monito centrale della lezione: predittori più potenti senza pensiero causale sbagliano più in fretta, non meno spesso.
Domande per il lavoro di domani
- Stai producendo una previsione o la prova che un intervento funziona?
- Quale cambiamento del mondo farebbe crollare le assunzioni del modello?
- Quando il modello va ricalibrato e chi lo decide?
- Quale condizione lo manda in revisione immediata?
Bloccato su questo argomento o vuoi applicarlo al tuo caso? Prenota una call di 15 minuti con un analista esperto.
Related Path
Lessons to read together
Questi collegamenti portano la lezione dentro il resto del corso: basi da riprendere, passaggi successivi e connessioni tematiche tra moduli.