From Classical Causality to the Future of Data Analysis

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? Avere strumenti più moderni non ci dispensa dal pensare con rigore alle cause, semmai rende più facile sbagliare in fretta.

Il problema da risolvere

Il problema concreto è sempre lo stesso: capire quando un dato sostiene davvero una decisione e quando invece nasconde un’assunzione, un bias, una causalità fragile o una domanda posta male. Non interessa apprezzare il pensiero causale in astratto. Interessa usarlo per prendere decisioni migliori, con dati affidabili e una soglia di errore dichiarata.

Conviene quindi leggere questa lezione come uno strumento di lavoro. Alla fine dovresti saper inquadrare il problema analitico nel suo contesto decisionale e applicare esempi, metriche e controlli a casi reali. Finché il concetto non si collega a una scelta concreta, resta un’idea decorativa.

Come ragionare sul dato

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

Il ragionamento segue un ordine. Prima si formula la domanda, poi la si traduce in unità osservabili, si valuta la qualità del dato e solo alla fine si decide. Quando si salta un passaggio l’analisi può restare elegante sulla carta e crollare alla prima verifica.

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

I quattro elementi della misura

Possiamo descrivere il pensiero causale come una relazione tra quattro elementi: unità di analisi, segnale, baseline e decisione. L’unità può essere un’osservazione, un’ipotesi, una variabile, un meccanismo causale o un criterio di evidenza. Il segnale tiene conto della forza dell’evidenza, della coerenza causale, della robustezza delle assunzioni e del costo che pagheremmo sbagliando. La baseline è ciò rispetto a cui leggiamo il risultato: una spiegazione alternativa, un controfattuale, un gruppo comparabile o uno scenario senza intervento.

Element	Operational Definition
Unit	observation, hypothesis, variable, causal mechanism, or evidence criterion
Signal	strength of evidence, causal coherence, robustness of assumptions, and cost of decision error
Baseline	alternative explanation, counterfactual, comparable group, or no-intervention scenario
Decision	accepting, rejecting, or reformulating an explanation before applying it in business
Risk	confusing correlation, data quality, and causal decision-making

La regola pratica resta semplice: una misura serve solo se riduce l’incertezza su una decisione specifica. Se non cambia una scelta è documentazione; se cambia una scelta senza essere passata da controlli è un rischio.

Un caso pratico

Prendi un comitato che legge una crescita della retention come prova che la nuova iniziativa ha funzionato. Prima di trasformare quel numero in azione bisogna separare quattro piani che di solito si sovrappongono: cosa abbiamo osservato, come lo spieghiamo, cosa stiamo assumendo e cosa decidiamo.

Una lettura in tre colonne aiuta: cosa sappiamo, cosa assumiamo, quale decisione ne ricaviamo. È un formato banale, ma impedisce di spacciare un dato per una conclusione che si regge da sola.

Evidence	Prudent interpretation	Resulting decision
Positive signal but not isolated	The phenomenon exists, but the cause is uncertain	Look for baseline or 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

Esercizi per metterla in pratica

Comincia dal livello base. In cinque righe descrivi una decisione reale legata al pensiero causale: obiettivo, metrica primaria, baseline, rischio principale e azione prevista. Tieni una sola metrica primaria, perché due metriche primarie significano che non hai ancora deciso cosa conta.

Al livello intermedio costruisci una tabella con almeno tre segmenti o scenari. Per ognuno scrivi il segnale, una spiegazione alternativa plausibile e il controllo che faresti prima di decidere.

Il livello research-grade chiede un piano di validazione completo: ipotesi, dati necessari, criterio di esclusione, soglia decisionale e un controllo da fare dopo la decisione. Aggiungi cosa ti farebbe cambiare idea, altrimenti stai solo cercando conferme.

Come materiali usa case study decisionali, metriche di prodotto, risultati di esperimenti, DAG semplici, report analitici e serie storiche simulate. In assenza di dati reali, genera un dataset sintetico con 200-500 righe, una colonna temporale, una di segmento, una metrica di outcome e una variabile di esposizione.

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. Lo si vede quando arriva una metrica senza baseline, un grafico senza l’ipotesi che dovrebbe testare o una raccomandazione che ignora quanto costa sbagliare.

Il controllo è sempre lo stesso: se questo risultato fosse falso o instabile, quale decisione sbaglierei? Quando la risposta non è chiara, la lezione non è ancora diventata pratica.

Domande di controllo

1. What is the concrete decision this lesson should improve?
2. Which baseline makes the result interpretable?
3. Which assumption, if wrong, would change the conclusion?
4. What minimum check would you use before presenting the recommendation?

Summary

Il pensiero causale conta quando lega tra loro il concetto, il dato e la decisione. Conviene studiarlo partendo da un problema reale, dando forma al segnale, cercando una baseline credibile, lavorando su un esempio e chiudendo con un controllo concreto. Gli strumenti cambiano, dagli esperimenti ai sistemi di AI, ma è questo lavoro a fare la differenza tra una decisione consapevole e un esercizio accademico.