David Hume: experience, mental habit, and skepticism

Hume aiuta a tenere separate due cose che tendiamo a fondere: l’esperienza che ci è utile e la certezza che ci immaginiamo. Quando lavoriamo con i dati, è proprio questa distinzione a decidere se un pattern storico diventa un’ipotesi da mettere alla prova oppure una regola fragile che il team segue senza accorgersene.

Il problema da risolvere

Capita spesso di dare per scontato che una relazione vista nei dati storici sia una legge universale. Se ogni volta che lo sconto sale le vendite salgono, il team tratta quel legame come certo. Hume invita a fermarsi un attimo e a chiedersi se stiamo osservando una necessità reale o solo un’abitudine mentale che l’esperienza ha costruito a forza di ripetizioni. È una domanda che evita decisioni costruite su assunzioni fragili e che ci ricorda i limiti dell’induzione.

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 parte dalla domanda, passa per la traduzione in unità osservabili, valuta la qualità del dato e solo alla fine arriva alla decisione. Quando si salta uno di questi passaggi il risultato è fragile e a volte fuorviante, perché manca il controllo che lo terrebbe in piedi.

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

La lettura humeana ci spinge a guardare la relazione tra quattro elementi.

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 a business context

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

Durante la crisi finanziaria del 2008 molti modelli quantitativi costruiti su dati storici fallirono perché assumevano che il futuro avrebbe somigliato al passato. Goldman Sachs e altri fondi videro accadere più volte eventi che i loro modelli classificavano come estremamente rari. È l’illustrazione più netta del punto di Hume: l’induzione senza una giustificazione solida porta a errori che possono essere catastrofici.

Lo stesso vale, su scala più piccola, per un comitato che legge una crescita della retention come prova del successo di una nuova iniziativa. Anche qui serve separare osservazione, spiegazione, assunzione e decisione. Una tabella che tiene distinto ciò che si sa da ciò che si assume e dalle decisioni che ne seguono basta a rendere il ragionamento esplicito.

Evidence	Prudent interpretation	Resulting decision
Positive signal but not isolated	The phenomenon exists, but the cause is still 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

Parti dal livello base. Descrivi in poche righe una decisione reale in cui applichi lo scetticismo di Hume: obiettivo, metrica primaria, baseline, rischio principale e azione prevista.

Al livello intermedio costruisci una tabella con almeno tre segmenti o scenari. Per ognuno indica il segnale, una possibile spiegazione alternativa e il controllo da fare prima di decidere. È l’esercizio che allena a non scambiare un’abitudine osservata per una necessità.

Il livello research-grade chiede un piano di validazione: ipotesi, dati necessari, criteri di esclusione, soglia decisionale e un controllo da fare dopo aver deciso. Scrivi anche cosa ti farebbe cambiare idea, perché è la parte che Hume considererebbe decisiva.

Per i materiali vanno bene case study decisionali, metriche di prodotto, risultati di esperimenti, DAG semplici, report analitici e serie storiche simulate. Se non hai dati reali, costruisci un dataset sintetico con almeno 200 righe e colonne per tempo, segmento, metrica di outcome e variabile di esposizione.

L’errore da evitare

L’errore più comune è trattare Hume come un concetto astratto da ricordare invece che come un protocollo da applicare. Metriche senza baseline, grafici senza ipotesi, raccomandazioni che ignorano il costo dell’errore: tutte strade verso decisioni fragili. La domanda di controllo resta una: se questo risultato fosse falso o instabile, quale decisione sbaglierei? Se non sai rispondere, non hai ancora applicato la lezione.

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

Hume ci ricorda che l’esperienza e l’abitudine mentale non bastano a garantire la verità di una previsione. Tradotto nel lavoro sui dati, significa riconoscere che ogni modello è una scommessa provvisoria, che il backtesting non mette al riparo dal futuro e che la replicabilità è un indizio, non una prova. Applicare questo scetticismo vuol dire costruire modelli utili, aggiornabili e controllati sul serio, con l’unico scopo di prendere decisioni migliori.