Thomas Kuhn: scientific paradigms and data culture

Anche le aziende più orientate ai dati lavorano dentro paradigmi impliciti, e quei paradigmi decidono in anticipo come i dati vengono letti e quali decisioni sembrano sensate. Thomas Kuhn, con la sua teoria dei paradigmi scientifici, dà una lente per vedere questa dinamica e per capire quando una cultura del dato sta difendendo abitudini invece di leggere la realtà.

Quando un dato chiede di cambiare paradigma

Capita spesso che un team analitico si trovi davanti a dati che sembrano contraddire le metriche consolidate o le pratiche abituali. Qui il problema non è tecnico. È capire quando un dato segnala davvero che il paradigma va cambiato e quando invece è solo rumore o un errore di misura. La parte difficile è trasformare questa consapevolezza in decisioni più solide e meno esposte ai bias.

Conceptual model

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

Una decisione efficace parte da una domanda ben definita, la traduce in unità osservabili, valuta quanto i dati sono solidi e arriva infine alla scelta. Quando si salta un passaggio l’analisi può sembrare sofisticata e restare fragile.

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

Quattro elementi da mettere a fuoco

In termini operativi, Kuhn invita a guardare quattro elementi nella relazione tra dati e decisioni:

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	Accepting, rejecting, or reformulating an explanation before applying it in business

La regola pratica è semplice. Una misura serve solo se riduce l’incertezza su una decisione precisa. Se non cambia nessuna scelta è documentazione, e se cambia una scelta senza controlli è rischio.

Esempio: la retention come prova del successo

Un comitato legge l’aumento della retention come prova che la nuova iniziativa ha funzionato. Con il modello di Kuhn, il team separa quello che vede dall’interpretazione e dalla decisione:

Evidence	Prudent interpretation	Resulting decision
An isolated positive signal	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	Evaluate the outcome on the margin	Apply economic thresholds

Così un numero non diventa una conclusione finché non lo si è messo nel suo contesto.

Esercizi

Basic level

Write in five lines a real decision linked to Kuhn: objective, primary metric, baseline, main risk, and planned action. Use only one primary metric.

Intermediate level

Build a table with at least three segments or scenarios, indicating for each signal, possible alternative explanation, and necessary control before deciding.

Research-grade level

Design a validation plan: hypothesis, required data, exclusion criteria, decision threshold, and post-decision control. Specify what would make you change your mind.

Recommended datasets and materials

Lavora su 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, una colonna temporale, una di segmento, una metrica di outcome e una variabile di esposizione.

L’errore più comune

L’errore tipico è trattare Kuhn come una definizione astratta invece che come un protocollo operativo. Presentare metriche senza baseline, grafici senza ipotesi o raccomandazioni che ignorano il costo dell’errore porta a decisioni fragili. Chiediti sempre: “Se questo risultato fosse falso o instabile, quale decisione sbaglierei?”. Se non hai una risposta chiara, la lezione è rimasta sulla carta.

Quiz e checkpoint

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?

Operational Summary

Per Kuhn ogni cultura del dato lavora dentro paradigmi che stabiliscono cosa conta come evidenza e cosa viene ignorato senza nemmeno accorgersene. Decidere meglio sotto incertezza vuol dire riconoscere quei paradigmi, mettere a fuoco segnali e baseline, prendere sul serio le anomalie quando si accumulano e tradurre quello che hai capito nel linguaggio del contesto in cui lavori. È questo lavoro, più che il singolo numero, a trasformare i dati in un vantaggio reale.

References: Kuhn, T.S. (1962). The Structure of Scientific Revolutions. University of Chicago Press. Bird, A. (2018). “Thomas Kuhn.” Stanford Encyclopedia of Philosophy.