import pandas as pd

Cheat sheet della gestione data-driven

Quando devi guidare una decisione complessa servono poche domande operative: qual è la scelta, chi decide, quali evidenze contano, quali metriche fanno da guardrail e quale rischio residuo accetti. Questa pagina raccoglie quelle domande in una checklist usabile. Il valore di una cheat sheet è impedire che “usiamo i dati” resti una frase generica, quindi usala come supporto per riunioni, decision memo e review.

A cosa serve una checklist decisionale

Il problema non è conoscere i framework in astratto. Il problema è decidere cosa fare quando il team ha dati incompleti, metriche ambigue o vincoli tecnici che rendono fragile la lettura del fenomeno. Una checklist utile separa il segnale dal rumore, sceglie una baseline credibile e indica quale azione diventa più difendibile dopo l’analisi. La prima domanda non è “quale metrica calcolo?” ma “quale decisione dovrà essere presa grazie a questa analisi?”. Se l’analisi non cambia una scelta, è documentazione o teatro analitico.

The three pillars

Tre principi reggono una cultura data-driven. Il primo è la data literacy diffusa, cioè ogni manager sa leggere i dati. Il secondo è decidere per evidenza e non per gerarchia. Il terzo è la metrica condivisa, con una sola definizione per ogni concetto.

The DECIDE framework

Per strutturare una decisione importante puoi seguire la sequenza Define, Evidence, Criteria, Investigate, Decide, Evaluate. Si parte definendo il problema, si raccoglie l’evidenza, si fissano i criteri, si indaga, si decide e infine si valuta l’esito.

OKR e KPI a confronto

Gli OKR e i KPI rispondono a esigenze diverse. Un OKR è un obiettivo ambizioso con tre o cinque risultati misurabili, dove un achievement del 60-70% conta già come successo. Un KPI è una metrica di salute, di solito tra cinque e dieci indicatori, per cui ci si aspetta un raggiungimento del 100%.

Il ciclo HADI

Il ciclo HADI scorre da Hypothesis ad Action, poi a Data e infine a Insights. La sua caratteristica è il ritmo: ogni iterazione dura giorni, non mesi.

JTBD applicato ai dati

La domanda guida del Jobs To Be Done è “quale progresso sta cercando di fare il cliente?”. Tradotta sui dati, significa tracciare il successo del job che il cliente vuole portare a termine, non il semplice uso della feature.

Un modello di lavoro per impostare l’analisi

Per non trasformare un framework in un rituale vuoto conviene seguire una sequenza. Prima si definisce il problema in linguaggio business. Poi si identifica l’unità di analisi corretta: utente, account, evento, sessione, ordine o campagna. Si controlla se i dati misurano davvero il fenomeno o solo una sua ombra. Si costruisce una metrica interpretabile. Si segmenta per evitare che la media nasconda pattern opposti. Infine si trasforma il risultato in una raccomandazione verificabile.

La stessa logica serve a formalizzare ogni analisi come relazione tra decisione, evidenza e rischio. La tabella seguente fissa gli elementi minimi.

Element	Operational Definition	Controllo minimo
Unit of analysis	Oggetto su cui misuri il fenomeno	Utente, account, evento, ordine o periodo
Variabile osservata	Segnale che rappresenta il comportamento	Definizione stabile e tracciabile
Baseline	Stato contro cui confronti il segnale	Periodo, segmento, controllo o benchmark
Soglia decisionale	Punto in cui cambia l’azione	Criterio scritto prima della lettura
Rischio residuo	Errore che può restare anche dopo l’analisi	Sensitivity check o revisione qualitativa

Prima di una decision review, la checklist obbliga a chiarire domanda, owner, evidenza primaria, guardrail e rischio residuo. Funziona quando impedisce alle decisioni importanti di diventare una somma di opinioni ben presentate.

Real case: Netflix and the discipline of metrics

Netflix è un esempio utile perché ha costruito molte decisioni di prodotto intorno a segnali comportamentali osservabili: completamento degli episodi, tempo di ricerca prima della riproduzione, abbandono dopo pochi minuti, ritorno nella settimana successiva, efficacia delle raccomandazioni. Il punto non è che ogni azienda debba copiare Netflix, ma che il dato non viene trattato come ornamento bensì come infrastruttura decisionale.

Quando Netflix valuta una modifica all’esperienza, per esempio una nuova riga di raccomandazioni, una diversa immagine di copertina o un algoritmo di ranking, non misura solo il click immediato. Guarda anche i segnali di qualità: l’utente guarda davvero il contenuto, torna nei giorni successivi, riduce il tempo speso a cercare. Questa disciplina impedisce di ottimizzare vanity metric che sembrano positive nel breve periodo ma erodono valore nel lungo. Lo stesso principio vale per ogni voce di questa cheat sheet: va collegata a un outcome, e se non aiuta a scegliere tra due azioni alternative resta incompleta.

SQL example: building a control view

Il pattern seguente è volutamente generico ma eseguibile nella maggior parte dei warehouse moderni. Crea una base analitica con metrica, segmento e finestra temporale, così da confrontare periodi e gruppi senza riscrivere la logica ogni volta.

WITH base_events AS (
  SELECT
    user_id,
    account_id,
    event_type,
    event_time,
    DATE_TRUNC('week', event_time) AS week,
    source,
    device_type
  FROM events
  WHERE event_time >= CURRENT_DATE - INTERVAL '180 days'
    AND user_id IS NOT NULL
),
weekly_user_metrics AS (
  SELECT
    week,
    user_id,
    COALESCE(source, 'unknown') AS source,
    COALESCE(device_type, 'unknown') AS device_type,
    COUNT(*) AS total_events,
    COUNT(DISTINCT DATE(event_time)) AS active_days,
    COUNT(DISTINCT event_type) AS event_diversity,
    MAX(CASE WHEN event_type IN ('purchase', 'subscribe', 'activation') THEN 1 ELSE 0 END) AS reached_key_outcome
  FROM base_events
  GROUP BY week, user_id, source, device_type
)
SELECT
  week,
  source,
  device_type,
  COUNT(DISTINCT user_id) AS users,
  ROUND(AVG(active_days), 2) AS avg_active_days,
  ROUND(AVG(event_diversity), 2) AS avg_event_diversity,
  ROUND(AVG(reached_key_outcome) * 100, 2) AS key_outcome_rate
FROM weekly_user_metrics
GROUP BY week, source, device_type
ORDER BY week, source, device_type;

Questa query non pretende di essere la risposta finale. Serve a creare una superficie di osservazione fatta di trend, segmenti, differenze tra canali e variazioni nel tempo. Da qui l’analista formula ipotesi più precise.

Python example: checking stability and anomalies

Una metrica utile deve essere stabile abbastanza da orientare decisioni e sensibile abbastanza da segnalare cambiamenti reali. In Python si possono controllare le variazioni anomale settimana su settimana.

# df contiene: week, segment, users, key_outcome_rate
# key_outcome_rate espresso in percentuale, es. 12.4

df = df.sort_values(['segment', 'week']).copy()
df['previous_rate'] = df.groupby('segment')['key_outcome_rate'].shift(1)
df['wow_change_pp'] = df['key_outcome_rate'] - df['previous_rate']
df['rolling_mean'] = df.groupby('segment')['key_outcome_rate'].transform(
    lambda s: s.rolling(4, min_periods=2).mean()
)
df['rolling_std'] = df.groupby('segment')['key_outcome_rate'].transform(
    lambda s: s.rolling(4, min_periods=2).std()
)
df['z_score'] = (df['key_outcome_rate'] - df['rolling_mean']) / df['rolling_std']

anomalies = df[df['z_score'].abs() >= 2].sort_values('z_score')
print(anomalies[['week', 'segment', 'key_outcome_rate', 'wow_change_pp', 'z_score']])

Il valore di questo controllo è pratico. Evita di reagire a ogni oscillazione casuale e segnala quando una variazione merita un’indagine. In azienda alimenta alert, review settimanali e retrospettive di prodotto.

Common mistakes to avoid

Il primo errore è lavorare su dati aggregati troppo presto, perché una media globale può nascondere due segmenti che si muovono in direzioni opposte. Il secondo è non controllare la qualità del dato: eventi duplicati, tracking incompleto, timezone incoerenti e cambi di definizione producono conclusioni false. Il terzo è confondere correlazione e causalità. Se gli utenti che usano una feature convertono di più, non significa che la feature causi la conversione: potrebbero usarla perché erano già più motivati.

Per ridurre questi rischi, ogni analisi dovrebbe includere almeno tre controlli: la definizione esplicita della metrica, il confronto per segmento e la verifica contro un periodo precedente o un gruppo di controllo. C’è anche l’errore di usare la cheat sheet come etichetta invece che come processo. Succede quando il team mostra un grafico senza decisione, una metrica senza baseline o una conclusione senza dire quale assunzione la invaliderebbe. La domanda di controllo è: se questo risultato fosse instabile, quale scelta sbaglierei?

Lab: usare la checklist su un caso reale

A livello base, scrivi una scheda di una pagina per una decisione concreta: decisione da supportare, metrica primaria, baseline, rischio principale e azione se il segnale è confermato. Se non riesci a nominare la decisione, il tema è ancora troppo astratto.

A livello intermedio, costruisci una tabella con tre segmenti, periodi o scenari. Per ciascuno indica cosa cambia, quale spiegazione alternativa è plausibile e quale controllo useresti prima di raccomandare un’azione. Includi almeno un caso in cui il segnale non basta per decidere.

A livello research-grade, prepara un decision memo con ipotesi, dati richiesti, criteri di esclusione, controlli di qualità, soglia decisionale, rischio residuo e piano di monitoraggio dopo la decisione. Come materiali usa OKR, decision log, roadmap, retrospettive, interviste e survey interne. Se non hai dati reali, crea un dataset sintetico con almeno 200 righe, una dimensione temporale, una dimensione segmento e una metrica di outcome.

Per fissare i concetti, prova a rispondere a queste domande. Quale decisione concreta dovrebbe migliorare grazie alla checklist? Quale unità di analisi rende il problema misurabile? Quale baseline eviterebbe una lettura ingenua? Quale errore tipico cambierebbe la conclusione? Quale output consegneresti a uno stakeholder non tecnico?

Summary

Questa cheat sheet va trattata come uno strumento decisionale, non come un elenco di sigle da ricordare. Il valore nasce quando colleghi problema, dati, metrica, segmentazione e azione. Una buona analisi non termina con “il numero è salito” o “il numero è sceso”, ma con una frase operativa: quale decisione prendiamo, con quale livello di confidenza e quale metrica useremo per sapere se avevamo ragione. La forma corretta resta sempre la stessa, cioè decisione, segnale, baseline, rischio e azione, e tutto il resto serve solo se rende più affidabile uno di questi passaggi.