import pandas as pd

Data-Driven Decision Making

Una decisione data-driven non è una decisione presa dal dato. È una decisione umana che usa evidenze, criteri e responsabilità esplicite. Questa lezione appartiene alla categoria Decisione, e il punto non è accumulare definizioni ma capire quale scelta cambia quando il dato diventa più affidabile. L’obiettivo è evitare due trappole opposte: l’opinione pura e l’alibi del dashboard, dove un grafico serve solo a coprire una scelta già fatta.

Il problema che la lezione risolve

Conoscere il decision-making in astratto non serve. Il problema vero è decidere cosa fare quando il team ha dati incompleti, metriche ambigue o vincoli tecnici che rendono fragile la lettura del fenomeno. Una lezione utile separa il segnale dal rumore, dice quale baseline usare e indica quale azione diventa più difendibile dopo l’analisi.

Leggi quindi questa lezione come un protocollo di scelta. La domanda chiave non è “che cosa dicono i dati?” ma “quale decisione prendiamo, dato ciò che sappiamo, ciò che non sappiamo e ciò che rischiamo?”. Prima di iniziare conviene fissare tre cose: quale decisione rende utile il concetto, quale conflitto tra team o metriche dovrai anticipare, e con quale frase lo spiegheresti in riunione.

Una sequenza di lavoro

Per non trasformare una nozione tecnica in un rituale vuoto, conviene seguire una sequenza che renda visibile il costo di una scelta sbagliata a ogni passaggio.

Step	Question to ask	Expected output
Decision	Che cosa cambia se capiamo meglio il fenomeno?	Scelta esplicita
Signal	Quale dato osservabile riduce l’incertezza?	Metrica o evento
Baseline	Rispetto a cosa interpretiamo il risultato?	Credible comparison
Vincolo	Che cosa può falsare la lettura?	Assunzione da dichiarare
Action	Quale passo operativo segue?	Raccomandazione controllabile

La prima domanda da fare in un progetto reale non è “quale metrica calcolo?” ma quale decisione dovrà essere presa grazie all’analisi. Una dashboard, una query o un modello hanno valore solo se riducono incertezza decisionale. Se non cambiano una scelta, restano documentazione o teatro analitico.

Formalizzare la relazione tra decisione, evidenza e rischio

Una formalizzazione non serve a complicare la lezione. Serve a rendere visibili le assunzioni, così uno stakeholder può discutere il criterio decisionale invece di fidarsi del risultato per autorità. La formalizzazione è solida quando un altro analista può riprodurre la logica, criticare le assunzioni e arrivare alla stessa decisione partendo dagli stessi dati.

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

The DECIDE framework

Un modo concreto per ordinare il processo è la sequenza DECIDE, sei passaggi che tengono insieme decisione, evidenza e responsabilità.

1. Define: qual è esattamente la decisione da prendere? Non “migliorare il prodotto” ma “investiamo 200K nella feature X o nella feature Y?”.

2. Evidence: quali dati abbiamo, cosa dicono, cosa NON dicono e quali sono i limiti dell’evidenza disponibile?

3. Criteria: quali criteri useremo per decidere, tra revenue, retention e time-to-market? I criteri vanno pesati e dichiarati prima di guardare i dati.

4. Investigate: analizza i dati, segmenta, confronta, modella, senza fermarti alla prima risposta.

5. Decide: prendi la decisione. Una persona sola, il “D” del framework RAPID, con data e responsabilità chiara.

6. Evaluate: a 30, 60 e 90 giorni verifica se la decisione ha prodotto l’effetto atteso, impara e itera.

L’errore del gut feel mascherato

Spesso vedo manager che chiedono “un’analisi” ma hanno già deciso. Vogliono solo dati che confermino la loro intuizione. Questo non è data-driven, è confirmation bias con budget. L’antidoto è semplice: prima dell’analisi, scrivi cosa ti farebbe cambiare idea. Se non c’è risposta a questa domanda, non sei disposto a essere guidato dai dati, vuoi solo una copertura.

Amazon e la decisione sul Fire Phone

Nel 2014 Amazon lanciò il Fire Phone. Fu un fallimento da 170 milioni di dollari di perdita. Jeff Bezos, nella lettera agli azionisti del 2015, scrisse: “I dati mostravano che il mercato era saturo di smartphone con poca differenziazione. Abbiamo deciso lo stesso, scommettendo su feature uniche che non hanno convinto i clienti. I dati avevano ragione, noi no.” Un CEO data-driven ammette quando i dati avevano ragione e lui torto, e usa l’errore per decidere meglio la volta successiva.

Netflix e la disciplina delle metriche

Netflix is a useful example because it has built many product decisions around observable behavioral signals: episode completion, search time before playback, abandonment after a few minutes, return in the following week, recommendation effectiveness. The point is not that every company should copy Netflix. The point is methodological: data is not treated as decoration but as decision infrastructure.

Quando Netflix valuta una modifica all’esperienza, come una nuova riga di raccomandazioni, una diversa immagine di copertina o un algoritmo di ranking, non misura solo il click immediato. Misura anche segnali di qualità: l’utente guarda davvero il contenuto, torna nei giorni successivi, riduce il tempo speso a cercare, aumenta la soddisfazione implicita. Questa disciplina impedisce di ottimizzare vanity metric che sembrano positive nel breve ma danneggiano valore nel lungo periodo. Lo stesso principio vale qui: se il risultato non aiuta a scegliere tra due azioni alternative, l’analisi è incompleta.

SQL example: building a control view

The following pattern is intentionally generic but executable in most modern warehouses. The goal is to create an analytical base with metric, segment, and time window, so you can compare periods and groups without rewriting logic each time.

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 può formulare ipotesi più precise.

Python example: checking stability and anomalies

A useful metric must be stable enough to guide decisions and sensitive enough to signal real changes. In Python, we can check for anomalous week-over-week variations.

# 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, ma segnala quando una variazione merita investigazione. In azienda questo tipo di analisi può alimentare alert, review settimanali e retrospettive di prodotto.

Esercizio pratico

Parti da un livello base. Scrivi in cinque righe quale decisione concreta dovrebbe migliorare grazie al decision-making basato sui dati, indicando metrica, unità di analisi, baseline e rischio principale. Se non riesci a nominare la decisione, il tema è ancora troppo astratto.

Al livello intermedio costruisci una tabella con quattro colonne: segnale osservato, interpretazione prudente, controllo necessario e azione consigliata. Usa almeno un caso in cui il segnale non basta per decidere. Al livello research-grade trasforma l’esercizio in un memo decisionale che includa assunzioni, criteri di esclusione, soglia di intervento, sensitivity check e una proposta di monitoraggio dopo la decisione.

Come materiale puoi usare un export reale, una tabella sintetica, una dashboard interna o un notebook di studio. Il dataset deve contenere almeno una dimensione di segmento, una metrica osservabile e un periodo o baseline di confronto.

Common mistakes to avoid

Il primo errore è lavorare su dati aggregati troppo presto. 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 conversione, perché potrebbero usarla proprio perché sono già più motivati.

C’è poi un errore di forma che riassume tutti gli altri: usare il decision-making come etichetta tecnica invece che come criterio di scelta. Succede quando il team presenta un numero senza dire quale decisione cambia, quale baseline lo rende interpretabile e quale rischio resta aperto. In quel caso il dato sembra preciso, ma non guida l’azione. Per ridurre questi rischi, ogni analisi dovrebbe includere almeno tre controlli: definizione esplicita della metrica, confronto per segmento e verifica contro un periodo precedente o un gruppo di controllo.

Verifica di comprensione

1. Which concrete decision should this lesson improve?
2. Which unit of analysis makes the problem measurable?
3. Quale baseline useresti per evitare una lettura isolata?
4. Quale assunzione, se falsa, cambierebbe la conclusione?
5. Quale controllo presenteresti prima di raccomandare un’azione?

Summary

Il decision-making basato sui dati va trattato come uno strumento decisionale, non come un argomento da manuale. 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.