import pandas as pd

JTBD framework applied to management

Quando un team discute feature, processi o campagne, spesso parla della soluzione prima del lavoro che le persone stanno cercando di compiere. Il framework Jobs-to-be-Done riporta la decisione al “job” reale, collegando bisogno, contesto e criterio di successo. La lezione appartiene alla categoria Decisione: il punto non è accumulare definizioni, ma capire quale scelta cambia quando il dato diventa più affidabile.

Il problema che la lezione risolve

Conoscere JTBD 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 JTBD come una lente per evitare soluzioni premature. È utile quando chiarisce quale progresso l’utente o il team vuole ottenere e quale evidenza dimostra che il lavoro è stato svolto meglio. 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 job dell’utente?	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

In un progetto reale JTBD non vive mai isolato. È parte di un sistema più ampio fatto di decisioni, dati disponibili, vincoli tecnici, incentivi organizzativi e qualità dell’esecuzione. Il rischio dell’analista principiante è trattare il tema come una definizione, imparare il nome, ricordare due formule e applicare un template. Il lavoro professionale è capire quale problema il framework risolve, quali assunzioni contiene e cosa succede quando quelle assunzioni non sono vere.

JTBD principles for data analysis

Tre principi reggono tutto il resto.

1. Non segmentare per demografia, segmenta per job: due clienti di 25 e 60 anni che comprano lo stesso trapano non vogliono un trapano, vogliono un buco. Il job è lo stesso, il cliente è diverso.

2. Il job è stabile nel tempo, la soluzione cambia: “ascoltare musica in movimento” è il job, mentre Walkman, iPod e Spotify sono soluzioni diverse allo stesso job.

3. Misura il successo del job, non l’uso della feature: conta quanti utenti hanno completato il job “confrontare prodotti” con successo, non quanti hanno cliccato la feature “confronta”.

Map data to jobs

Per collegare il framework alle metriche conviene scrivere accanto a ogni job sia la sua dimensione funzionale sia quella emotiva, e poi la metrica che dimostra che il job è stato svolto meglio.

Functional job	Emotional job	Success metric
"I want to book a flight without surprises on costs"	"Feel in control of spending"	Booking completion rate, average booking time
"I want to know if the package arrives on time"	"Be sure the gift arrives"	% tracking opened, "where is my order" tickets

La prima domanda da fare resta 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. 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

Un caso concreto

Il manager pensa di dover comprare un nuovo tool, ma le interviste mostrano che il vero job è ridurre l’incertezza prima della riunione settimanale. JTBD sposta la discussione dalla soluzione desiderata al progresso che le persone stanno cercando di ottenere. La domanda non è “qual è la definizione corretta?” ma “quale scelta diventa meno rischiosa se questa analisi è fatta bene?”.

Observed evidence	Cautious interpretation	Recommended action
The number improves	Could be a real effect or normal variation	Look for comparison and segment
One segment changes more than others	The aggregated average hides a difference	Separate cohorts or use cases
Cost grows along with the result	Impact must be read on the margin	Estimate trade-offs and sustainability

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. Questa disciplina impedisce di ottimizzare vanity metric che sembrano positive nel breve ma danneggiano valore nel lungo periodo. Lo stesso principio vale per JTBD: 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 a JTBD, 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, purché contenga almeno una dimensione di segmento, una metrica osservabile e un periodo 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: usare JTBD 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. 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. Which output would you deliver to a non-technical stakeholder?

Summary

Il framework JTBD va trattato come uno strumento decisionale, non come un argomento da manuale. Il valore nasce quando colleghi problema, dati, metrica, segmentazione e azione, e quando riporti la discussione dal prodotto al progresso che le persone cercano. 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.