import pandas as pd

In-depth interviews for data insights

I numeri mostrano che un processo non funziona, ma non spiegano sempre quale frizione vivono clienti, operatori o stakeholder. Le interviste di profondità aiutano a scoprire meccanismi, linguaggio e vincoli che una metrica da sola non rivela. 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 il metodo 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 le interviste come un metodo per produrre ipotesi robuste, non citazioni decorative. Una buona intervista chiarisce contesto, motivazioni, ostacoli e parole che poi puoi verificare con dati quantitativi. Prima di iniziare conviene fissare tre cose: quale decisione rende utile la ricerca, quale conflitto tra team o metriche dovrai anticipare, e con quale frase riporterai gli insight in riunione.

Una sequenza di lavoro

Per non trasformare il metodo 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 comportamento osservato?	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 resta quale decisione dovrà essere presa grazie alla ricerca. Una dashboard, una query o un set di interviste hanno valore solo se riducono incertezza decisionale. Se non cambiano una scelta, restano documentazione o teatro analitico.

The interview structure

Un’intervista efficace ha un ritmo preciso, dall’apertura alla chiusura.

1. Apertura, due minuti: spiega contesto e scopo, e chiarisci che non ci sono risposte giuste o sbagliate.
2. Domande sul comportamento passato e non su opinioni future. Chiedi “raccontami l’ultima volta che hai cercato un prodotto sul nostro sito”, non “cosa faresti se…”.
3. Domande sui momenti di difficoltà: “c’è stato un momento in cui hai pensato di abbandonare? Cosa stavi cercando di fare?”.
4. Domande sul successo: “quando hai pensato finalmente? Cosa era successo?”.
5. Chiusura, due minuti: “c’è qualcosa che non ti ho chiesto e che vorresti dirmi?”.

The silence rule

After a meaningful answer, don’t fill the silence. The interviewee often adds the most valuable insight precisely when the silence makes them uncomfortable.

Come tradurre le interviste in insight per i dati

Dopo cinque interviste, cerca i pattern. Guarda quali job sono menzionati da più persone, quali punti di frizione ricorrono e quali parole usano per descrivere il problema. Quelle parole le riuserai nei nomi delle metriche e nei report, così l’analisi parla la lingua di chi vive il problema invece di un gergo costruito a tavolino.

In un progetto reale le interviste non vivono mai isolate. Sono 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 e applicare un template. Il lavoro professionale è capire quale problema il metodo risolve, quali assunzioni contiene e cosa succede quando quelle assunzioni non sono vere.

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

Le metriche indicano un calo di adozione, ma le interviste rivelano che i team non capiscono chi deve agire dopo il report. La ricerca qualitativa non sostituisce il dato quantitativo: gli dà contesto, linguaggio e ipotesi verificabili.

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 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, magari proprio quelle emerse dalle interviste.

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, ed è proprio lì che un’intervista mirata può spiegare cosa è successo.

Esercizio pratico

Parti da un livello base. Scrivi in cinque righe quale decisione concreta dovrebbe migliorare grazie alle interviste, 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 le trascrizioni delle tue interviste, purché tu possa collegare le citazioni a una metrica osservabile e a 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 le interviste come etichetta tecnica invece che come criterio di scelta. Succede quando il team raccoglie citazioni senza dire quale decisione cambia, quale baseline le rende interpretabili 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

Le interviste di profondità vanno trattate come uno strumento decisionale, non come un esercizio di ascolto fine a sé stesso. Il valore nasce quando colleghi problema, dati, metrica, segmentazione e azione, e quando le parole degli intervistati diventano ipotesi verificabili sui numeri. Una buona ricerca non termina con una bella citazione, ma con una frase operativa: quale decisione prendiamo, con quale livello di confidenza, e quale metrica useremo per sapere se avevamo ragione.