Decision-Driven Analytics di Bart De Langhe e Stefano Puntoni
L’oracolo nella dashboard
Una risposta impeccabile può proteggere una scelta sbagliata, soprattutto quando a formulare le domande è chi cerca soltanto conferme.
“Lo dicono i dati” ha il tono di una formula assolutoria. Il dirigente la pronuncia e la decisione sembra avere già ottenuto il perdono: il modello ha confermato, la dashboard “custodisce la prova”. Chi ha scelto può così ritirarsi dietro l’evidenza, mentre il risultato statistico assume le sembianze di un comando e la delega di responsabilità prende il nome rispettabile di oggettività.
Non potevo lasciarmi sfuggire la lettura di Decision-Driven Analytics di Bart De Langhe e Stefano Puntoni, pubblicato da Wharton School Press, nel quale ho avuto il piacere di trovare un convincente tentativo di interrompere una ritualità che effettivamente stiamo evidenziando. Centoventi pagine restituiscono al management una prerogativa e il suo peso: stabilire che cosa ottenere, quali azioni siano possibili, quale conoscenza serva per scegliere. Il gesto reazionario consiste qui nel recuperare una facoltà abbandonata con disinvoltura, tornando a chiedere al dato, dopo avergli consegnato un’autorità quasi sacrale, per quale ragione sia stato convocato.
La liturgia della conferma
Il libro distingue l’analisi che cerca uno scopo per i dati disponibili da quella arruolata per confermare una preferenza. In quest’ultimo caso il verdetto precede l’indagine: si conosce la direzione desiderata e si incaricano gli analisti di procurarle una genealogia numerica. “Preference-driven analytics”, la chiamano gli autori. Il bias di conferma ottiene un “ufficio studi” e una convinzione personale entra così in riunione accompagnata da grafici, presentandosi come evidenza.
Gli autori chiedono anzitutto alternative praticabili, sulle quali il decisore possa intervenire con effetti rilevanti. Le domande dovranno consentire di ordinarle, i dati serviranno a rispondere e le risposte conserveranno traccia dell’incertezza. Attraverso questa sequenza — decisioni, domande, dati, risposte — l’analisi torna sotto la responsabilità di chi ne farà uso, perché possedere un’informazione lascia ancora da dimostrare la sua utilità per quella scelta.
Una richiesta vaga consegnata al data team può rientrare sotto forma di percentuale esatta e godere di un’autorità che nessuno si era preoccupato di costruire nelle premesse. Il libro propone un’asimmetria che definirei salutare: domande precise e risposte “fuzzy”, capaci di accogliere ciò che resta incerto, nella consapevolezza che anche un decimale può rendere presentabile un equivoco.
Il caso del churn mostra come una previsione corretta possa accompagnare una spesa inutile: sapere quali clienti abbiano maggiori probabilità di abbandonare un servizio permette di stimare un rischio, lasciando ancora da capire quanto un incentivo possa convincerli a restare. Un cliente segnalato dal modello potrebbe infatti essere insensibile alla promozione, e destinargli risorse sulla sola base del rischio di abbandono finirebbe per finanziare un intervento senza effetto sul suo comportamento. L’analisi avrebbe così risposto con precisione a una domanda mal posta, lasciando all’impresa il costo dell’equivoco e al modello predittivo una reputazione intatta.
L’autorità delle omissioni
Ogni dato possiede una provenienza, e con essa una selezione originaria: chi è stato osservato, in quali condizioni, quali casi sono rimasti fuori. Il libro obbliga a considerare queste assenze come parte del ragionamento: un archivio, per esempio, può crescere continuando a registrare soltanto quanto il sistema di raccolta gli consente di vedere. Quando quella porzione di realtà viene accreditata come universale, l’abbondanza diventa ingannevole, con il paradosso di un’omissione che, moltiplicata per milioni di osservazioni, acquista valore.
La promessa oracolare si alimenta di questa dimenticanza delle origini: sullo schermo arriva il risultato, composto e ripulito, mentre il processo che lo ha prodotto rischia di restare fuori dalla discussione. Con l’IA generativa, alla precisione numerica si aggiunge l’eloquenza, e una premessa fragile può ottenere una spiegazione impeccabile.
Attribuisco valore alla difesa dell’incertezza presente nel libro perché esporre assunzioni, probabilità e scenari impedisce alla risposta di chiudere indebitamente il discorso. La comprensione conserva qualcosa di irrisolto, mentre la persuasione può tranquillamente farne a meno.
Nelle pagine di Decision-Driven Analytics dedicate al valore dell’analisi, la questione torna alla sua sostanza imprenditoriale. Quanto conta la decisione, quanto la risposta aiuterà a scegliere, quanto costerà ottenerla: anche il desiderio di sapere deve rendere conto delle risorse che consuma. Se ottenere l’informazione cercata lasciasse invariata la scelta, continuare a perfezionarla potrebbe diventare procrastinazione inutilmente finanziata dall’azienda, che impegna specialisti, attenzione e denaro per rinviare proprio l’atto che l’analisi avrebbe dovuto rendere possibile.
Chi governa il possibile?
La mia riserva riguarda il potere che agisce prima ancora del percorso proposto dagli autori:
Definire la decisione da prendere e le alternative disponibili
Formulare le domande utili a scegliere
Selezionare i dati pertinenti
Ricavarne risposte che rendano esplicita l’incertezza
Gli autori chiedono di allargare le alternative e vorrei vederli insistere sui rapporti di forza che stabiliscono quali possibilità abbiano diritto di essere discusse. Proprietà, incentivi e gerarchie possono rendere un’opzione impronunciabile prima che il data team riceva l’incarico. Un’analisi rigorosa rischia allora di consacrare un insieme di scelte già impoverito, offrendo al culto del dato la copertura di un procedimento formalmente corretto nel quale le alternative escluse in partenza restano fuori discussione.
Al framework aggiungerei una costituzione della decisione, fatta di regole concrete: un titolare che risponda degli effetti, la possibilità di contestare le assunzioni e una memoria delle alternative scartate e del dissenso. Serve sapere chi può riaprire una scelta, in quali condizioni sia ammesso discostarsi dalla raccomandazione del sistema e come gli esiti rientreranno nel lavoro successivo. Senza queste condizioni, la responsabilità rimane una “parola appesa” all’inizio del progetto, disponibile a ogni elusione successiva.
La ripartizione proposta nelle pagine conclusive - registrazione e correlazione alle macchine, ragionamento causale agli esseri umani - incontra già modelli capaci di generare ipotesi, alternative e scenari; fondare il ruolo del management sul possesso esclusivo di certe facoltà mi sembra perciò una difesa eccessivamente esposta alla prossima evoluzione tecnica. Anche quando una macchina partecipa alla formulazione delle possibilità, qualcuno deve rispondere dei criteri adottati e degli effetti prodotti, e l’impresa dovrà organizzare questa attribuzione con la stessa cura che riserva all’automazione.
Considero Decision-Driven Analytics un piccolo trattato contro l’abdicazione manageriale. La disponibilità crescente di risposte assegna infatti un peso ulteriore a chi stabilisce che cosa meriti di essere conosciuto, quanta incertezza sia accettabile e quando il calcolo debba lasciare spazio all’azione.
Finché un dirigente potrà dire “Lo dicono i dati” senza rendere conto delle domande poste e delle alternative escluse, l’oracolo continuerà a parlare con la sua voce.