Domenica, 22 Novembre 2026 10:26

Interpretare i dati raccolti per prendere decisioni migliori

Troppe aziende, invece, si muovono lungo la strada del cosiddetto “data fishing”. Ossia si cercano numeri per giustificare quello che già si pensa oppure per trovare qualcosa di anomalo che porti all’ennesima riunione.  (di Fabrizio Cappuccini)

Negli ultimi dieci anni molte aziende hanno affrontato la questione dei dati in modo caotico lasciando la sensazione che qualcosa non stia funzionando come dovrebbe. In particolare nel retail, perché un punto vendita di medie dimensioni genera oggi una quantità enorme e potenzialmente utile di informazioni (e che solo quindici anni fa avrebbero richiesto un reparto dedicato solo per raccoglierle). Tutto disponibile, tutto aggiornato, tutto in un cruscotto che qualcuno ha costruito con cura e che, nella maggior parte dei casi, viene aperto una volta a settimana, letto in diagonale, e chiuso senza che nessuna decisione ne segua direttamente. O peggio per giustificare decisioni prese a priori. Non credo che il problema principale sia la mole di dati, bensì la struttura logica con la quale i dati vengono letti.

Nel retail, come in molti altri settori, si è consolidata negli anni una pratica che somiglia molto a quello che gli statistici chiamano "data fishing": si guarda il cruscotto finché non si trova qualcosa che confermi quello che già si pensa, oppure qualcosa di abbastanza anomalo da giustificare una riunione. Le correlazioni si leggono alla stregua di causalità e il dato finisce per essere usato più come argomento retorico che come strumento decisionale.

La contrapposizione che vale la pena mettere sul tavolo è questa: più dati non producono automaticamente decisioni migliori. Producono decisioni più veloci solo se esiste una struttura causale chiara che permette di passare dall'osservazione all'azione. Senza quella struttura, più dati producono solo più riunioni, più slide, più discussioni su cosa significhino i numeri, e meno tempo per fare le cose che i numeri dovrebbero suggerire.

Esempio: un retailer di consumer electronics analizza i dati di sell-out per categoria e nota che le cuffie wireless hanno una penetrazione molto bassa rispetto al potenziale stimato. La lettura immediata è: "dobbiamo fare più promozioni sulle cuffie”. Ma quella lettura salta alcuni passaggi causali fondamentali. Perché la penetrazione è bassa? Perché il cliente non trova il prodotto, non lo conosce, non viene consigliato, perché in assortimento manca da un mese il brand più importante?  Ciascuna di queste cause porta a un'azione completamente diversa, e promuovere non risolve nulla. 

Il dato è corretto. La catena causale è sbagliata.

Questo è il punto in cui l'intelligenza artificiale può entrare nella conversazione. Non come soluzione magica che decide bensì come strumento che, usato bene, può fare qualcosa che gli esseri umani fanno con fatica: elaborare grandi volumi di dati cercando pattern non ovvi, e presentarli in forma leggibile senza che qualcuno debba passare ore in excel. 

I migliori sistemi di dashboard AI-powered oggi disponibili per il retail non mostrano solo cosa è successo: suggeriscono correlazioni da verificare, evidenziano anomalie statisticamente significative e, in alcuni casi, propongono scenari causali alternativi da testare. 

Non decidono al posto del manager: rendono il manager più veloce nell'arrivare alla domanda giusta. E le persone mantengono autonomia decisionale. Ma l'AI non risolve il problema strutturale se quest’ultimo non viene prima riconosciuto. Dare un cruscotto più sofisticato a un team che legge i dati in modo non causale produce cruscotti più belli e decisioni ugualmente sbagliate. Perché la tecnologia amplifica i processi esistenti, nel bene e nel male.

La vera domanda che ogni retail manager dovrebbe farsi non riguarda solo gli strumenti. Riguarda il metodo: quando leggo un dato, so distinguere se il numero descrive una situazione oppure se quello stesso numero mi dice perché quella situazione esiste? So chiedermi quale fattore potrebbe spiegare la correlazione che sto vedendo? E soprattutto: il dato che leggo sta guidando una decisione precisa o sta solo riempiendo una slide?

Ecco tornare allora la necessità di formare e allenare le “meta-competenze”: imparare ad imparare, potenziare la propria capacità di lettura del contesto, ampliare le mappe mentali, sviluppare e consolidare il cosiddetto “Growth Mindset”.

I dati nel retail ci sono e la capacità di raccoglierli e sintetizzarli migliora esponenzialmente ogni giorno. Quello che rischia di rimanere indietro è la cultura causale, quell'abitudine a ragionare non solo su cosa mostrano i numeri, ma anche sul motivo per cui si è arrivati a quella situazione e cosa succede se si interviene in un punto specifico della catena. Quello che possiamo perdere è la capacità di affiancare i dati all’osservazione e alla lettura della realtà (nel caso del retail si tratta di negozi, offline e offline, di social media e di qualsiasi altro touch point), e prima ancora all’ascolto delle persone. 

Rischiamo di perdere ciò che gli umani sanno fare meglio: usare i dati per interpretare anche creativamente la realtà aziendale e quindi prendere decisioni migliori.

Fabrizio Cappuccini

Coach, Mentor, Trainer, Retail Director