Perché i dati possono mentire

Ecco perché non dovresti fidarti completamente dei tuoi dati.

Perché non dovresti fidarti completamente dei dati

Prendiamo decisioni basate su dati diversi ogni giorno in modo da non dover basare tali decisioni sull’intuizione. Facendo ciò, assumiamo di prendere la decisione giusta. Dato che ci affidiamo così tanto ai dati sottostanti in questo modo, è importante essere consapevoli che i dati possono mentire – specialmente quando prendiamo decisioni importanti che possono avere conseguenze di vasta portata per la nostra attività. Se i risultati dell’analisi sono inaccurati o errati, possono portare a decisioni sbagliate, che a loro volta possono causare perdite finanziarie, una cattiva reputazione, perdita di clienti o persino dispute legali. Inoltre, i risultati errati dell’analisi dei dati possono anche minare la fiducia nella capacità di un’azienda di analizzare i dati e quindi avere un impatto negativo sui risultati aziendali. Pertanto, è cruciale essere consapevoli che i dati a volte possono essere fuorvianti e adottare misure appropriate per garantire che i risultati dell’analisi siano sempre affidabili e accurati.

Perché i dati possono essere fuorvianti

Ci sono numerose ragioni per cui i dati possono essere fuorvianti:

1. Dati difettosi:

Se i dati inseriti nella soluzione BI sono difettosi, possono portare a conclusioni errate. Diversi fattori possono essere responsabili di ciò:

• Qualità dei dati: Se la qualità dei dati non è elevata, i dati utilizzati possono essere errati, incompleti o inconsistenti. Per capire perché ciò può accadere e come il buon Data Quality Management contribuisce a garantire un’alta qualità dei dati, leggi l’articolo “Data Quality Management”.
• Tempestività: Se i dati su cui si basa l’analisi sono datati, l’analisi non può riflettere le attuali condizioni di mercato o i cambiamenti nell’industria, il che può portare a risultati falsi e ridurre la rilevanza delle analisi e dei dati precedenti.
• Fonte dati: Se le fonti dati utilizzate non sono affidabili, le analisi nel tuo sistema BI possono essere errate. Ad esempio, i dati che sono stati inseriti manualmente o combinati da diverse fonti possono essere errati, incompleti o inconsistenti. Inoltre, se le fonti dati non sono collegate correttamente, le analisi possono essere influenzate. Questo accade, ad esempio, se vuoi analizzare da quali paesi provengono la maggior parte dei tuoi clienti, ma non mantieni in modo coerente il paese nel tuo sistema CRM quando crei i dati dei clienti, in modo che la fonte dati sia inadeguata. Pertanto, è importante assicurarsi che i dati provengano da una fonte affidabile.

2. Raccolta dati non ottimale:

Se le tecniche di analisi utilizzate nella raccolta dati sono incorrette o non applicate correttamente, i risultati possono essere distorti. Ad esempio, una scelta errata dei metodi statistici o un’interpretazione inadeguata dei risultati possono portare a conclusioni errate. La mancanza di validazione può anche essere problematica poiché senza di essa non è garantito che i metodi di analisi o gli algoritmi siano stati applicati correttamente e che i risultati siano plausibili e comprensibili. Questo può accadere, ad esempio, se si conduce un sondaggio ma non si tengono in considerazione tutti i fattori rilevanti, si pongono domande sbagliate o non si definiscono chiaramente le opzioni di risposta. Ciò influenza i risultati del sondaggio, quindi il risultato non è corretto. È anche possibile che il metodo di analisi sia influenzato da pregiudizi inconsci in anticipo, in modo che i risultati dell’analisi siano errati.

3. Bias di selezione:

Se i dati utilizzati per un’analisi non sono rappresentativi, ciò può portare a un bias. Lo stesso vale se i dati non sono sufficienti per rappresentare adeguatamente la domanda o il problema. Questo è il caso, ad esempio, se si raccolgono recensioni di prodotti su una piattaforma specifica che è principalmente utilizzata da un segmento speciale dei tuoi clienti. In questo caso, le recensioni non sono rappresentative dell’opinione di tutti i tuoi clienti. L’immagine che ottieni attraverso le recensioni è quindi distorta.

4. Bias di elaborazione:

Se i dati non vengono elaborati correttamente, ciò può anche portare a un bias. Ad esempio, se si raccolgono dati per catturare il livello di reddito dei tuoi clienti ma si definiscono in modo errato i limiti di reddito superiori e inferiori, i risultati dell’analisi possono riflettere un’immagine distorta.

5. Interpretazione errata:

Interpretare correttamente i dati disponibili e trarre conclusioni corrette è un compito difficile. Se la persona che esegue l’analisi non ha sufficiente esperienza o comprensione dei dati sottostanti, gli errori possono verificarsi rapidamente. Ad esempio, la maggior parte dei clienti è più propensa a essere tentata di dare una recensione online della tua azienda o del tuo prodotto se sono insoddisfatti delle prestazioni. Se non fossi consapevole di questo, potresti concludere dalle recensioni negative che la maggior parte dei tuoi clienti è insoddisfatta, anche se non è il caso.

6. False ipotesi:

Se le ipotesi alla base dell’analisi sono errate, anche i risultati possono essere distorti. Ad esempio, assumere condizioni di mercato o esigenze dei clienti errate può portarti a credere che i clienti non acquisterebbero il tuo prodotto se mancasse una determinata funzionalità. Tuttavia, i clienti possono trovare questa particolare funzionalità non necessaria o possono acquistare il tuo prodotto per altri motivi.

7. Rappresentazione disconnessa:

Se i dati correlati tra loro vengono analizzati in modo disconnesso, ciò può portare a una visione distorta della realtà. Ad esempio, è ben noto che i coniglietti di cioccolato pasquali sono popolari due mesi prima di Pasqua. Tuttavia, poiché Pasqua non si verifica nella stessa data ogni anno, una pura visione delle vendite di coniglietti di cioccolato disconnessa dalle date delle vacanze potrebbe essere confusa. I dati mostrerebbero un aumento delle vendite in primavera e una brusca diminuzione delle vendite in un certo momento, ma il motivo di ciò non sarebbe comprensibile in questo caso.

8. Applicazione difettosa:

Se la soluzione BI non viene utilizzata per lo scopo per cui è stata sviluppata, ciò può portare anche a risultati errati. Ad esempio, se si utilizza una soluzione sviluppata per l’analisi finanziaria per valutare le prestazioni della produzione, potrebbe non essere riflessa tutta la serie di dati rilevanti, risultando in risultati di analisi errati.

Cosa può essere fatto per evitare questi errori?

Per evitare gli errori sopra menzionati nell’uso delle soluzioni BI, possono essere adottate misure appropriate:

1. Alta qualità dei dati:

È importante per le aziende assicurarsi che i dati inseriti nella soluzione BI siano puliti e accurati. Ciò può essere ottenuto attraverso controlli di qualità e la revisione continua dei dati per completezza e precisione. Inoltre, evitare di utilizzare dati obsoleti o provenienti da fonti non affidabili.

2. Raccolta dati corretta:

È altrettanto importante che i dati utilizzati per l’analisi siano rappresentativi. Pertanto, riflettere attentamente su dove e come si desidera raccogliere i dati e quali dati o fattori sono rilevanti. Inoltre, convalidare i dati, ad esempio, utilizzando campioni rappresentativi. Nella selezione dei dati, assicurarsi che siano pertinenti alla domanda o al problema.

3. Elaborazione corretta:

L’elaborazione corretta dei dati può essere ottenuta attraverso procedure standardizzate e la verifica dei risultati per errori logici.

4. Interpretazione corretta:

L’interpretazione corretta dei dati disponibili può essere molto difficile. Pertanto, assicurarsi che chiunque analizzi e interpreti i dati sia sufficientemente addestrato. Inoltre, le ipotesi fatte durante l’analisi dovrebbero essere attentamente considerate e documentate in modo che possano essere tracciate in qualsiasi momento. Se vengono fatte ipotesi sbagliate, ciò verrà rapidamente identificato e l’analisi potrà essere corretta. Inoltre, evitare di visualizzare set di dati correlati in modo disconnesso.

5. Uso previsto:

È importante che una soluzione BI sia utilizzata esclusivamente per lo scopo per cui è stata sviluppata. Per garantire ciò, gli utenti dovrebbero essere adeguatamente addestrati. Se inizialmente si decide di utilizzare la propria soluzione BI per uno scopo specifico ma si desidera utilizzarla per altri scopi in seguito, il software dovrebbe essere adattato per riflettere accuratamente tutti i dati rilevanti.

Conclusione

Seguendo il motto “non fidarti mai di una statistica che non hai manipolato tu stesso”, i dati nelle soluzioni di business intelligence possono talvolta essere fuorvianti. Poiché le decisioni basate su tali dati possono avere conseguenze di ampia portata, è importante essere consapevoli di questo problema e adottare misure per garantire che i risultati dell’analisi siano affidabili. Nonostante le possibili sfide, analizzare i dati e utilizzare un software BI come myPARM BI^act è molto utile e una parte importante di una strategia aziendale di successo.
È anche possibile e sensato utilizzare un software BI come myPARM BI^act per verificare e visualizzare la qualità dei dati esistenti. Ad esempio, dati incompleti o errati, così come le incongruenze riguardanti connessioni logiche e dipendenze, possono essere visualizzati direttamente in un cruscotto.

Volete provare​ myPARM BI^act in una demo? Allora fissate subito un appuntamento con noi!