Perché i dati possono mentire

Ecco perché non dovresti fidarti completamente dei tuoi dati.

Molte aziende cercano di raccogliere il maggior numero possibile di dati e utilizzano soluzioni di Business Intelligence (BI) per analizzare e prendere decisioni basate su questi dati. Ma sei consapevole del fatto che i dati a volte possono mentire? Sì, hai letto correttamente - i dati possono essere fuorvianti e quindi portare a decisioni errate. Spieghiamo perché e come i dati possono mentire e quali misure puoi adottare per garantire che la tua soluzione BI fornisca risultati affidabili e accurati.

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 mentire

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, può capitare che i dati utilizzati siano errati, incompleti o incoerenti. Per capire perché questo può succedere e come una buona gestione della qualità dei dati (Data Quality Management) aiuti a garantire un’elevata 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 che le aziende si assicurino che i dati inseriti nella soluzione di BI siano puliti e precisi. Questo si può ottenere effettuando controlli di qualità e verificando costantemente che i dati siano completi e accurati. Assicurati inoltre di non utilizzare dati obsoleti o provenienti da fonti inaffidabili.
2. Raccolta dei dati ben pianificata: è inoltre importante che i dati utilizzati per l’analisi siano rappresentativi. Pertanto, prima di procedere alla raccolta, rifletti attentamente su dove e in che modo intendi ottenere i dati, nonché su quali dati e fattori siano rilevanti. Esegui inoltre una validazione dei dati, ad esempio utilizzando campioni rappresentativi. Nella selezione dei dati, assicurati che siano rappresentativi della tua domanda o del tuo problema.
3. Elaborazione corretta: è possibile garantire un’elaborazione corretta dei dati attraverso procedure standardizzate e la verifica dei risultati per individuare eventuali errori logici.
4. Interpretazione corretta: interpretare correttamente i dati a disposizione può essere davvero difficile. Assicurati quindi che chiunque analizzi e interpreti i tuoi dati sia adeguatamente formato. Inoltre, le ipotesi formulate durante l’analisi dovrebbero essere ben ponderate e documentate, in modo da poterle ricostruire in qualsiasi momento. Se sono state formulate ipotesi errate, in questo modo si notano subito, permettendo di correggere l’analisi. Assicurati inoltre di non considerare separatamente i set di dati correlati.
5. Uso previsto: è importante che una soluzione BI venga utilizzata esclusivamente per lo scopo per cui è stata sviluppata. Per garantire ciò, gli utenti dovrebbero ricevere una formazione adeguata. Se all’inizio hai scelto la soluzione di BI solo per uno scopo specifico, ma in futuro vorresti usarla anche per altri scopi, il software dovrebbe essere adattato di conseguenza per poter rappresentare correttamente 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.

Scopri di più sul software di gestione di progetti e portfolio myPARM: