L’attitudine a prendere decisioni sulla base dei dati ha un nome: Data Informed Decision Making (DIDM)

Affinché un’organizzazione si muova in quella direzione è necessario che le persone acquisiscano una cultura del dato che, sviluppandosi secondo gradini successivi, conduca ad una solida conoscenza della realtà.

Oggi la quantità di dati di cui si dispone in azienda è aumentato in maniera esponenziale.

Questo può certamente comportare il rischio di perdere di vista i dati fondamentali, di essere portati fuori strada da dati numerosi ma parziali, o dati di scarsa qualità .

Per evitare di prendere decisioni sulla base di dati errati o addirittura di essere tratti in inganno da dati incompleti o non rappresentativi, diventa fondamentale diffondere in azienda a tutti i livelli una robusta cultura del dato, affinchè anche a livello operativo e di middle management, le micro decisioni che però poi hanno risvolti importanti, possano essere efficaci.

Il presente seminario si pone l’obiettivo di fornire le basi teoriche ed operative per avviare una cultura del dato sia individuale che collettiva.

E’ indirizzato a  tutti coloro che devono analizzare dati per comprendere cosa è successo e per prendere decisioni.

Si farà uso di concetti e metodi statistici che verranno spiegati e non dati per scontato

I plus del corso

• Docenti che sono anche consulenti, in grado di portare in aula l’esperienza diretta di numerosi progetti di DA realizzati con successo
• Opportunità di confrontarsi con persone di altre realtà aziendali e condividere esperienze e metodologie
• Possibilità di conoscere numerosi casi pratici, per comprendere l’applicabilità dei contenuti teorici

Avvertenze e Prerequisiti

Disponibilità di un computer individuale

P r o g r a m m a      

Giornata 1 – Porre le domande corrette e verificare l’affidabilità dei dati

Cultura del dato e decisioni data-informed

• Dato, informazione, conoscenza ed evidenza.
• Che cosa significa decidere sulla base dei dati.
• Il dato come asset organizzativo: dal possesso del dato alla sua trasformazione in valore.

Formulare le domande corrette ai dati

• Come trasformare un problema generico in una domanda analitica.
• Dalla domanda di business al percorso di analisi

Qualità, pulizia e attendibilità del dato

• Non tutti i dati sono automaticamente utilizzabili: Il principio garbage in, garbage out.
• Prevenire errori e ambiguità prima che generino rework analitico e decisionale.
• Le domande da porsi prima di fidarsi di un dato:
• Completezza, coerenza, accuratezza, tempestività, unicità e pertinenza.

Indicatori, aggregazioni e visualizzazioni

• Perché un indicatore non è mai neutro.
• Medie, totali, percentuali, variazioni e rapporti: cosa mostrano e cosa possono nascondere.
• L’importanza del denominatore e del perimetro di calcolo.
• Aggregazioni e stratificazioni: quando un dato medio nasconde fenomeni diversi.
• Lettura critica di grafici, tabelle e dashboard.
• Visualizzazioni efficaci e visualizzazioni fuorvianti.
• Riconoscere lo spreco informativo: troppi dati, dati ridondanti, report non utilizzati, analisi più complesse del necessario.

Rappresentatività, significatività e bias

• Che cosa significa che un dato è rappresentativo.
• Campioni, popolazioni, periodi di osservazione e perimetri di analisi.
• Il rischio di generalizzare da dati parziali.
• Bias di selezione, bias di conferma e bias legati al periodo osservato.
• Cosa significa che un insieme di dati è significatico: progettare statisticamente la significatività

Giornata 2 – Interpretare i fenomeni e supportare decisioni più robuste

Variabilità, scostamenti e spreco informativo

• La variabilità come caratteristica normale dei processi e dei fenomeni aziendali.
• Il rischio di reagire a ogni variazione come se fosse un problema: cause comuni, cause speciali e spreco informativo.
• Come distinguere segnali, anomalie e fluttuazioni ordinarie.

Outlier, eventi rari e segnali deboli

• Che cosa sono gli outlier e perché non vanno interpretati automaticamente come errori.
• Quando un valore anomalo è un problema di qualità del dato e quando può essere un segnale importante.
• Il rischio di costruire decisioni solo sulla base di ciò che accade in media.
• Come trattare gli outlier: verificare, contestualizzare, interpretare, decidere se escludere o approfondire.
• Sviluppare attenzione ai segnali deboli senza cadere in allarmismi o letture arbitrarie.

Correlazione, causalità e false conclusioni

• Perché due fenomeni possono muoversi insieme senza che uno causi l’altro.
• Correlazioni apparenti e relazioni spurie.
• Il ruolo delle variabili nascoste.

Confronti, Trend, Analisi delle cause e decisioni basate su evidenze

• Confrontare gruppi, periodi, aree, categorie o fornitori: condizioni minime per un confronto corretto.
• Stratificare i dati per capire meglio un fenomeno
• Effetti di stagionalità
• La differenza tra cercare cause e cercare colpevoli.
• Cause apparenti e cause radice.
• Come costruire ipotesi coerenti con i dati.
• Come verificare o falsificare un’ipotesi.
• Collegare ogni analisi a una decisione, a un rischio da ridurre o a un valore da generare.
• Favorire un linguaggio comune tra funzioni aziendali