Free Press

“Il 74% delle aziende dice di voler essere “data-driven”, solo il 29% dice di essere bravo a collegare l’analisi all’azione”. – Forrester

Generare, elaborare e condividere statistiche e dati – queste azioni fanno di voi un’azienda “data-driven”?

Certo che lo fanno, ma se i dati e le statistiche che guidano le vostre decisioni sono imprecisi, o completamente falsi, i risultati negativi che ne derivano possono generare confusione e scarso rendimento.

I dati credibili eliminano la prospettiva spaventosa di affidarsi a congetture capricciose e “sensazioni interiori”. Combina l’esperienza umana e l’intuizione con numeri concreti e analisi per far nascere decisioni in grado di spostare l’ago.

Ma cruscotti intuitivi, diagrammi, statistiche e grafici spesso mascherano una realtà spuria:

Statistiche e dati fuorvianti.

Con la tecnologia che avanza rapidamente e gli utenti che si adattano ad un ritmo uguale, le aziende si sono affidate a dati e statistiche per navigare in un ambiente commerciale competitivo.

Ma è facile farsi accecare dall’assolutezza dei numeri, soprattutto quando prestano credibilità a ipotesi o punti favorevoli.

Non riconoscere le statistiche e i dati falsi è una minaccia al processo decisionale basato sui dati.

Ti incoraggia a premere i proverbiali pulsanti sbagliati con piena fiducia, ed è lì che si trova il pericolo.

In questo post, imparerai come individuare statistiche e dati fuorvianti. Vedremo i modi comuni in cui fuorviano, e come determinare quando i dati possono sostenere il peso di decisioni critiche.

Che cos’è una statistica fuorviante?

Fonte

Le statistiche fuorvianti si creano quando un errore – deliberato o meno – è presente in uno dei 3 aspetti chiave della ricerca:

1. Collezione: Usare piccole dimensioni del campione che proiettano grandi numeri ma hanno poca significatività statistica.

2. Organizzazione: Omettere i risultati che contraddicono il punto che il ricercatore sta cercando di dimostrare.

3. Presentare: Manipolare i dati visivi/numerici per influenzare la percezione.

Le cattive statistiche si insinuano nelle notizie, nelle campagne pubblicitarie e persino nella letteratura scientifica. Uno scioccante 33,7% degli scienziati – i superlativi dell’essere neutrali ai dati – hanno ammesso l’uso improprio delle statistiche per sostenere la ricerca. Sì, anche alcuni dei custodi di fiducia delle informazioni della società sono colpevoli.

Per aiutarvi a prendere decisioni critiche basate sui dati giusti, abbiamo elencato i modi comuni in cui le statistiche ingannano e disinformano.

Bias selettivi per creare statistiche false

Uno studio di Elizabeth Loftus ha testato l’influenza del linguaggio sulle testimonianze oculari. Ai soggetti è stato mostrato un filmato raffigurante diversi incidenti d’auto. Dopo averlo visto, è stato chiesto loro: “a che velocità andavano le auto quando si sono scontrate?”

Ad altri soggetti è stata poi posta la stessa domanda, anche se con la parola “fracassato” sostituita da verbi suggestivi come:

• Contattato

• Hit

• Bumped

• Collided

I risultati?

Più forte era il verbo “caricato” usato, più alta era la stima della velocità da parte dei testimoni.

Fonte

Inoltre, lo studio ha scoperto che quando si usava un verbo più forte, i soggetti erano più propensi a riportare vetri rotti nell’incidente, anche se il vetro rotto non era mostrato nel video.

L’uso della lingua per influenzare le risposte e i risultati del sondaggio è solo un esempio di bias di selezione. Nel 2007, la Advertising Standards Authority (ASA) ha costretto la Colgate ad abbandonare l’affermazione che “oltre l’80% dei dentisti raccomanda l’uso di Colgate” perché l’affermazione implicava in modo fuorviante “l’80% dei dentisti raccomanda il dentifricio Colgate rispetto a tutte le altre marche”.

La vera domanda del sondaggio era “data la scelta tra spazzolare da soli e usare un dentifricio – come Colgate – quale raccomanderebbero.”

Prelevando le risposte del sondaggio, Colgate ha dato l’impressione che i dentisti raccomandassero loro rispetto alle marche concorrenti; la raccomandazione reale era che usare qualsiasi dentifricio è superiore a spazzolare da soli.

La distorsione selettiva si verifica spesso quando i campioni o i dati scelti sono incompleti o scelti con cura per influenzare la percezione – e persino distorcere – le statistiche e i dati.

Dimensione del campione trascurata con conseguente falsa precisione

(fonte)

90 persone che rispondono “sì” su 100 persone (90%), contro 900 persone che rispondono “sì” su 1000 persone (sempre 90%); le percentuali sono simili, ma la differenza di valore e validità dei dati è statisticamente significativa. Fate sempre attenzione ai risultati estremi e non accettate mai le percentuali al valore nominale. Nelle parole della ricercatrice di biochimica Ana-maria Sundic:

“Per garantire che il campione sia rappresentativo di una popolazione, il campionamento dovrebbe essere casuale, cioè ogni soggetto deve avere la stessa probabilità di essere incluso nello studio. Va notato che la distorsione del campionamento può verificarsi anche se il campione è troppo piccolo per rappresentare la popolazione di destinazione”

Correlazioni e cause errate per creare false statistiche

“Correlazione non significa causalità”.

Senz’altro avrete già sentito questa frase, ma per buone ragioni, è vera.

Quando due variabili sono correlate, di solito si applica quanto segue:

• Y causa X.

• X causa Y.

• Un terzo fattore scatena X + Y.

• La correlazione è dovuta al caso.

Correlazione e causalità giustificano molti sospetti perché i ricercatori – e i consumatori di tali ricerche – cadono preda di:

Feticismo dei numeri

-Caccia alla correlazione

Tyler Vegihn ha compilato alcuni divertenti esempi di statistiche fuorvianti per dimostrare questo esatto punto:

Questo grafico mostra una correlazione convincente tra il numero di persone che sono annegate cadendo in una piscina e il numero di film in cui Nicolas Cage è apparso:

Un altro mostra una correlazione tra il numero di persone che sono morte rimanendo impigliate nelle lenzuola, con il consumo di formaggio:

Questo significa che ridurre il consumo di formaggio e i ruoli di Nicolas Cage salverà delle vite? Probabilmente no.

Dato che i ricercatori sono sotto pressione per scoprire dati utili o dimostrare un’ipotesi, la tentazione di dichiarare prematuramente un momento “aha” o “eureka” è alta.

Questo pone un problema alle sane analisi e alle statistiche; se si inseriscono abbastanza variabili, è quasi garantito trovare una correlazione, con qualsiasi cosa.

Grafici e visualizzazioni ingannevoli

Le visualizzazioni dei dati trasformano i numeri grezzi in rappresentazioni visive di relazioni chiave, tendenze e modelli. Mentre sono in grado di portare i dati alla vita, sono anche un mezzo popolare per statistiche e dati fuorvianti.

Nel suo libro “Graphics, Lies, Misleading Visuals”, il giornalista di dati Alberto Cairo espone esempi di statistiche fuorvianti da annunci di marketing, campagne politiche e copertura di notizie.

Un esempio popolare dalle notizie è il caso Terri Schiavo, un caso legale di diritto alla morte negli Stati Uniti.

Durante il caso, un grafico come quello qui sotto è stato usato dalla CNN per descrivere come i diversi gruppi politici si sono sentiti circa la rimozione del supporto vitale di Terri:

Fonte

Un’occhiata a questo grafico suggerisce che, rispetto ai repubblicani e agli indipendenti, 3 volte più democratici erano d’accordo con la corte

Un’occhiata più attenta, tuttavia, rivela una piccola differenza del 14% nei voti.

Il grafico troncato e l’asse Y manomesso (che inizia a 50 invece di 0) distorcono i dati, e ti portano a credere a un’idea esagerata su un certo gruppo.

Evitare di essere ingannati quando si visualizzano grafici e immagini facendo attenzione a:

• L’omissione dell’asse di base o troncato su un grafico.

• Gli intervalli e le scale. Controllare se ci sono incrementi irregolari e misure strane (uso di numeri invece di percentuali ecc.).

• Il contesto completo e altri grafici comparativi per vedere come vengono misurati e rappresentati dati simili.

Conclusione: Salvaguardarsi da dati e statistiche ingannevoli

Statistiche e dati ingannevoli vantano grandiosi miglioramenti del tasso di conversione con “modifiche alle CTA” e “semplici cambiamenti di colore”.

Creano titoli scioccanti che attirano sciami di traffico ma forniscono, nel migliore dei casi, approfondimenti errati.

Le statistiche e i dati sbagliati sono pericolosi.

Invece di aiutarti a navigare attraverso deviazioni, buche e trabocchetti, ti guidano consapevolmente – o inconsapevolmente – proprio dentro di essi. Ma tu sei abbastanza intelligente da individuarli.

La prossima volta che ti imbatti in dati convincenti, corri con queste semplici ma potenti domande:

Chi sta facendo la ricerca?

La ricerca è costosa e richiede tempo. Controllate chi la sta sponsorizzando, valutate i loro pregiudizi sull’argomento e come potrebbero beneficiare dei risultati. Si tratta di un’azienda B2C con un prodotto? Un servizio di consulenza? Uno studio indipendente finanziato dall’università?

La dimensione del campione e la lunghezza dello studio possono essere prese sul serio?

Ispezionare i numeri di supporto o velati esporrà la debole forza statistica.

Le immagini dei dati sono rappresentate in modo equo?

Le scale e gli intervalli sono equamente distanziati e neutri? Una statistica sta spingendo un’idea o un’agenda specifica? Ci sono troppe metriche nel vostro cruscotto?

La ricerca è rappresentata onestamente e in modo imparziale?

Rivedere il linguaggio usato, il modo in cui la domanda è inquadrata e le persone intervistate.

Per evitare che statistiche e dati fuorvianti inquinino i vostri cruscotti, rapporti e analisi, accogliete le nuove informazioni con un atteggiamento curioso e scettico.

Chi l’autore

Hassan Uddeen è uno scrittore freelance con sede nel Regno Unito per aziende B2B, SaaS e Fintech. Ama tutto ciò che riguarda il content marketing. Quando riesce a staccarsi dalla tastiera, gli piace rimbalzare nella sua palestra di casa (mentre gioca di ruolo come Goku) e scavare in un buon romanzo di James Patterson.