Il numero che sembrava raccontare tutta la storia
Una libreria incassa più del mese scorso, ma riceve meno clienti: una vendita eccezionale ha gonfiato il totale. Un numero corretto può offrire una rappresentazione incompleta.
Prima di interpretare una variazione chiedi periodo, numero di osservazioni, vendite eccezionali e obiettivo della decisione.
Analizza questi dati di vendite [incolla tabella]. Confronta incasso, numero di clienti e valore medio per acquisto. Separa osservazioni, anomalie e spiegazioni da verificare. Non inventare cause.
Schemi, anomalie e informazioni utili
Uno schema descrive ciò che si ripete o cambia. Un’anomalia è un valore distante dagli altri, non necessariamente sbagliato. Un’informazione utile collega i risultati a una decisione concreta.
Chiedere «che cosa dobbiamo decidere?» prima di generare grafici evita analisi eleganti ma inutilizzabili.
Ti fornirò dati su [attività]. Identifica tre schemi, due possibili anomalie e tre domande decisionali. Non trasformare coincidenze in relazioni causali.
Il picco ingannevole: media e mediana
Ordini della settimana: 12, 14, 13, 12, 15, 14, 60. La somma è 140; la media è 20, mentre la mediana è 14. Sei giorni su sette hanno fra 12 e 15 ordini.
Il picco domenicale merita una verifica: evento, promozione, errore di registrazione o domanda reale sono ipotesi, non conclusioni.
Analizza questi ordini: lunedì 12, martedì 14, mercoledì 13, giovedì 12, venerdì 15, sabato 14, domenica 60. Calcola somma, media e mediana con passaggi; segnala anomalie e quattro ipotesi da verificare. Non concludere che domenica sia sempre il giorno migliore.
Passo 1 · Definire la domanda
Una domanda concreta determina metriche e confronti: «perché il servizio rallenta?» è diverso da «quale categoria produce più richieste?».
Definisci obiettivo, unità osservata e decisione prima di aprire un foglio di calcolo.
Aiutami a formulare una domanda analitica verificabile per questa decisione: [descrizione]. Specifica indicatori, periodo, confronto appropriato e dati necessari.
Passo 2 · Controllare l’origine dei dati
Identifica chi ha raccolto le osservazioni, con quali criteri e in quale periodo. Un cambiamento del sistema di registrazione può sembrare un cambiamento del fenomeno.
Distingui dati grezzi, dati stimati e registrazioni inserite manualmente.
Valuta l’affidabilità di questo dataset: [descrizione]. Chiedi provenienza, definizione delle colonne, intervallo temporale, frequenza e modifiche nel metodo di raccolta.
Passo 3 · Pulire senza cancellare la realtà
Duplicati, celle vuote, formati di data, valute e unità diverse possono alterare i risultati. Non eliminare un valore insolito soltanto perché disturba la media.
Conserva sempre i dati originali e registra le trasformazioni proposte.
Proponi un audit di pulizia per [dataset]: duplicati, date incoerenti, unità, categorie e valori mancanti. Non cancellare righe automaticamente; mostra regole e controlli manuali.
Passo 4 · Calcolare misure comprensibili
Totale, percentuali, media, mediana, minimo, massimo e distribuzione raccontano aspetti differenti. Le percentuali richiedono sempre un denominatore esplicito.
Chiedi formule e numero di righe effettivamente utilizzate per ogni risultato.
Calcola [indicatori] sui dati allegati. Mostra formula, numeratore, denominatore, filtri, numero di osservazioni e trattamento dei valori mancanti. Segnala ciò che non puoi verificare.
Passo 5 · Esplorare schemi e stagionalità
Raggruppa per giorno, settimana, categoria o area. Confronta periodi equivalenti e considera festività, numero di giorni e cambiamenti di calendario.
Un aumento osservato una sola volta non dimostra una tendenza stabile.
Cerca schemi nel dataset [incolla]. Confronta periodi omogenei, segnala stagionalità possibile e descrivi la robustezza delle differenze senza dedurre cause.
Passo 6 · Indagare le anomalie
Un picco può indicare una novità reale, un problema tecnico o un errore di misura. L’analisi deve proporre verifiche che distinguano le alternative.
Per ogni valore insolito chiedi: è replicabile? Ci sono eventi esterni? La fonte è affidabile?
Identifica le anomalie in [dati]. Per ognuna indica entità dello scostamento, possibili cause alternative e controlli concreti; non correggere i dati senza autorizzazione.
Passo 7 · Dall’analisi a una scelta prudente
Una conclusione utile distingue tre osservazioni solide, tre ipotesi da controllare e un piccolo esperimento.
La decisione deve essere reversibile quando i dati sono pochi o incerti.
Riassumi questa analisi in tre osservazioni documentate, tre ipotesi da verificare e un esperimento a basso rischio. Indica limiti, metriche e condizioni per rivalutare la scelta.
Laboratorio del libro · Tempi di riparazione
Un laboratorio registra accettazione, chiusura, categoria, costo e stato di ogni intervento. Prima di confrontare le attese bisogna definire se si contano giorni di calendario o giorni lavorativi.
Gli interventi ancora aperti e i duplicati non vanno trattati come lavori conclusi; urgenza e complessità possono influenzare i confronti.
Analizza un CSV di riparazioni con data di accettazione, chiusura, categoria, costo e stato. Controlla completezza, calcola i tempi soltanto per interventi chiusi, confronta media e mediana per categoria, segnala estremi e tre ipotesi da verificare.
Cinque trappole dell’analisi
Correlazione non significa causalità; periodi non omogenei falsano i confronti; percentuali senza base ingannano; dati mancanti possono distorcere; dati riservati richiedono precauzioni.
Riduci o anonimizza dati personali prima di condividerli, rispettando autorizzazioni e regole applicabili.
Esamina queste conclusioni [incolla] cercando correlazioni scambiate per cause, confronti non omogenei, denominatori assenti, dati mancanti e rischi di riservatezza.
Verifica indipendente e risultati responsabili
Anche l’AI può sbagliare una somma. Per decisioni importanti verifica con fogli elettronici, script affidabili o calcoli indipendenti.
Una buona risposta distingue risultati calcolati, interpretazioni e ipotesi. Non dichiarare verifiche mai eseguite.
Prima di presentare i risultati, mostra formule, filtri, unità, osservazioni e valori mancanti. Distingui risultati calcolati sui dati forniti, ipotesi e controlli indipendenti ancora necessari.
14 casi pratici · Dalla vita quotidiana alle analisi avanzate
I primi sette esempi aiutano a leggere dati comuni; gli altri sette affrontano metriche professionali. Ogni prompt è copiabile e contiene una cautela interpretativa.
Capire dove finiscono i soldi
Spese mensili suddivise per data, categoria e importo.
Analizza le mie spese mensili. Controlla duplicati e categorie incoerenti; calcola totale, peso percentuale e variazioni se esistono dati precedenti. Segnala spese insolite senza giudizi.
Che cosa impariamo. La spesa maggiore non è sempre quella più facile da ridurre.
Organizzare le ore di studio
Diario di due settimane con ore e risultati delle esercitazioni.
Confronta ore di studio e risultati per materia; evidenzia carichi eccessivi e materie trascurate. Non assumere che più ore causino voti migliori; proponi un test sul metodo.
Che cosa impariamo. Difficoltà, riposo e qualità dello studio possono influenzare i risultati.
Interpretare i consumi domestici
Letture mensili di elettricità e gas.
Confronta i consumi mese per mese, mantenendo separate unità e tariffe. Calcola variazioni percentuali, picchi e informazioni mancanti su clima e occupazione della casa.
Che cosa impariamo. Consumo e importo della bolletta non sono equivalenti.
Leggere i risultati di un questionario
Ottanta risposte a un questionario di quartiere.
Riassumi frequenze, risposte mancanti e differenze fra gruppi solo con campioni adeguati. Indica il numero di rispondenti per domanda; non generalizzare all’intero quartiere.
Che cosa impariamo. Un campione volontario può non rappresentare la popolazione.
Monitorare le camminate
Diario con durata e distanza delle passeggiate.
Analizza le camminate per trovare andamenti settimanali e regolarità. Limita la risposta alla descrizione dei dati; non formulare diagnosi o obiettivi sanitari personalizzati.
Che cosa impariamo. Una settimana diversa non prova un cambiamento di salute.
Capire i ritardi dei mezzi
Arrivi previsti ed effettivi di un mese.
Calcola ritardi, media e mediana; separa corse cancellate da corse in ritardo e segnala dati mancanti. Proponi quali osservazioni raccogliere ancora.
Che cosa impariamo. Escludere le cancellazioni può migliorare artificialmente le statistiche.
Valutare le vendite di un mercatino
Quantità e ricavi di un mercatino solidale.
Calcola ricavi e quantità per categoria, segnala invenduti e incongruenze. Se mancano i costi non chiamare profitto i ricavi; proponi tre verifiche per la prossima edizione.
Che cosa impariamo. I ricavi non sono automaticamente utili.
Conversione di un negozio online
Visite, ordini e ricavi mensili.
Calcola il tasso di conversione con formula esplicita; confronta periodi omogenei e segnala anomalie. Tratta campagne e stagionalità come fattori da verificare.
Che cosa impariamo. Più visite non significano necessariamente più acquisti.
Assistenza clienti e tempi di risposta
Ticket con apertura, chiusura, categoria e priorità.
Calcola media, mediana e percentili appropriati dei tempi; misura i ticket aperti e identifica attese estreme per categoria.
Che cosa impariamo. La media può nascondere casi con attese molto lunghe.
Newsletter e comportamento dei lettori
Invii, consegne, aperture e clic.
Analizza la newsletter distinguendo invii, consegne, aperture quando affidabili e clic. Confronta contenuti e periodi, segnala i limiti delle aperture e proponi ipotesi editoriali.
Che cosa impariamo. Le protezioni privacy possono alterare le metriche di apertura.
Gestione del magazzino
Movimenti, giacenze e vendite.
Individua domanda irregolare, duplicati e scorte ferme. Non suggerire quantità definitive di riordino senza tempi di consegna e vincoli dei fornitori.
Che cosa impariamo. Una scorta alta può essere necessaria con forniture lente.
Qualità dei dati di un archivio
Due elenchi di contatti con formati diversi.
Proponi un audit per duplicati probabili, date, codifiche e campi mancanti. Non unire automaticamente omonimi; conserva originali e crea verifiche manuali.
Che cosa impariamo. Una pulizia aggressiva può cancellare dati corretti.
Uso di una piattaforma educativa
Accessi aggregati, completamenti e quiz.
Analizza dati aggregati delle lezioni per trovare abbandoni e difficoltà ricorrenti. Separa per livello solo con campioni adeguati; non inferire capacità individuali da pochi clic.
Che cosa impariamo. L’abbandono può dipendere anche da problemi tecnici o tempo disponibile.
Anomalie in un servizio digitale
Richieste al minuto, errori e latenze.
Confronta richieste, errori e latenze con una linea di base storica. Separa picchi di traffico, errori e possibili problemi di raccolta; proponi controlli tecnici.
Che cosa impariamo. Un picco non dimostra automaticamente un attacco.
Analista rigoroso: dati, limiti e decisioni
La richiesta finale del libro mette al centro la qualità del dataset e la separazione tra fatti e ipotesi.
Agisci come un analista di dati rigoroso e comprensibile. Il mio obiettivo è [decisione o domanda]. Ti fornirò [dataset e significato delle colonne]. Controlla struttura, duplicati, valori mancanti, unità e possibili errori. Cerca schemi, cambiamenti e anomalie spiegando i calcoli. Distingui osservazioni, interpretazioni e ipotesi. Non inventare dati né cause. Presenta cinque risultati utili, verifiche necessarie e tre azioni da valutare. Segnala i limiti del campione.
🔎 Prima e dopo · Quattro esempi inediti
Seleziona un caso: il «Dopo» usa numeri e denominatori corretti, senza inventare spiegazioni.
I semi germinano male.
Nel registro delle prove di germinazione, il lotto A ha 18 germinazioni su 20, il B 12 su 20 e il C 17 su 20. Il lotto B ha un tasso osservato inferiore; servono altre prove prima di attribuire una causa.
Analizza i tre lotti A=18/20, B=12/20, C=17/20. Calcola percentuali e differenze assolute, segnala limiti del campione e suggerisci verifiche su condizioni di conservazione e test senza attribuire cause.
📊 Analista Lab · Crea il tuo prompt
Inserisci dati e obiettivo: il laboratorio prepara un prompt da copiare in ChatGPT. Non invia i dati e non richiede API.
🧠 Quiz finale · Capitolo 36
Tre domande. Dopo la correzione comparirà soltanto ✓ o ✗ accanto alla risposta selezionata.
1. Che cosa indica una mediana molto più bassa della media?
2. Un valore anomalo deve essere eliminato subito?
3. Quale conclusione è corretta sui dati di una newsletter?
Rispondi alle tre domande per vedere il punteggio.
I progressi sono salvati su questo dispositivo.