La definizione che ci da Wikipedia di Data Analytics è: “il processo di raccolta e analisi di grandi volumi di dati (big data) per estrarre informazioni nascoste.”
La quantità di dati che produciamo ogni giorno è davvero sbalorditiva.
Ci sono 2,5 quintilioni di byte di dati creati ogni giorno al nostro ritmo attuale.
Solo negli ultimi due anni è stato generato il 90% dei dati del mondo.
Se la stima è corretta vuol dire che abbiamo a disposizione in bytes 40 volte il numero di stelle osservabili nell’universo.
Nel 2025 si potrebbero stimare 463 exabytes di informazioni quotidiane.
L’equivalente di 212765957 Dvd al giorno!
Bene, un sacco di numeri e informazioni esagerate per dire che: i dati sono, oggi più che mai, importanti.
Il problema è che si potrebbe andare incontro al cosiddetto “dataismo”, cioè essere ossessionati dai dati ed esserne guidati in ogni cosa. Non solo: è dietro l’angolo l’azionamento del “bias di conferma” che porta a cercare solo i dati che confermano le nostre tesi a priori
Se ci pensi, anche il tuo cervello – come quello di tutti- sarà spesso tentato di azionare il bias di conferma, vedendo solo i dati che vuoi vedere e trovando conferma alle tue tesi (e pensa a quante conferme puoi trovare in 2,5 quintilioni di byte!).
Ti servono i giusti consigli per diventare un Full Stack Marketer?
Come approcciare quindi la data analytics in modo corretto?
Te lo spiego in questo articolo!
Se sei qui per la prima volta, questo è il 1° sito in Italia sul Full Stack Marketing. Condividiamo idee, esperienze e fonti per costruire le tue competenze comb-shaped e prosperare nel disordine del mondo attuale.

Cosa è la Data Analytics ?
Zero supercazzole, andiamo al sodo.
La Data Analytics è la materia che permette di raccogliere e studiare i dati, per aiutarci nelle decisioni future.
Possiamo farlo aggregando dati del passato per costruire un trend – una serie storica di dati che aggregati in una linea temporale ci danno idea di come cambiano – o paragonando l’incremento o decremento di un dato tra due periodi.
Spesso si dice che i dati rappresentino il nuovo petrolio, ma è vero?
E se è vero, perché lo è?
Consideriamo gli effetti di primo e secondo ordine di questa riflessione.
L’effetto di primo ordine è presto detto: i dati sono davvero il nuovo petrolio.
Perché?
Il mondo di oggi, come abbiamo visto qualche riga più in su, il mondo intero si regge sui dati. Si basa su tutte quelle tracce che lasciamo in giro nel web. Se aggreghiamo questi micro dati, riusciremo a disegnare e descrivere il comportamento umano.
Attenzione!
Non stiamo parlando di analizzare il comportamento umano in un contesto statico – come quello degli esperimenti che alcuni pseudo psicologi creano – ma dinamico per osservarne i reali comportamenti.
Siamo molto più vicini alle neuroscienze che alla psicologia.
Se riusciamo ad analizzare e descrivere il comportamento umano, possiamo prevedere anche cosa potrà piacere ad un certo numero di persone e offrirglielo.
Su questo concetto si base l’advertising online, dove disponiamo di criteri (interessi, demografia, luogo di residenza, etc.) per selezionare un bacino di persone a cui proporre il nostro prodotto.
Entriamo qui negli effetti di second’ordine, ossia: perchè è vero che i dati sono il nuovo petrolio?
Perché possiamo vendere alle persone in modo mirato, se conosciamo le loro preferenze.
E possiamo vendere di più, perchè a quelle persone interessa davvero il tuo nostro prodotto.
Praticamente è l’opposto del classico sistema “Televendita”. E sì, ho appena pensato alla televendita dei coltelli miracle blade che affettano lattine… alcune anche piene!
Sigh… anzianità.
Tornando a noi. In un mondo in cui c’è abbondanza di dati che ci permettono di vendere di più, abbiamo bisogno di persone (o algoritmi) che sappiano leggerli e prendere decisioni con il loro supporto.
Ecco perché la competenza di Data Analytics è fondamentale!
Chi è il “data analyst”?
E’ il tipo che analizza i dati, li porta al suo capo e gli dice su cosa puntare per diventare miliardario, no?
Beh, forse, se il capo avesse un minimo di competenze di analisi dati, riuscirebbe a capire cosa gli sta dicendo davvero il tizio-dei-dati-che-parla-una-lingua-aliena.
ll buon Avinash Kaushik cita spesso il termine HiPPOs, ossia l’opinione di coloro che vengono pagati di più (Highest Paid Person’s Opinion) ma che, altrettanto spesso, non hanno competenze profonde sui dati e decidono sul “secondo me”.
In questo contesto sviluppare competenze di Data Analytics, fa tutta la differenza del mondo!
E chi se non il data analyst può farlo?
Perciò, per data analyst intendiamo tutte quelle figure (o competenze) che trovano le giuste strade per tracciare, analizzare e decidere sulla base dei dati.
Alcuni dubbi comuni sulla figura del data analyst.
Primo su tutti: data analyst e data scientist sono due figure differenti.
Il data scientist si occupa di creare modelli problemi complessi attraverso una conoscenza approfondita delle tecniche matematico-statistiche ed è in grado di programmare in uno o più linguaggi. E’ un “programmatore dei dati” che mette a disposizione del data analyst tutti i dati di cui ha bisogno, in modo leggibile.
Il data analyst parte quindi dal lavoro svolto dal data scientist per fare le sue analisi e prendere decisioni.
Qui il secondo dubbio (o interpretazione): le decisioni dobbiamo prenderle facendoci guidare dai dati (decisioni data-driven)?
Facciamo un passo indietro, tornando qualche riga più in su.
Abbiamo detto che spesso l’uomo piega i dati al suo volere, azionando il bias di conferma.
Se prendessimo le decisioni basandoci su dati affetti dalla fallacia della conferma – e quindi non veritieri – potremmo mai prendere decisioni efficaci?
Dal mio punto di vista: sì, ma solo per il nostro ego.
Per essere scrupoloso la risposta reale è assolutamente no!
Come decidere, quindi?
Prendere decisioni in modo informato, grazie ai dati (decisioni data-informed).
E’ una sottile distinzione, vero?
Ma ti assicuro che fa tutta differenza del mondo!
Ecco un’euristica per te:
Prendere decisioni basate sui dati, informandosi grazie ad essi e utilizzare la nostra materia grigia per integrare le sfumature che software e algoritmi non riescono (ancora del tutto) ad interpretare, come i dati qualitativi o di contesto.
Analizziamo in quali ambiti è utile la Data Analytics (e può lavorare un data analyst).

In quali ambiti è utile la Data Analytics ?
Potrei fare numerose distinzioni sugli ambiti di applicazione della Data Analytics, quindi non ne farò nessuno.
Puoi analizzare dati ovunque essi siano, serve solo possedere il mindset corretto.
Questo non significa che puoi analizzare dati alla stessa velocità di un software, al contrario, puoi interpretare dati che si trovano su software, pezzi di carta, o che derivano da sondaggi qualitativi (fatti a persone).
L’unica distinzione, per semplificare la spiegazione, che farò è tra analisi di dati web e di business.
Nel primo caso, siamo di fronte alla cosiddetta “web analytics”, mentre nel secondo caso parliamo di “business analytics”.
Se parliamo di web analytics, parliamo di dati nell’ecosistema internet.
Parlando di dati sul web, dobbiamo contestualizzare i dati che stiamo analizzando.
Il web ci mette a disposizione un’enormità di dati sia intermedi che finali rispetto l’obiettivo che ci siamo prefissati.
Nel caso di un ecommerce di prodotti digitali, se abbiamo come obiettivo la vendita, possiamo conoscere i click sui nostri prodotti, la durata media di visualizzazione della pagina prodotto, quante persone hanno aggiunto al carrello quel prodotto, quante hanno aggiunto i dati di pagamento e quanti hanno, alla fine, acquistato.
Allo stesso modo conosciamo i dati opposti rispetto a quelli descritti, quindi numeri e percentuali di “perdita” tra un passaggio e l’altro.
In un contesto simile, conoscere tutti i dati è fondamentale per informarci sulle decisioni da prendere. Possiamo comprendere quali sono i colli di bottiglia – gli ostacoli – che non permettono di raggiungere l’obiettivo finale.
Le mie descrizioni di prodotto sono poco esaustive? Il pulsante di “aggiunta al carrello” non funziona correttamente? O ancora, la mole di dati che chiediamo in fase di pagamento?
Rappresentano tutti aspetti che possiamo conoscere, analizzare e scegliere di cambiare.
In gergo si parla di “ottimizzazione” e la materia che se ne occupa è la conversion rate optimization (CRO).
Possiamo dire che in un ambito come il web la Data Analytics non sia utile?
Sfido chiunque a sostenerlo e sarei curioso di capire il perchè.
Qualche riga fa parlavamo di business analytics.
Non è una vera e propria distinzione con la web analytics, anche perché i dati provenienti dal web sono contenuti all’interno dei dati di business.
Pensiamo quindi alla business analytics come al contenitore dei dati di business.
Più precisamente – e meno euristicamente – la business analytics combina tutti i dati aziendali provenienti da canali digitali con modelli e software utili ad aggregarli e interpretarli.
Il processo mediante cui vengono reperiti e aggregati questi dati si chiama “business intelligence” (BI).
In pratica, sai di aver acquisito la business intelligence quando hai una vista completa dei dati della tua organizzazione e li usi per stimolare il cambiamento, eliminare le inefficienze e attuare un rapido adattamento ai cambiamenti di mercato.
Ci rendiamo conto facilmente come saper raccogliere, analizzare e decidere in modo informato dai dati è un elemento di differenziazione incredibile.
Fammi indovinare, ti stai chiedendo.. “tutto bello e interessante, ma come faccio ad acquisire questa competenza?”
Se non te lo stai chiedendo, salta pure alle conclusioni!

Cosa studiare per diventare un ninja della Data Analytics ?
L’ambito formazione è sempre delicato, perché determina la nostra visione del mondo tramite la competenza che acquisiamo.
E’ come cambiare un paio di occhiali e utilizzare un paio di lenti verdi. Saremo sicuri di vedere il mondo tinto di verde, quindi dobbiamo scegliere con cura che lenti indossare.
Allo stesso modo scegliere formatori e materiale formativo ci può consentire di acquisire rapidamente le competenze altrui, ma anche di fare nostri i suoi bias.
Se lo stai pensando, parlo di formatori riferendomi a corsi online di aziende private, enti pubblici, libri, corsi in aula, laboratori pratici e qualsiasi altro canale ci consenta di imparare.
Se vui approfondire in generale argomenti che facilitano la tua comprensione del mondo, leggi questo articolo sui migliori 10 libri (migliorerai anche nell’analisi dati).
Dopo questa introduzione-supercazzolata mi sento di consigliarti alcuni canali per imparare la Data Analytics.
In modo controintuitivo ti consiglio semplicemente di FARE.
Sì, prima ancora di studiare, FAI.
Hai a disposizione 2,5 quintilioni di byte sotto forma di dati da analizzare, non dirmi che non sai da dove iniziare altrimenti mi arrabbio!
Cosa intendo con “fare” e perché iniziare da qui prima ancora che dallo studio teorico: con “fare” intendo prendere dati, sotto qualsiasi forma e iniziare a “dargli voce”.
Quei dati devono parlare, devi sforzarti di trovare pattern comuni all’interno dei dati che stai analizzando, e trarre delle conclusioni.
Ti faccio un esempio: se dovessi analizzare i dati di un sito web, il mio obiettivo potrebbe essere migliorare le vendite. Andrò quindi ad analizzare tutti i dati utili a prendere azioni per migliorare le vendite.
Sta proprio qui l’aspetto importante: quando analizzo dei dati devo avere in mente l’obiettivo che voglio raggiungere, per capire PRIMA quali azioni dovrò intraprendere.
Scusami ci sono caduto di nuovo, e sto continuando la supercazzola-introduttiva…
Ti prometto che adesso ti consiglio cosa studiare Data Analytics!
Partiamo!
Ti consiglio di studiare (scegli tu cosa approfondire di più e cosa meno, in base a quello che ti serve):
– Statistica: è essenziale per conoscere gli aspetti base dell’analisi dati, come poter descrivere fenomeni e comportamenti.
– Web Analytics: il 90% dei dati lo abbiamo creato negli ultimi anni e quasi tutti sul web. Diventa essenziale quindi comprendere le dinamiche dei dati sul web e come poterli analizzare.
– Business Intelligence: studiare come poter aggregare i dati dell’intero business.
– Data visualization: forse non l’ho citato in altri posti in questo articolo, ma saper trasformare i dati in “immagini leggibili” – come i grafici – è fondamentale. Spesso, a parità di dati analizzati, la forma e il modo in cui scegliamo di visualizzarli, determina il successo o l’insuccesso delle decisioni che prenderemo.
– Principi di data science: è vero, abbiamo detto che c’è distinzione tra data analytics e data science. Studiarne però anche solo l’1% ci permette di comprendere i modelli alla base dei dati che analizziamo.
Non dimentichiamo che siamo in un blog che parla di Full Stack Marketing. Vediamo quindi come integrare quanto detto in questo approccio!
Come si integra nell’approccio Full Stack Marketing?
L’approccio Full Stack Marketing necessità di diverse competenze verticali e orizzontali.
Se potessi scegliere una sola competenza da cui iniziare, beh, sarebbe l’analisi dati.
Ti consente di avere una competenza verticale e spendibile orizzontalmente.
Che frasona eh?
Più semplicemente, puoi utilizzare le tue competenze in Data Analytics su diversi ambiti: dall’advertising alla business intelligence, passando per il lancio di nuovi prodotti, fino ad arrivare alla più noiosa parte amministrativa.
Questo ti consentirà di migliorare a cascata tutte le altre competenze, diventare un full stack marketer migliore e accrescere le tue opportunità di lavorare nel marketing.
Conclusioni
Abbiamo iniziato parlando di Data Analytics, descrivendo cosa è, come e dove applicarla e come si integra al meglio nell’approccio olistico del Full Stack Marketing.
Se dovessi portarti via un solo concetto, sarebbe questo:
Conoscere la Data Analytics è come imparare una nuova lingua: quando andrai nel paese in cui si parla, riuscirai a destreggiarti ed essere autonomo.
Allo stesso modo, la lingua del business sono i numeri e conoscerli ti garantirà prosperità.
Ti è stato utile questo contenuto? Condividilo con una persona a cui tieni: