Pubblicato il 28 Mag 2026 - Aggiornato il 1 Giu 2026

Data driven decision making: come trasformare i dati in decisioni migliori

Web Analytics

C’è un equivoco di fondo che circola nelle aziende da quando “data driven” è diventata una formula da inserire nei pitch e nelle presentazioni. L’equivoco è questo: raccogliere dati e usarli per decidere sono due attività completamente diverse e confonderle è il modo più rapido per costruire dashboard bellissime che non servono a nessuno.

Il data-driven decision making, nella sua accezione concreta, non consiste nell’accumulare numeri ma nel trasformare le informazioni disponibili in decisioni migliori. I dati diventano utili solo quando aiutano a capire cosa sta succedendo, cosa potrebbe accadere e quale azione conviene intraprendere.

Per questo motivo il valore non sta nei dati in sé, ma nel processo con cui vengono interpretati e utilizzati per ridurre l’incertezza.

Prima di vedere come funziona questo processo, c’è un aspetto importante da chiarire: non esiste un singolo modo di leggere i dati. Esistono livelli diversi di analisi, ognuno con uno scopo preciso e con un impatto diverso sulle decisioni.

Vediamo come si collegano tra loro.

Come funziona davvero il processo decisionale data-driven

Quando si parla di processo decisionale data-driven si immagina spesso qualcosa di lineare: raccogli i dati, apri una dashboard, trovi la risposta e prendi una decisione.

Nella realtà non funziona così.

I dati non prendono decisioni al posto tuo. Ti aiutano a ridurre l’incertezza, a formulare ipotesi migliori e a capire quali domande vale la pena approfondire.

Ogni decisione guidata dai dati nasce da un ciclo continuo:

• osservi ciò che sta accadendo;
• interpreti i segnali più rilevanti;
• scegli un’azione;
• misuri il risultato;
• utilizzi i nuovi dati per correggere la rotta.

Il punto critico è che molte aziende si fermano al primo passaggio. Raccolgono numeri, costruiscono report, monitorano KPI, ma non trasformano queste informazioni in una scelta concreta.

Per questo il valore non sta nella quantità di dati disponibili, ma nella capacità di leggerli con il giusto livello di profondità.

Nel concreto, questo percorso si sviluppa attraverso tre livelli di analisi: descrittiva, predittiva e prescrittiva. Ognuno risponde a una domanda diversa e contribuisce in modo specifico al processo decisionale.

Analisi descrittiva

L’analisi descrittiva lavora sui dati storici come il traffico, le conversioni, il comportamento degli utenti, le performance delle campagne ads, e interroga quei numeri per capire cosa è già successo. 

I numeri visti da soli rimangono numeri, acquistano significato solo quando gli chiedi qualcosa di preciso, e quello che ottieni dipende interamente da cosa stai cercando. Una Dashboard permette di tenere tutti i dati provenienti da più fonti in un unico posto leggibile, ma, sia chiaro, lo strumento non sostituisce la domanda.

Ho un cliente nell’e-commerce, settore moda, che è venuto da me con un problema: il sito girava, il traffico cresceva, ma le vendite non si muovevano. 

Aveva appena chiuso un trimestre con un +30% di traffico organico, un dato che guardato così sembrava ottimo, e lui era contento di quel numero. Il problema era che non vendeva, e quella contraddizione era il punto da cui partire. 

La prima cosa che ho fatto è stata aprire lo storico del tasso di conversione, esplodere quel dato nel tempo per vedere come si era mosso e in corrispondenza di cosa aveva iniziato a calare. Nello stesso periodo in cui il traffico cresceva del 30%, il tasso di conversione era sceso dal 3,2% all’1,8%. 

Cosa stava accadendo? Che il sito stava intercettando utenti attratti da keyword ad alto volume ma con zero intenzione d’acquisto, quindi le persone che arrivavano, curiosavano e poi uscivano, per cui il numero bello aveva oscurato il numero che contava, e senza quella lettura storica non avremmo mai capito dove stava il vero problema.

Analisi predittiva

L’analisi predittiva usa i pattern storici per anticipare quello che accadrà. Con l’analisi predittiva si possono identificare tendenze di ricerca, segnali comportamentali, domande emergenti che indicano dove si sta spostando la domanda prima che i numeri lo confermino ufficialmente. 

I tool di keyword research lavorano su volumi già consolidati perché classificano le query che le persone hanno cercato abbastanza a lungo da rendere il dato misurabile, e questo li rende precisi sul passato ma un po’ più lenti sul presente.

Con la SEO predittiva il lavoro va oltre quello che possono mostrarmi i report, mi sposto sulle ricerche correlate che crescono di mese in mese, sulle domande che le persone iniziano a fare prima che qualcuno abbia già una risposta posizionata. Questo spazio, quando lo trovi, vale più di qualsiasi keyword ad alto volume perché non ha ancora concorrenza e l’autorità che costruisci lì si sedimenta nel tempo.

Tornando al cliente nel settore moda, capito il problema attraverso l’analisi descrittiva, ho iniziato a guardare i dati di comportamento degli utenti sul sito per capire chi stava mostrando segnali di acquisto. 

Ho incrociato le sessioni più lunghe con le pagine visitate e con le query di ingresso, cercando pattern ricorrenti, ed è emerso che chi visitava più di tre pagine di prodotto nella stessa sessione convertiva a un tasso sei volte superiore alla media, e quelle sessioni arrivavano quasi tutte da ricerche molto specifiche, da query di nicchia che i tool non segnalano perché il volume è basso, ma che portavano persone con un’intenzione d’acquisto precisa. 

Scoperto l’intoppo, che era lì da mesi, abbiamo iniziato a lavorare su quelle query, a capire dove si aggregava quella domanda specifica e a costruire contenuti calibrati su quell’intenzione.

Analisi prescrittiva

L’analisi prescrittiva è il livello in cui iniziano a indicare cosa fare, quale azione conviene intraprendere adesso, tenendo insieme budget disponibile, stagionalità, storico delle campagne, comportamento dei competitor e margini per canale. 

Il web analyst che lavora a questo livello costruisce una gerarchia di priorità operative che si può mettere in campo.

Con il cliente nel settore moda, dopo aver identificato i segmenti ad alta intenzione d’acquisto attraverso l’analisi predittiva, l’analisi prescrittiva ha indicato dove spostare le risorse e in quale sequenza. 

Le campagne Ads che alimentavano il traffico non qualificato sono state ridimensionate progressivamente, liberando budget da reinvestire sui segmenti che convertivano. 

Sul lato organico abbiamo costruito un piano editoriale verticale sulle query di nicchia emerse dall’analisi, con contenuti per intercettare utenti già orientati all’acquisto. 

Nel giro di due trimestri il traffico totale era sceso, ma il fatturato era cresciuto.

L’analisi prescrittiva non aveva prodotto niente di nuovo dal nulla, aveva preso quello che i dati mostravano già da mesi, lo aveva messo in un ordine logico e aveva indicato da dove partire e cosa lasciare da parte.

I tre livelli in una strategia integrata

Descrittiva, predittiva, prescrittiva nella pratica non sono fasi separate che si attivano in sequenza ordinata. 

Si alimentano in continuazione: 

• i dati storici addestrano i modelli predittivi
• le previsioni orientano le scelte prescrittive
• le azioni generate producono nuovi dati che aggiornano tutto il ciclo.

Chi li usa in modo frammentato ottiene ottimizzazioni locali che non si parlano mai tra loro.

Una strategia seo matura funziona con questa stessa logica. Parte dall’analisi di quello che ha già performato, identifica le opportunità di crescita nei trend emergenti, costruisce una roadmap di contenuti e ottimizzazioni tecniche calibrata sul budget disponibile. Tante piccole mosse sconnesse tra loro non costruiscono autorità, anzi la disperdono.

Il limite che incontro più di frequente nei progetti non è la mancanza di dati, ce ne sono fin troppi, il problema è che vivono in silos: CRM da una parte, Analytics dall’altra, campagne Ads in un’altra ancora. 

Avere i dati e non riuscire a leggerli è una condizione più diffusa di quanto si pensi e non dipende dalla quantità di informazioni disponibili, piuttosto dal fatto che vivono in posti diversi, parlano lingue diverse e nessuno ha mai avuto il compito di farle dialogare.

Leggi anche: Data culture: quando i dati diventano il DNA dell’azienda

Quello che nessuno dice sul data driven decision making

Chi lavora con i dati da abbastanza tempo conosce bene i punti in cui il data driven decision making si inceppa e sono sempre gli stessi.

Il dato giusto non è quasi mai quello disponibile

Lavoro con i dati da quasi vent’anni e la cosa che ho imparato con più fatica è che le aziende tendono a misurare ciò che è facile misurare, non ciò che è utile misurare. Per esempio, il traffico organico è facile da monitorare, il valore effettivo di un contenuto nel processo decisionale del cliente, molto meno, così come le sessioni sul sito sono un numero pulito, mentre la qualità dell’intenzione di chi ci arriva, molto più sfuggente.

Questo fa sì che la maggior parte delle dashboard aziendali sia piena di metriche accessibili che raccontano una storia parziale e spesso quella storia è confortante abbastanza da non spingere nessuno a cercare il dato vero. Ho visto aziende ottimizzare per mesi KPI che non avevano alcun rapporto causale con il fatturato, semplicemente perché erano i KPI disponibili. 

Il primo sano dubbio che dovrebbe venire davanti a qualsiasi set di dati non è “cosa ci dicono questi numeri?” ma “stiamo misurando la cosa giusta?“

I dati, a volte, mentono

Sì i dati mentono, e per un problema di contesto, non per un problema tecnico. Un dato estratto dal periodo sbagliato o confrontato con il benchmark sbagliato o letto senza conoscere le variabili esterne che lo hanno prodotto, è un dato che sembra vero, ma non lo è.

Ho vissuto una situazione emblematica con un cliente nell’e-commerce. Le campagne mostravano un ROAS eccellente per diversi trimestri consecutivi. I dati dicevano che tutto funzionava, poi abbiamo allargato la finestra temporale e guardato il tasso di riacquisto ed era crollato. Stavamo acquisendo clienti con sconti aggressivi che compravano una volta sola e non tornavano mai più. Il dato di breve periodo quindi era ottimo ma la strategia stava erodendo il brand nel lungo periodo, e nessuno se ne era accorto perché nessuno stava guardando quella metrica.

Per onestà intellettuale devo dire che i dati non mentono di proposito, mentono quando gli fai la domanda sbagliata, o quando guardi solo la finestra temporale che ti fa comodo. La capacità di scegliere come interrogare e analizzare i dati è una competenza che non si insegna nei corsi di analytics, lo impari solo facendo e nel tempo.

L’intuizione è un dato non strutturato

La tendenza diffusa a contrapporre dati e intuizione come se fossero due approcci incompatibili è sbagliata. Da una parte la razionalità quantitativa, dall’altra il sesto senso del professionista esperto. Per la mia esperienza è una distinzione che non regge alla prova della realtà.

L’intuizione di chi lavora in un settore da anni è pattern recognition sedimentata, migliaia di osservazioni, errori corretti, decisioni che si verificano sono un archivio mentale che il cervello consulta in modo non lineare. Perciò il problema non è l’intuizione in sé, ma il fatto che non si scala e non si corregge facilmente quando il mercato cambia le regole.

Per raggiungere un punto di equilibrio non bisogna scegliere tra dati e intuizione, ma usare i dati per verificare l’intuizione e usare l’intuizione per interrogare nel modo giusto ai dati. Un professionista esperto che guarda una dashboard e sente che qualcosa non torna, anche prima di trovare il numero che lo conferma, sta usando entrambe le cose in parallelo.
Questa, che possiamo definire una soft skill, è il segnale più prezioso che hai, purché tu sappia poi dove andare a cercare la conferma.

Il nodo che tutto questo rivela

Tenere insieme questi tre elementi, scegliere i dati giusti, leggerli nel contesto corretto, integrarli con l’esperienza sul campo, è un lavoro che può fare una persona in grado di sapere quando fidarsi di un dato e quando metterlo in discussione, che ha abbastanza esperienza per riconoscere quando un grafico seppur in salita sta nascondendo un problema.

Cosa cambia quando le decisioni diventano data-driven

I dati che hai già in mano probabilmente valgono più di quello che pensi, il problema è quasi sempre come li leggi, con quale intenzione li apri e cosa fai con quello che trovi e non quanti ne hai.

Ho visto aziende con dashboard elaborate prendere decisioni sbagliate per mesi, e aziende con pochissimi dati fare mosse precise perché sapevano esattamente cosa stavano cercando. La differenza non la fa la tecnologica, è una questione di metodo e di esperienza.

Se hai la sensazione che i tuoi numeri girino a vuoto senza mai diventare una direzione chiara, parliamoci.

Mirko Ciesco

Data-Driven Growth Specialist

Aiuto aziende e startup a prendere decisioni migliori per crescere in modo misurabile. Sono specializzato in Web Analytics e performance digitale e lavoro all’intersezione tra dati, strategia e crescita.