Pubblicato il 14 Ago 2026

Come fare data storytelling per estrarre valore dalle metriche

Web Analytics

Ho perso il conto di quante volte un cliente mi ha inoltrato lo screenshot di un grafico in salita, chiedendomi solo di confermargli che le cose andassero bene. Il grafico saliva, quello non si discute. Quel che il grafico non diceva era se quella salita portasse fatturato, se il traffico fosse qualificato o solo di passaggio, se il trend reggesse alla prima variazione stagionale.

È ormai risaputo che un numero isolato fotografa un istante. L’ho scritto parlando dei KPI della SEO con cui misuro la presenza molto meno della performance, perché sapere che una pagina esiste e viene vista dice poco su quanto quella pagina lavori per te. 

Il data storytelling è l’anello che manca tra i due piani ed è un metodo con una logica precisa, che vale la pena spiegare bene prima di arrivare al punto dove oggi l’intelligenza artificiale gioca molto bene il suo ruolo, e dove invece resta fuori.

Cos’è il data storytelling

Da manuale, il data storytelling viene descritto come una fase quasi decorativa, l’ultimo passaggio dove i numeri vengono vestiti con grafici accattivanti prima di essere mostrati al pubblico o al cliente. Un lavoro di stile che arriva a valle dell’analisi.

Per come lo pratico, il racconto del dato è la lente attraverso cui decido cosa cercare, cosa scartare, cosa mettere al centro di un report o di una dashboard, molto prima di arrivare al grafico finale. Quando guardo il traffico organico di un progetto, parto dalla domanda che il cliente ha in testa anche se non me la formula mai a voce: sto crescendo, oppure sto solo occupando più spazio senza guadagnarci?

Il metodo che uso, ridotto ai suoi passaggi essenziali, segue sempre lo stesso ordine, anche se cambia forma da cliente a cliente.

1. Prima capisco chi leggerà quel report o quella dashboard, non chi ha prodotto i numeri: un imprenditore che decide in dieci minuti tra una call e l’altra ha bisogno di priorità diverse rispetto a un team che dedica un’ora a un’analisi.
2. Poi vado alla fonte primaria dei dati, non a una sintesi già filtrata da qualcun altro, perché ogni passaggio di mano perde contesto, ed è dentro quella esplorazione diretta che scaturiscono gli interrogativi strategici con cui interrogare i dati.
3. Scelgo un solo filo conduttore da seguire, la scelta più strategica di tutto il lavoro, e taglio ciò che, per quanto interessante, distrae da quella direzione.

Il racconto, lo storytelling, inizia così, con il grafico che arriva come illustrazione a valle.

Questa inversione tra analisi e forma separa un lavoro che orienta una decisione da uno che si limita a intrattenere lo sguardo per qualche secondo in più, e permette al cliente di diventare davvero data-driven senza dover reinterpretare ogni numero da solo.

Cosa fanno bene Claude e ChatGPT con i dati grezzi

Quando carico un export di Search Console con migliaia di righe e chiedo di raggruppare le query per intento, di isolare le pagine con impression alte e clic bassi, di incrociare due periodi diversi per vedere dove il calo si concentra, sia Claude che ChatGPT eseguono questo tipo di lavoro con una velocità e una precisione che il tempo di uno o una specialist da solo non può reggere su volumi grandi.

La differenza tra i due si vede più sul metodo che sul risultato. 

ChatGPT tende a restituire la tabella pronta, spesso già con un commento sintetico allegato, utile quando serve una lettura rapida da girare a un cliente. 

Claude si muove meglio quando il compito presuppone di tenere insieme più documenti nello stesso ragionamento, per esempio un export di traffico e uno storico di conversioni letti insieme nello stesso contesto, mantenendo coerenza tra le due fonti senza che io debba ripeterglielo passaggio dopo passaggio.

Su questo piano il lavoro che prima occupava ore di fogli di calcolo si comprime in minuti. Il dato arriva già ordinato, già filtrato, già pronto per essere osservato.

Ma qui, esattamente qui, si vede anche il limite. Il modello ordina quello che gli chiedo di ordinare, contestualizza dentro i confini della domanda che gli pongo. Non decide da solo che quella tabella, per quel cliente specifico, in quel momento del progetto, vale meno di un altro dato che nessuno ha ancora pensato di chiedere.

Dove si ferma il modello e inizia il giudizio umano

Il motivo per cui nessun modello linguistico riesce oggi a fare data storytelling da solo non ha a che fare con la potenza di calcolo, ma con quante competenze diverse servono, contemporaneamente, per stabilire cosa vale un numero per una persona specifica, in un momento specifico.

Una parte di queste competenze è tecnica e si può imparare: leggere un dataset, riconoscere una correlazione spuria, capire quando un campione è troppo piccolo per dire qualcosa di affidabile.

Un’altra parte appartiene invece alla persona che lavora con quei dati, non al metodo che applica, e si forma nel tempo, senza un programma preciso da seguire.

• Viene dall’aver seguito clienti diversi abbastanza a lungo da riconoscere, in un calo di traffico, uno schema già incontrato altrove sotto una forma diversa.
• Viene da letture che apparentemente non c’entrano con il lavoro quotidiano, che poi tornano in mente davanti a un grafico che a prima vista sembra dire qualcosa di diverso rispetto alla fase che il progetto sta vivendo.
• Capita persino osservando come una persona si muove in un negozio, o come parla di un prodotto, senza sapere di essere osservata da chi sta cercando di capire cosa spinge una decisione d’acquisto.

Quando racconto bene un calo di traffico organico, dentro quella spiegazione ci sono mesi di conversazioni con quel cliente specifico, il ricordo di come ha reagito l’ultima volta che gli ho mostrato un grafico simile, la consapevolezza che il suo settore ha una stagionalità che nessuna dashboard è in grado di segnalare autonomamente. Sono informazioni che vivono fuori dal dataset, nella relazione e nell’esperienza accumulata altrove, la stessa da cui parte la scelta di cosa mostrare e cosa lasciare fuori, quando uso gli strumenti digitali come ambienti in cui ragionare.

Claude e ChatGPT possono suggerire una soglia di allarme su una metrica, non sanno, però, che un calo del 15% non si legge allo stesso modo per un piccolo laboratorio artigianale e per un e-commerce strutturato, perché non hanno passato le settimane precedenti insieme a quel cliente, non hanno osservato niente fuori dal testo che gli viene dato in analisi.

Quello di cui sto parlando non è un limite che si risolve con la prossima versione del modello. È strutturale. 

La trasversalità si costruisce vivendo, sbagliando, leggendo cose che non c’entrano apparentemente niente con i dati, e quella somma resta oggi un patrimonio umano.

La dashboard spiega, non solo mostra

Mentre stavo strutturando la scaletta di questo articolo, e mi trovavo a definire il titolo di questa sezione, mi è tornata in mente una regola incontrata avvicinandomi alla scrittura di un libro, un percorso che sto ancora portando avanti e che è lontano dai report e dai blog, ma che mi ha insegnato qualcosa che uso ancora oggi. Nella narrativa la chiamano show, don’t tell, mostra non raccontare. Chi legge non deve scoprire che un personaggio è nervoso perché la voce narrante glielo spiega. Deve vederlo emergere attraverso un gesto, uno sguardo o un dettaglio capace di costruire un’immagine nitida.

Con le dashboard funziona al contrario, ma ci sono arrivato solo dopo aver costruito decine e decine di dashboard che sembravano complete e non spiegavano niente, dopo aver corretto la stessa impostazione su clienti diversi finché lo schema non mi è diventato chiaro.

Una dashboard piena di numeri che mostra e basta, senza una gerarchia, senza un punto di vista, lascia chi legge nella stessa posizione di chi guarda una scena senza sapere cosa sta per succedere. I dati ci sono, ma senza una gerarchia esplicita chi legge non sa quale conta di più in quel momento specifico. Ci devi innestare un tell, un ordine che indica al cliente dove guardare per primo e perché quel numero, in quella settimana, è più importante di altri.

Dietro quest’ordine ci sono due lavori diversi che si intrecciano.

Il primo è tecnico: collego le fonti in modo che parlino la stessa lingua, strutturo le query per evitare doppioni, imposto soglie che segnalano un’anomalia prima che diventi un problema serio. È un lavoro che si nota soprattutto quando manca, quando un cliente scopre a distanza di mesi che due strumenti gli restituivano numeri diversi sulla stessa metrica perché non erano state armonizzate le fonti a monte.

Il secondo è editoriale: decido cosa mettere davanti agli occhi di chi consulterà quella dashboard con cadenza regolare, magari senza il tempo o la competenza per interpretarla da solo. Un imprenditore che vende arredamento su misura non ha bisogno delle stesse metriche in prima pagina di chi gestisce un e-commerce con diecimila SKU. Scelgo cosa mettere in evidenza, cosa lasciare in una sezione secondaria, quale soglia colorare di rosso, pensando a quella persona specifica.

Il vantaggio che non si automatizza

Alcuni clienti presi dall’ansia del voler automatizzare tutto, mi chiedono se un giorno un modello riuscirà a fare da solo quello che oggi faccio io con i loro dati. Di solito si aspettano un no secco o un sì rassicurante. Onestamente non ho nessuna delle due risposte pronte. 

Quello che so è che il valore, oggi, sta ancora nella somma di cose che nessun file di dati contiene.

Claude e ChatGPT continueranno a migliorare nel tabulare, ordinare e contestualizzare dati grezzi, ma trasformare un numero da semplice dato a decisione resta, per ora, un lavoro umano, tanto quanto lo è costruire nel tempo una vera cultura del dato dentro un’azienda.

C’è un indicatore chiaro su cui riflettere, a prescindere dalle dashboard che hai già attive. Basta contare quante volte, nell’ultimo mese, hai chiesto a qualcuno cosa fare con un dato che avevi già davanti. Se la risposta è più di una, non mancano i dati, ma manca un ordine capace di parlare chiaro al primo sguardo. Scrivimi dalla pagina contatti e vediamo insieme da dove ripartire, che tu debba costruire quell’ordine da zero o correggere quello che hai già.

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.