Data Analysis

• Devi eseguire il debug di un KPI, investigare un picco o un calo di una metrica, o spiegare perché un numero è cambiato.
• Stai eseguendo un test A/B, un'analisi per coorte o una revisione del funnel e hai bisogno di un'interpretazione statisticamente solida — non solo di un numero grezzo.
• Stai preparando un report per i dirigenti o un briefing per gli stakeholder e hai bisogno che i risultati siano inquadrati come una decisione, non come un dump di dati.
• Stai lavorando con SQL, notebook Python, fogli di calcolo o esportazioni da strumenti di BI e la parte difficile è il giudizio analitico: cosa misurare, come confrontarlo e cosa significa realmente.

• Hai bisogno solo di formattazione meccanica di fogli di calcolo o di assistenza con la sintassi SQL grezza senza alcun livello analitico — le skill companion sql o csv potrebbero essere sufficienti.
• Hai bisogno di costruire o configurare una dashboard live o una pipeline di reportistica; considera invece le skill dashboard o business-intelligence.
• La qualità dei dati è troppo scarsa o la dimensione del campione è troppo ridotta per supportare qualsiasi inferenza affidabile — questa skill lo segnalerà e bloccherà conclusioni non supportate anziché produrre false certezze.

Prima di toccare qualsiasi dato, la skill ancora ogni analisi a una decisione concreta: chi ne è responsabile, cosa cambierebbe se il risultato fosse X anziché Y, e qual è l'arco temporale rilevante. Un'analisi priva di una decisione chiara viene considerata incompleta.

Ogni calcolo è vincolato a un contratto esplicito sulle metriche: entità, granularità, numeratore, denominatore, finestra temporale, fuso orario, filtri, esclusioni e fonte di riferimento. Le ambiguità vengono evidenziate prima della presentazione dei risultati, prevenendo la deriva silenziosa delle definizioni.

La skill valida la sufficienza della dimensione del campione, l'equità dei gruppi di confronto, il rischio di confronti multipli, la significatività pratica rispetto a quella statistica e la quantificazione dell'incertezza. I risultati vengono presentati come intervalli (ad es. "incremento del 12–18%") anziché come false stime puntuali.

La skill associa le domande analitiche al metodo più appropriato: test di ipotesi per i confronti, regressione per la previsione, analisi per coorte per la retention, segmentazione per le differenze tra gruppi e rilevamento delle anomalie per i pattern insoliti — ciascuno con i principali output corretti.

Ogni risultato è strutturato come: risposta, evidenze, livello di confidenza, avvertenze e azione successiva raccomandata. Gli output destinati agli stakeholder traducono i risultati tecnici in implicazioni di business, anziché presentare in primo piano la metodologia.

La skill segnala attivamente le insidie dell'analisi, come i nomi dei KPI riutilizzati dopo modifiche alla definizione, il mescolamento di granularità di aggregazione in un unico grafico, la visualizzazione di percentuali senza i conteggi sottostanti e la ricerca narrativa post-hoc — prima che possano compromettere una decisione.

Dopo aver eseguito un esperimento su un prodotto, utilizza questa skill per validare la dimensione del campione, verificare la presenza di effetti novità, calcolare l'effect size con gli intervalli di confidenza e produrre un briefing per gli stakeholder che indichi se il risultato è pronto per una decisione o richiede ulteriori test.

Quando una metrica chiave si muove in modo inaspettato, la skill percorre la verifica del contratto della metrica, la scomposizione per segmento, la coerenza della granularità temporale e i controlli dei fattori confondenti per identificare se il movimento è un segnale reale o un artefatto di problemi legati alla definizione o alla qualità dei dati.

Converti i risultati grezzi di query o gli output di notebook in brief decisionali strutturati — iniziando con l'insight principale, quantificando l'incertezza, indicando cosa i dati non sono in grado di dirti e raccomandando la prossima azione — adatti alla leadership o a stakeholder interfunzionali.

Analizza il comportamento di diverse coorti di utenti nel tempo, produce curve di retention suddivise per periodo di acquisizione o segmento, e interpreta se le differenze osservate sono statisticamente significative o rientrano nel margine di rumore.