Lezione 8: Dai dati alle decisioni

Introduzione e obiettivi

Eccoci all'ultima lezione del Modulo 2. Nelle quattro lezioni precedenti hai fatto un percorso preciso: nella Lezione 5 hai imparato a leggere i numeri con la statistica descrittiva, nella Lezione 6 a lavorarli con pivot e funzioni, nella Lezione 7 a mostrarli con grafici e dashboard. Adesso arriva la parte che dà senso a tutto il resto: trasformare quei numeri in decisioni. Perché un dato che non cambia nemmeno una scelta in cantiere o in ufficio è, in fondo, un dato sprecato.

Te lo dico subito, da docente che lavora con i dati ogni giorno: la differenza tra un tecnico mediocre e uno bravo non è quante formule conosce. È che il secondo, davanti a una dashboard, sa rispondere alla domanda «e quindi cosa facciamo?». Sa scegliere, e sa motivare la scelta con le evidenze. In questa lezione costruiamo proprio questa capacità.

Lavoreremo su quattro blocchi, sempre calati sul nostro caso filo conduttore (l'edificio/cantiere che ti accompagna dalla Lezione 1):

• Il ciclo data-driven: il metodo che lega domanda, dato, analisi, decisione e misura dell'effetto in un anello che si chiude.
• What-if, scenari, soglie e alert: usare i dati non solo per guardare il passato ma per simulare il futuro e per farsi avvisare quando qualcosa va storto.
• Bias e trappole: i modi in cui i dati ci ingannano (o ci facciamo ingannare) e come difenderci.
• Analisi predittiva e AI per l'edilizia: un assaggio di dove stiamo andando — manutenzione predittiva, previsione consumi, controllo qualità — che fa da ponte con l'UFC 11.

Il ciclo data-driven

Essere data-driven (guidati dai dati) non significa avere tanti dati o belle dashboard. Significa avere un metodo che parte da una domanda concreta, arriva a una decisione e — questo è il punto che quasi tutti dimenticano — verifica se la decisione ha funzionato. È un anello, non una freccia dritta.

┌──────────────┐
│  1. DOMANDA  │  Cosa devo decidere? Qual è il problema?
└──────┬───────┘
       ▼
┌──────────────┐
│   2. DATO    │  Quali dati mi servono davvero? Dove sono?
└──────┬───────┘
       ▼
┌──────────────┐
│  3. ANALISI  │  Statistica, pivot, grafici, scenari
└──────┬───────┘
       ▼
┌──────────────┐
│ 4. DECISIONE │  Cosa scelgo, e perché lo motivo coi dati
└──────┬───────┘
       ▼
┌──────────────┐
│  5. MISURA   │  Ha funzionato? Quanto? → torna alla DOMANDA
└──────┬───────┘
       │
       └──────────►  (l'anello si chiude e ricomincia)

1. La domanda viene prima del dato

L'errore numero uno che vedo fare è partire dai dati: «abbiamo questo foglione di letture dei sensori, vediamo cosa ne esce». Sbagliato. Si parte sempre dalla domanda decisionale, formulata in modo che la risposta possa cambiare un'azione. Confronta:

• ✗ «Quanto consuma l'edificio?» — domanda vaga, non porta a nessuna decisione.
• ✓ «Il consumo termico del Blocco A nei mesi invernali giustifica l'investimento di 18.000 € per coibentare la copertura?» — domanda decisionale: la risposta dice se firmo o no l'ordine.

Una buona domanda contiene già: un oggetto (Blocco A), una metrica (consumo termico invernale), una decisione in gioco (coibentare sì/no) e spesso una soglia economica (18.000 €). Se manca uno di questi pezzi, prima di toccare Excel si torna a parlare col responsabile di commessa.

2. Il dato: quale serve davvero

Solo ora si guardano i dati, e ne servono pochi ma giusti. Per la domanda sopra mi bastano: le letture mensili del contatore termico del Blocco A, i gradi-giorno della zona (open data meteo), la superficie disperdente della copertura (dal modello BIM), il costo dell'energia al kWh. Quattro fonti. Non mi serve l'intero storico dei sensori di presenza: sarebbe rumore.

3. L'analisi: dare un numero alla domanda

Qui usi tutto il Modulo 2. Un esempio numerico concreto sul Blocco A:

Payback = 18.000 / 1.860 ≈ 9,7 anni. Adesso il numero esiste e si può discutere.

4. La decisione: il dato non decide da solo

Attenzione a un punto che ripeto sempre: il dato informa, non decide. 9,7 anni di payback sono tanti o pochi? Dipende dal contesto, e qui entrano fattori che non sono nel foglio: la vita utile residua dell'edificio, eventuali incentivi/detrazioni, il comfort degli occupanti, gli obiettivi di sostenibilità e di riduzione CO₂ dell'impresa. La decisione è di chi ha responsabilità, ma il tecnico data-driven la rende trasparente: mette sul tavolo il numero e le ipotesi, così la scelta è argomentata e non «a sensazione».

5. La misura dell'effetto: l'anello che quasi nessuno chiude

Supponiamo di coibentare. Il ciclo non finisce qui: l'anno dopo si rileggono i contatori. Il risparmio reale era 1.860 €? È stato 2.100 € (meglio del previsto) o 900 € (la stima -25% era ottimistica)? Misurare l'effetto serve a due cose: capire se la decisione era buona e, soprattutto, tarare meglio le decisioni future. Senza la fase 5, ogni decisione resta una scommessa di cui non sai mai l'esito. Con la fase 5, l'organizzazione impara.

Analisi what-if, scenari, soglie e alert

Finora abbiamo guardato il passato (cos'è successo) e il presente (com'è ora). L'analisi what-if guarda al futuro ipotetico: «cosa succederebbe se…?». È lo strumento che trasforma un foglio di calcolo da archivio a simulatore di decisioni.

Analisi what-if: muovere una leva e vedere l'effetto

Il principio è semplice: costruisci un piccolo modello con input (le leve che puoi muovere) e output (i risultati che ti interessano), poi cambi gli input e osservi gli output. Riprendiamo il payback del Blocco A. Le leve sono: la percentuale di risparmio stimata e il prezzo dell'energia. Vediamo cosa succede al payback al variare del prezzo del kWh:

Questa è una tabella what-if a una variabile. Ti dice una cosa importante: la convenienza dell'investimento dipende fortemente dal prezzo dell'energia. Con energia cara (cosa successa nel 2022) l'intervento si ripaga in meno di 5 anni; con energia a buon mercato resta oltre i 10. La decisione, quindi, non è solo «sì/no» ma «sì se ci aspettiamo prezzi alti, da rivalutare se restano bassi».

In Excel/Sheets questo si fa con strumenti dedicati — in Excel: Dati → Analisi di simulazione → Tabella dati, oppure Ricerca obiettivo per la domanda inversa («che risparmio mi serve per avere payback di 5 anni?»). Anche solo costruendo il foglio con i parametri in celle separate e una formula che li collega, cambiare una cella e guardare il risultato è già un'analisi what-if.

Scenari: pacchetti di ipotesi coerenti

Lo scenario è un passo oltre il what-if: invece di muovere una leva alla volta, fissi un insieme coerente di ipotesi e lo confronti con altri. È la classica logica pessimistico / atteso / ottimistico. Esempio sui tempi di un cantiere:

Presentare tre scenari invece di un singolo numero è molto più onesto e utile: comunica l'incertezza. Un direttore lavori che sa che il pessimistico costa 34.000 € può decidere di accantonare un fondo rischi, cosa che non farebbe vedendo solo il «5 novembre» dello scenario atteso.

Soglie e alert: far parlare i dati da soli

Una dashboard che devi guardare ogni giorno è una dashboard che prima o poi smetti di guardare. La soluzione è definire soglie sui KPI e farti avvisare solo quando vengono superate. È il principio del «gestione per eccezioni»: il sistema lavora in silenzio e ti chiama solo quando serve la tua attenzione.

Una soglia ben fatta ha tre livelli, come un semaforo:

In un foglio di calcolo le soglie si realizzano con la formattazione condizionale (la cella diventa rossa da sola) e con una formula SE che genera l'etichetta. Esempio per lo scostamento SAL:

=SE(ABS(scostamento) > 0,07; "🔴 AZIONE";
   SE(ABS(scostamento) > 0,03; "🟡 ATTENZIONE";
   "🟢 OK"))

Sui sensori IoT dell'edificio (i dati di cui hai parlato nella Lezione 2) l'alert diventa automatico e in tempo reale: la piattaforma di monitoraggio invia un'email o una notifica quando l'umidità del massetto supera il 2,5% o quando un sensore strutturale rileva una deformazione oltre soglia. Il tecnico non sta a fissare grafici: interviene solo quando il sistema lo chiama.

Bias e trappole dell'interpretazione

I dati sono onesti; le interpretazioni no. Anzi: i dati non «dicono» nulla da soli, siamo noi a farli parlare, e nel farlo ci portiamo dietro le nostre aspettative e i nostri errori sistematici. Conoscere le trappole più comuni è la migliore difesa — sia quando analizzi tu, sia quando qualcuno cerca di convincerti con un grafico.

1. Correlazione ≠ causazione

È la regina di tutte le trappole. Due cose che si muovono insieme non sono necessariamente legate da causa-effetto. Esempio edilizio: noti che nei mesi in cui il cantiere ha consumato più gasolio, sono anche aumentati gli infortuni. La tentazione è dire «il gasolio causa infortuni». Assurdo. La verità è che entrambi salgono d'inverno: più ore di riscaldamento/mezzi accesi e più rischio per ghiaccio, buio, freddo. C'è una causa comune nascosta (la stagione), non un legame diretto. Prima di scrivere «X causa Y» chiediti sempre: esiste una terza variabile che spiega entrambi? il legame ha senso fisico/logico? cosa succederebbe se X cambiasse davvero?

2. Cherry picking (selezione dei dati comodi)

È scegliere solo i dati che confermano la tesi che vuoi sostenere, ignorando il resto. Un fornitore ti mostra che il suo isolante ha dato risparmi del 30% «in tre cantieri». Ottimo, ma in quanti cantieri totali è stato usato? Se sono 3 su 3, è interessante; se sono 3 su 40 (e degli altri 37 non si parla), è cherry picking. La difesa è chiedere sempre: questi sono tutti i dati, o solo quelli che fanno comodo? Vale anche quando sei tu a presentare: mostrare solo il mese buono del proprio cantiere e nascondere quello pessimo è cherry picking, e prima o poi qualcuno se ne accorge.

3. Dati mancanti

Quello che non c'è nel dataset spesso conta più di quello che c'è. Esempi tipici in cantiere:

• Il registro presenze ha «buchi» nei giorni di pioggia perché non si lavorava: se calcoli la produttività media ignorando quei buchi, la sovrastimi.
• Un sensore di temperatura è andato offline per due settimane: quei giorni risultano «a zero» o assenti. Se non te ne accorgi, la media stagionale è falsata.
• I near miss non gravi spesso non vengono segnalati: il dato «zero near miss» può significare cantiere sicuro oppure cantiere che non segnala. Sono cose opposte.

La regola: prima di analizzare, conta i buchi. In Excel un rapido CONTA.VUOTE sulla colonna ti dice quanti valori mancano; un valore zero e un valore mancante non sono la stessa cosa e vanno trattati diversamente.

4. Bias del sopravvissuto (survivorship bias)

È il bias più subdolo: analizzi solo ciò che «è sopravvissuto» e arrivi a conclusioni rovesciate. L'esempio storico classico sono gli aerei della Seconda Guerra Mondiale: studiando i fori dei proiettili sugli aerei rientrati, l'istinto era rinforzare dove c'erano più fori; lo statistico Abraham Wald capì l'opposto — bisognava rinforzare dove gli aerei rientrati non avevano fori, perché gli aerei colpiti lì non erano tornati a raccontarlo.

In edilizia: se valuti l'affidabilità di un componente analizzando solo gli edifici ancora in piedi da 50 anni, ignori tutti quelli che hanno avuto problemi e sono stati demoliti o ristrutturati. Concluderai che «quel dettaglio costruttivo dura per sempre», quando in realtà stai guardando solo i sopravvissuti. Oppure: chiedi soddisfazione ai clienti che hanno completato un intervento, ma non a quelli che hanno abbandonato l'impresa a metà — e ottieni un quadro falsamente roseo.

Anche i grafici mentono

Hai visto nella Lezione 7 i grafici ingannevoli. Qui ne sottolineo l'aspetto decisionale: un asse Y che non parte da zero può far sembrare drammatico un aumento di costi del 2%; una torta con troppe fette rende impossibile capire quale voce pesa davvero; due scale diverse sullo stesso grafico possono far «coincidere» due curve che non hanno nulla a che fare l'una con l'altra (vedi il punto correlazione). Quando una decisione importante poggia su un grafico, guarda sempre gli assi e i numeri sotto, non l'impressione visiva.

Cenni di analisi predittiva e AI per l'edilizia

Tutto quello che hai fatto finora è analisi descrittiva (cos'è successo) e diagnostica (perché). Il passo successivo è l'analisi predittiva (cosa succederà) e prescrittiva (cosa conviene fare). Qui entra in scena l'AI applicata all'edilizia — ed è il ponte verso l'UFC 11. In questa lezione non costruiamo modelli: ti do la mappa concettuale, così sai cos'è realistico aspettarsi e con quali dati si nutre.

1. Manutenzione predittiva

È forse l'applicazione più matura. Invece di manutenere «a calendario» (ogni 6 mesi, anche se non serve) o «a guasto» (quando si è già rotto, col danno fatto), si usa l'andamento dei dati dei sensori per prevedere il guasto prima che accada. In uno Smart Building: i sensori di vibrazione e temperatura su una pompa di calore mostrano un trend di vibrazione in lento aumento; il modello segnala che, mantenendo quel trend, il cuscinetto cederà tra circa tre settimane. Si interviene in finestra programmata, senza fermo impianto improvviso e costoso. Il dato che alimenta tutto questo sono le serie temporali dei sensori IoT della Lezione 2 — ecco perché raccoglierle e tenerle pulite conta.

2. Previsione dei consumi energetici

Con lo storico dei consumi, i gradi-giorno meteo, l'occupazione dell'edificio e i dati BIM sull'involucro, un modello previsionale stima i consumi futuri. A cosa serve concretamente? A dimensionare un contratto di fornitura, a capire se un intervento di efficientamento sta davvero producendo gli effetti previsti (collega la fase 5 del ciclo data-driven), a far scattare un alert quando il consumo reale devia troppo dal previsto — segnale di un guasto o di uno spreco (una finestra rimasta aperta, una caldaia mal regolata). Anche un semplice modello di regressione lineare in un foglio di calcolo è già «analisi predittiva» nella sua forma più elementare.

3. Controllo qualità con la computer vision

L'AI applicata alle immagini sta entrando in cantiere. Foto e video da droni o smartphone, confrontati con il modello BIM, permettono di: verificare l'avanzamento reale rispetto al pianificato (cattura della realtà vs as-planned), rilevare automaticamente difetti come crepe, distacchi, ferri esposti, individuare il mancato uso dei DPI (operai senza casco) per la sicurezza. Il modello impara da migliaia di immagini etichettate cosa è «conforme» e cosa no. Anche qui: l'AI segnala, il tecnico decide. Una crepa rilevata dall'algoritmo va sempre validata da un occhio esperto.

Laboratorio: caso decisionale e data story

È il momento di mettere insieme tutto il Modulo 2 in un'unica consegna. Lavorerete sulla dashboard del vostro caso costruita nella Lezione 7, e la userete per prendere e motivare una decisione reale. Il prodotto finale è una data story di una pagina: il documento più importante che imparerete a scrivere in questo modulo, perché è quello che mettereste davvero sul tavolo di un committente o di un direttore lavori.

Fase 1 — Scegliere la domanda decisionale (20 min)

Ogni gruppo formula una sola domanda decisionale sul proprio caso. Deve essere una di quelle «buone» viste nella sezione del ciclo: oggetto + metrica + decisione + (se c'è) soglia economica. Esempi pronti, scegliete o ispiratevi:

• «Conviene anticipare la posta del massetto del piano 2 ai dati di umidità attuali, o aspettare?»
• «La fase di finiture sta sforando il budget: dove tagliamo senza compromettere la consegna?»
• «I consumi del Blocco B sono anomali: vale la pena un audit energetico da 3.000 €?»
• «Lo scostamento SAL impone di aggiungere una squadra: il costo extra è giustificato dalla penale evitata?»

Fase 2 — Raccogliere le evidenze e costruire uno scenario (60 min)

Dalla dashboard, isolate i 2–3 grafici/KPI che rispondono alla domanda (e solo quelli: ricordate il post-it). Poi aggiungete almeno uno scenario what-if: muovete una leva (prezzo, percentuale, tempi) e mostrate come cambia l'esito. Costruite una tabellina come quelle della sezione 3. Verificate i bias: state guardando tutti i dati? c'è una causa comune nascosta? mancano valori?

Struttura della tabella what-if da consegnare:

LEVA (input) │ Valore basso │ Valore atteso │ Valore alto
─────────────┼──────────────┼───────────────┼────────────
ESITO (KPI)  │     ...      │      ...       │     ...

+ una riga di commento: "La decisione cambia se la leva supera ___"

Fase 3 — Scrivere la data story (60 min)

Una pagina, tre blocchi. Tenetela essenziale: chi legge ha 3 minuti.

Esempio di raccomandazione ben scritta, calata sul Blocco A:

RACCOMANDAZIONE
Coibentare la copertura del Blocco A entro l'autunno.

Perché: il consumo termico invernale (62.000 kWh) è del 28% sopra
edifici comparabili; la coibentazione riduce la dispersione di ~25%,
con risparmio stimato di 1.860 €/anno ai prezzi attuali.

Rischio: il payback è sensibile al prezzo dell'energia. A 0,12 €/kWh
è ~9,7 anni; sotto 0,10 €/kWh l'investimento è meno conveniente.

Come misureremo: confronto dei consumi termici del primo inverno
post-intervento con la previsione (target -25% ± 5%).

Mini-test di autoverifica

Sezione A: domande a risposta multipla

1. Nel ciclo data-driven, qual è il primo passo?
   a) Raccogliere tutti i dati disponibili   b) Formulare la domanda decisionale   c) Costruire la dashboard   d) Scegliere il grafico
2. Qual è la fase del ciclo data-driven che viene più spesso dimenticata?
   a) L'analisi   b) La decisione   c) La misura dell'effetto   d) La raccolta del dato
3. Un'analisi what-if serve a:
   a) Pulire i dati sporchi   b) Simulare come cambia un risultato al variare di un input   c) Proteggere i dati   d) Eliminare i bias
4. Una soglia di alert troppo stretta produce soprattutto:
   a) Allarmi tardivi   b) Troppi falsi allarmi che vengono ignorati   c) Dati mancanti   d) Maggiore sicurezza
5. Più gasolio consumato e più infortuni nello stesso periodo: l'interpretazione corretta è che probabilmente:
   a) Il gasolio causa gli infortuni   b) Gli infortuni causano consumo di gasolio   c) Una causa comune (la stagione invernale) influenza entrambi   d) È un errore di misura
6. Mostrare solo i 3 cantieri in cui un prodotto è andato bene, nascondendo gli altri 37, è un esempio di:
   a) Analisi predittiva   b) Cherry picking   c) Manutenzione predittiva   d) Analisi prescrittiva
7. Valutare la durabilità di un dettaglio costruttivo guardando solo gli edifici ancora in piedi da 50 anni è un caso di:
   a) Bias del sopravvissuto   b) Correlazione spuria   c) Dato mancante   d) Cherry picking
8. La manutenzione predittiva si basa principalmente su:
   a) Manutenere a calendario fisso   b) Intervenire solo dopo il guasto   c) Prevedere il guasto dai trend dei dati dei sensori   d) Non manutenere affatto

Sezione B: domande a risposta aperta

9. (2 punti) Spiega con parole tue perché la fase di «misura dell'effetto» rende il ciclo data-driven un anello e non una freccia. Fai un esempio di cantiere/edificio.
10. (2 punti) Scegli un KPI di cantiere a tua scelta, definisci una soglia a tre livelli (verde/giallo/rosso) e spiega come tareresti quei livelli usando i dati storici.

Riepilogo della lezione e del Modulo 2

Ottimo lavoro: hai chiuso il cuore analitico del corso. In questa lezione hai imparato a trasformare i numeri in scelte argomentate.

Facciamo anche un passo indietro su tutto il Modulo 2, perché questa lezione lo chiude. È stato un percorso che ti ha portato dal «leggere» al «decidere»:

• Lezione 5: leggere i numeri con la statistica descrittiva (media, mediana, dispersione, KPI SMART)
• Lezione 6: lavorare i dati con pivot e funzioni per rispondere a domande concrete
• Lezione 7: mostrare i dati con grafici onesti e una dashboard a colpo d'occhio
• Lezione 8: decidere con i dati, evitando le trappole, e raccontarlo in una data story

Hai ora una catena completa: i dati ripuliti del Modulo 1 diventano informazioni, le informazioni diventano decisioni. Manca l'ultimo anello fondamentale — tenere tutto questo al sicuro.