Il processo di Data Science: 5 consigli per un data storytelling efficace

Data Intelligence

Il processo di Data Science: 5 consigli per un data storytelling efficace

Jaime Pérez Cuadrado | ago 05, 2019

Eccoci arrivati all’ultima parte della nostra serie sul processo di Data Science. Finalmente hai i risultati delle tue indagini, hai lavorato con un sacco di dati, li hai caricati, elaborati, trasformati e analizzati, hai sviluppato modelli utilizzando un insieme di variabili per ottenere la soluzione del problema che stavi cercando di risolvere. È ora di presentare la soluzione scelta, di spiegare il ragionamento seguito per raggiungere l’obiettivo e di illustrare quali vantaggi possono trarne gli utenti, soprattutto di livello aziendale.

Si tratta di uno dei momenti più difficili in assoluto, in cui bisogna impostare la comunicazione con il «tono giusto»: è importante essere chiari e concisi, altrimenti tutti gli sforzi compiuti nelle fasi precedenti del processo andranno sprecati. Di seguito cercherò di darti qualche consiglio per presentare il tuo lavoro al meglio.

#1. Fai riferimento all'obiettivo originale 

Quando ci si trova sommersi da incarichi operativi di ogni genere, con poco tempo a disposizione, è piuttosto frequente raggiungere un livello di astrazione tale che, nell’illustrare la soluzione utilizzata, non si riesce più a ricollegarla al problema originale.

Il mio primo consiglio è di fare qualche passo indietro e riordinare le idee, partendo dal problema originale per poi scendere nei dettagli che ti hanno fatto seguire un percorso piuttosto che un altro e selezionare una soluzione o l’altra. Hai presente le mappe mentali? Potrebbero esserti utili per raccogliere le idee e abbozzarne di nuove, lasciandole fluire liberamente per poi decidere cosa trattenere per la tua analisi.

#2. I dati possono salvarti la vita o essere la tua rovina

Ormai dovrebbe essere chiaro che il fondamento su cui si basa la tua soluzione sono i DATI, che ricoprono il ruolo principale nella tua presentazione e devono quindi essere inattaccabili. Valutane la correttezza, ma anche la tua capacità di illustrarli chiaramente: dati contraddittori, fonti inaffidabili e trasformazioni poco chiare non faranno che minare la credibilità complessiva della tua analisi.

Hai a disposizione dei dati perfetti? Non basta. Se spiegarli è troppo complesso e difficile da capire per il tuo pubblico (anche se sono giusti così), valuta opzioni alternative per esprimere quello che vuoi dire. In una presentazione è bene essere coincisi. 

#3.  Non usare un gergo troppo tecnico

Questo è un tranello in cui cadono in molti: il tuo team di scienziati dei dati è imbattibile dal punto di vista tecnico, durante le pause caffè comunica solo in Python, ma fatica a trovare punti in comune con gli utenti business. Abbiamo già discusso altrove di come un Notebook, se utilizzato correttamente, può aiutare a colmare il divario tra scienziati e utenti finali, ma in questo caso potrebbe non essere sufficiente: qui stai preparando la presentazione finale, l’incontro con gli stakeholder, per cui è il momento di dare del tuo meglio.

I migliori candidati per tenere la presentazione sono coloro che dispongono di un background funzionale, poiché non corrono il rischio di diventare troppo tecnici (non ne sono in grado), ma di solito conoscono (o imparano rapidamente) il lessico aziendale del pubblico a cui si rivolgono.

Usa un linguaggio di alto livello, ma relativo all’attività, evitando di parlare di campi di tabelle che nessuno ha mai visto o di librerie Python che il pubblico non conosce. Parla di entità e iniziative imprenditoriali, fai riferimento a concetti di business, cerca di tradurre i dati in terminologia aziendale. 

Ometti i dettagli superflui: i tecnicismi sono sempre lì, a portata di mano, e puoi sfoggiarli per soddisfare il tuo ego... ma solo se e quando qualcuno li richiede esplicitamente.

#4. Un’immagine vale più di...

Pensa alla tua infanzia: i primi libri che hai letto contenevano quasi solo immagini, poi sei passato ai fumetti e solo dopo diversi anni hai affrontato i libri di puro testo. Questo perché gli esseri umani elaborano le immagini meglio delle parole.

Cerca di sfruttare questo concetto il più possibile: in un processo interamente basato sui dati non dovrebbe essere troppo difficile e, considerato che ad oggi esistono innumerevoli «strumenti visivi» da usare per supportare la propria analisi, trovare quello giusto (per te e per il tuo pubblico) spesso non è che questione di pratica. La maggior parte degli strumenti utilizzati dal tuo team nel processo di Data Science (es. Python, R-Studio, MatLab, Octave...) dispone di funzionalità per la presentazione, che in genere però si limitano ai compiti per cui sono stati progettati, quindi principalmente manipolazione, esplorazione e attività di ricerca.

Il responsabile della presentazione (che probabilmente non è proprio un guru della tecnologia) può ottenere molto di più utilizzando una delle tante soluzioni di visualizzazione dei dati disponibili, più o meno tutte dotate di funzionalità integrate per supportare lo storytelling. Strumenti come Tableau, Qlik, Power BI, SAS Visual Analytics e Oracle Data Visualization aiutano l’utente a illustrare la situazione come meglio crede, selezionando report, dashboard o quadri di visualizzazione a impatto elevato e aggiungendovi annotazioni, spiegazioni, contributi multimediali e tutto il necessario per rendere la presentazione memorabile (ovviamente in tutti è disponibile l’esportazione dei contenuti negli strumenti Office, primo fra tutti PowerPoint).

Inoltre, la maggior parte di questi strumenti può essere ampliata importando o collegando funzionalità esterne per soddisfare esigenze specifiche; solo per citarne alcuni, D3.js, Dygraphs e JIT possono essere utilizzati per migliorare gli effetti grafici, mentre CartoDB, Mapbox e Google Maps tornano utili quando si desidera inserire i dati all’interno di mappe.

Per quanto tutto questo sembri molto esaltante, almeno a prima vista, il rischio è quello di esagerare, quando invece è importante imparare a usare questi strumenti senza abusarne. Fai un bel respiro e ripeti dopo di me: «In comunicazione, meno è meglio». Mostrare un solo grafico alla volta è un buon punto di partenza, poiché non confonde il pubblico e supporta chi presenta nell’illustrare chiaramente ciò che viene mostrato e il suo significato nel più ampio contesto del problema affrontato.

#5. Una buona storia deve avere un inizio e una fine

Tu e il tuo team avete trascorso dai quattro ai sei mesi a implementare questo brillante progetto di Machine Learning, seguendo le fasi ben definite di una metodologia agile e affrontando un’ondata dopo l’altra... essenzialmente quella che avete da raccontare è la storia di un percorso.

La presentazione dovrebbe consistere in una descrizione coincisa, semplice e chiara delle tappe compiute per arrivare alla soluzione.

In sostanza, devi spiegare:

  •       Le ragioni del viaggio, cioè i problemi aziendali che hanno portato al progetto. 
  •       Il punto di partenza, cioè lo scenario iniziale e come veniva gestito il tutto prima del progetto.
  •       Il percorso, con panoramica delle fasi principali e spiegazione delle decisioni prese a ogni bivio.
  •       La meraviglia della conclusione, con tutti i vantaggi offerti agli utenti business.

Bene, ora che siamo arrivati alla fine, lascia che ti dia un ultimo consiglio, forse il più importante: qualunque siano la storia o il pubblico da affrontare, esistono strumenti e tecniche che possono davvero aiutarti a svolgere questo compito, ma ricorda che in una presentazione è lo storyteller a fare davvero la differenza

 

Interessato a scoprirne di più?

Sei pronto ad iniziare a sviluppare una strategia più scientifica e guidata dai dati per il tuo business? Scopri i nostri servizi e le nostre soluzioni.

Scopri di più 

Iscriviti!