Letteralmente il Data Storytelling è l’arte del raccontare una storia attraverso i dati. Si tratta dell’evoluzione della Data Visualization, l’ultimo step di quel lungo processo analitico che ha lo scopo di trasformare i dati provenienti dalle diverse origini di interesse aziendale in informazioni integrate e coerenti, ed infine selezionare le informazioni interessanti, inattese ed utili e portarle agli utenti finali (utenti di business, marketing, e in generale manager e responsabili dei vari settori e dipartimenti) in modo conciso, chiaro ed intuitivo. Tutto ciò è funzionale all’impostazione di strategie Data Driven, volte a rendere (o mantenere) le aziende competitive anche su mercati sempre più dinamici e densi di concorrenti rilanciando con un’offerta efficace, utile ed innovativa.
Data Storytelling: definizione, punti di forza e debolezze
La definizione di Data Storytelling è ormai chiara, almeno in teoria. In realtà, nonostante sia un concetto noto e diffuso, spesso si continua a fare confusione su “come fare” Data Storytelling e su quali e quanti vantaggi può portare una “storia” ben raccontata.
Questo perché circolano a riguardo tante informazioni sbagliate o incomplete che minano il concetto stesso di Data Storytelling: in questa condizione resta così un concetto vago e fumoso, anche se, probabilmente, si tratta di una delle attività più concrete per il business.
Provando a declinare quindi la definizione in termini pratici, possiamo affermare che il Data Storytelling consiste nel leggere tra migliaia di dati, osservare le relazioni che li legano, cercare i pattern significativi che li accomunano ed infine sfruttare le tecniche di Data Visualization per “raccontarli” all’utente finale attraverso, appunto, una storia pensata per evidenziare e dare enfasi alle informazioni che per lui sono significative nel contesto specifico, quelle che potranno guidare verso decisioni, scelte e azioni consapevoli in ottica Data Driven.
La forza di un buon Data Storytelling sta, infatti, nella creazione di valore aggiunto, cosa che si ottiene al termine del processo analitico, nel momento in cui l’utente finale, guardandone il risultato, acquisisce in brevissimo tempo le conoscenze necessarie per capire cosa sta succedendo in modo trasparente, calando le informazioni nel contesto aziendale, senza che si sollevino dubbi o fraintendimenti sul significato dei dati che legge e senza “perdere tempo” dovendosi impegnare per interpretarli.
D’altra parte, e per gli stessi motivi, tutte le operazioni di trasformazione ed analisi dei dati che portano ad ottenere la “storia” da raccontare sono potenzialmente a rischio, a causa di non così rari problemi di comprensione dei dati, di interpretazione delle informazioni nel contesto aziendale, di incapacità di trovare la rappresentazione adatta, che sia al contempo parlante, completa e chiara. Per questo motivo è importante dedicare al Data Storytelling tempo e risorse adeguati in termini sia di competenze professionali, sia di tecnologie e strumenti di Data Visualization, per non rischiare di ottenere uno storytelling non del tutto veritiero o incompleto.
Come fare data storytelling: 6 comandamenti
Possiamo riassumere in poche linee guida i passi e i concetti che si celano dietro ad uno Data Storytelling corretto ed utile: ecco una lista di 6 “comandamenti”, 6 punti di attenzione da tenere presenti per sviluppare una storia di successo.
1) Partire con le giuste domande
Per organizzare una storia di successo davvero utile per l’utente finale è importante iniziare definendo in modo puntuale le domande a cui si sta cercando risposta. Non si tratta di tracciare i confini definitivi di quello che sarà l’output finale, è ancora presto per questo, ma è cruciale se non altro organizzare la struttura della storia che stiamo andando a creare. Può essere utile rispondere alla domanda: “cosa imparerà il pubblico dalla mia storia?”
2) Concludere con gli insights adatti al contesto
Questo concetto è strettamente legato al precedente: se alla fine del processo non si otterranno gli strumenti necessari per conoscere i dati ed imparare qualcosa di utile, allora tutte le precedenti attività saranno vane, non varrà la pena investire risorse per raccontare questa storia.
3) Individuare una storia avvincente e una rappresentazione adatta
Per gli utenti di business è sicuramente più semplice ricordare una storia piuttosto che dati e numeri. Per questo è importante una buona selezione iniziale ed anche trovare il fil rouge che collega i dati e che crea la storia. Per lo stesso motivo è fondamentale anche trovare la rappresentazione grafica più adatta: in genere gli utenti ricordano meglio gli elementi visivi rispetto alle tabelle dense di numeri, d’altra parte non tutte le immagini sono da sole del tutto parlanti, è quindi buona norma trovare il giusto compromesso e sfruttare l’intuitività e la potenza espressiva delle immagini eventualmente affiancate da testi e numeri che le dettagliano e, se serve, le contestualizzano.
4) Chiarezza e brevità
Tutto ciò che non fa parte della storia, che non aggiunge dettagli utili, che non aiuta a contestualizzare deve essere tralasciato. Poche informazioni interessanti, ecco cosa serve all’utente finale. Tutto lo “zucchero aggiuntivo” rischia solo di essere fuorviante e di deviare l’attenzione rispetto a quelli che sono i concetti centrali dell’analisi. In certi casi, per aumentare la comprensibilità dei dati, può essere utile calarli ancor di più nel contesto aziendale, ad esempio sfruttando KPI o rappresentazioni grafiche che permettano di confrontare i dati nel tempo per paragonarli a quelli di periodi precedenti o all’andamento del mercato: le cifre, se contestualizzate in modo corretto, possono facilmente trasformarsi da “semplici numeri” ad informazioni ad altissimo valore aggiunto.
5) Credibilità e fiducia
Perché l’utente finale si possa fidare senza remore dell’output e della storia è fondamentale che essa sia trasparente ed onesta. Addolcire i risultati negativi o nasconderli dietro a rappresentazioni poco chiare non è soltanto molto dannoso nell’immediato per il business, ma vanifica tutto il lavoro fatto (e da fare) perché annienta la fiducia del lettore.
6) Scopo ultimo? Fornire le giuste informazioni agli utenti finali
Questo perché, a prescindere dalle hard e soft skills di Data Engineer e Data Scientist, l’obiettivo finale rimane quello di appagare una necessità, rispondere ai bisogni degli utenti finali, anche quando si tratta di accompagnare la storia verso una destinazione meno ovvia. Ad esempio in un settore retail possiamo aspettarci che tutte le possibili storie debbano riguardare gli acquisti, ma in realtà il focus da tenere dovrà essere diverso a seconda dei destinatari della storia: se gli utenti finali sono i tecnici IT che gestiscono l’e-commerce potrebbe essere più utile una storia comportamentale delle azioni fatte sul sito, oppure nel caso la storia sia diretta al marketing potrebbe essere più adatta una storia di profilazione degli utenti per personalizzare attività e campagne, o ancora il dipartimento di controllo qualità potrebbe essere interessato più ai resi.
Data Storytelling di successo: alcuni esempi
Esempi di Data Storytelling “fatti bene” li ritroviamo, ad esempio, nel progetto sviluppato da Tableau per Lufthansa, o all’interno di Niky Analytics, la web platform di BNova studiata per aiutare le aziende a conoscere i propri clienti e prendere decisioni basate sui dati.
Categoria: DATA SCIENCE
Data Science Lifecycle, le 6 (+1) fasi del processo
La Data Science è un campo di studi interdisciplinare il cui obiettivo finale è estrarre informazione e conoscenza utili da… Leggi tutto
A cosa serve la Data Science?
L’analisi dei dati è in generale una materia molto ampia e con una storia che rimanda indietro di diversi anni… Leggi tutto
Churn Strategy: gli step per impostarla al meglio minimizzando il Churn Rate
Churn analysis e churn rate sono due concetti strettamente connessi: l’analisi degli abbandoni (churn analysis) è quella branca della Data… Leggi tutto