La domanda “quali KPI monitorare” è diventata quasi un riflesso automatico ogni volta che si parla di decisioni di business. Non perché sia sempre la domanda giusta, ma perché negli ultimi anni il linguaggio del data-driven è stato usato come una scorciatoia: basta un numero, un report o una dashboard per dare a una scelta un’aura di razionalità.
In questo contesto il termine data-driven è diventato una sorta di lasciapassare universale. Qualunque decisione supportata da un report, una dashboard o un grafico viene automaticamente presentata come razionale, misurabile, fondata sui dati. Il termine viene usato come garanzia di qualità, non come descrizione di un processo. E proprio per questo ha perso gran parte del suo significato.
Dire che una decisione è data-driven oggi non implica più che sia stata presa a partire da dati affidabili, completi o coerenti. Nella maggior parte dei casi significa solo che qualche numero è stato consultato prima di decidere. Non importa da dove arrivi quel dato, quanto sia stabile nel tempo, cosa rappresenti davvero o cosa escluda. Il linguaggio crea l’illusione del controllo, anche quando quel controllo è solo apparente.
Il problema non è semantico, ma pratico. Quando un termine diventa così pervasivo da non essere più messo in discussione, smette di funzionare come strumento critico. Data-driven non descrive più un metodo, ma giustifica una scelta. Serve a legittimarla, non a verificarla. E in questo passaggio silenzioso, il dato smette di essere una base decisionale e diventa un supporto narrativo.
Questo slittamento è particolarmente evidente in contesti come ecommerce e lead generation, dove i numeri sono abbondanti ma raramente coordinati. Da un lato esistono dati di tracciamento sempre più fragili, incompleti, condizionati dal consenso e dai limiti tecnici delle piattaforme. Dall’altro esistono dati interni (transazioni, costi, margini, esiti commerciali) che sarebbero solidi, ma che spesso non vengono governati, strutturati o messi in relazione con le decisioni operative. Il risultato non è l’assenza di dati, ma l’assenza di un sistema.
In questo scenario, molte decisioni vengono prese in una zona grigia: non sono arbitrarie, ma nemmeno realmente informate. Sono decisioni metric-driven, guidate da indicatori parziali scelti perché disponibili, non perché adeguati. Il fatto che questi indicatori vengano visualizzati in dashboard sofisticate o associati a strumenti avanzati non cambia la sostanza: se il dato non è progettato per supportare una decisione, non lo farà solo perché è numerico.
Il punto centrale, quindi, non è stabilire quali metriche monitorare oggi, né aggiornare l’elenco dei KPI “giusti”. Il problema è più profondo e più scomodo: molte decisioni di business vengono prese in assenza di dati realmente progettati per descrivere il business. Mancano collegamenti, mancano feedback loop, manca una responsabilità chiara sul dato. E senza questi elementi, parlare di decisioni guidate dai dati diventa una semplificazione rassicurante, ma fuorviante.
Questo articolo parte da qui. Non per proporre nuove metriche, nuovi strumenti o nuove dashboard, ma per mettere in discussione il modo in cui il concetto di data-driven viene usato oggi e per analizzare le conseguenze concrete di questa ambiguità sulle decisioni di business, in particolare nei contesti ecommerce e di lead generation. Perché finché il problema viene ridotto a una questione di numeri da monitorare, continuerà a essere invisibile proprio dove produce gli effetti più rilevanti.
Quando il dato smette di guidare e inizia a giustificare
Uno degli effetti più subdoli di questo modo di affrontare le decisioni è che il dato cambia funzione. Non serve più a orientare una scelta, ma a legittimarla a posteriori. La sequenza reale, in molti contesti aziendali, non è “dato → decisione”, ma l’esatto contrario: decisione → selezione del dato che la rende difendibile.
Questo accade perché i dati disponibili sono numerosi, ma raramente progettati per rispondere a domande strategiche. Si misurano facilmente alcune cose, come per esempio il traffico, gli eventi, i lead e le conversioni , e proprio per questo diventano il riferimento implicito. Non perché siano le più rilevanti, ma perché sono le più visibili. Il dato smette di essere uno strumento di esplorazione e diventa una conferma narrativa, utile più a rassicurare che a comprendere.
In questo contesto, la qualità del dato passa in secondo piano. Non ci si chiede se sia completo, stabile o confrontabile nel tempo, ma solo se sia sufficiente a sostenere una decisione già presa. È qui che il linguaggio fa il resto del lavoro: definire una scelta come data-driven la rende automaticamente razionale, anche quando poggia su basi fragili. Il problema non è che i numeri siano sbagliati, ma che non vengono messi in discussione.
Questo meccanismo è particolarmente evidente quando il dato proviene da sistemi di tracciamento che, per loro natura, sono incompleti e soggetti a degrado progressivo. Cookie, identificatori, eventi e sessioni vengono spesso trattati come se fossero una rappresentazione neutra e stabile della realtà, mentre in realtà riflettono solo ciò che è tecnicamente intercettabile in un dato momento. Quando questi limiti non vengono riconosciuti, il dato perde la sua funzione informativa e diventa una scorciatoia decisionale: un segnale comodo, ma fragile, che continua a essere usato come base per le scelte operative anche quando la sua affidabilità si riduce nel tempo, come accade tipicamente nei sistemi di tracking che non vengono mai messi in discussione nella loro qualità.
Il nodo centrale, però, non è tecnologico. È culturale. Finché il dato viene usato per chiudere una discussione invece che per aprirla, non può guidare nulla. Può solo ridurre l’incertezza apparente, non quella reale. E in un contesto di business complesso, questa illusione di controllo è spesso più pericolosa dell’assenza totale di numeri.
Quando questo meccanismo si ripete nel tempo, il problema smette di riguardare il singolo dato e diventa strutturale, indipendentemente dallo strumento utilizzato.
Il problema non è la mancanza di dati, ma l’assenza di un sistema
Quando si osservano i contesti in cui le decisioni risultano più fragili (ecommerce, lead generation, marketing in generale) emerge quasi sempre lo stesso equivoco di fondo: si attribuisce l’incertezza alla qualità dei singoli dati, raramente al modo in cui quei dati sono organizzati. Si discute di metriche, strumenti, piattaforme, ma molto meno spesso del sistema informativo che dovrebbe dare loro coerenza.
Eppure, i dati esistono. Esistono quelli di tracciamento, con tutti i loro limiti. Esistono quelli interni, spesso molto più solidi: transazioni, contatti, trattative, costi, stati, esiti. Il problema è che questi dati vivono in compartimenti separati, senza una struttura che li renda leggibili nel tempo. Non dialogano tra loro e, soprattutto, non dialogano con le decisioni.
In assenza di un sistema, ogni dato viene interpretato in modo isolato. Il numero diventa un segnale autosufficiente, anche quando descrive solo una porzione minima della realtà. È in questo vuoto che proliferano fogli Excel usati come punto di arrivo invece che come strumento transitorio, CRM ridotti a semplici archivi di contatti e dashboard che mostrano attività, ma non conseguenze. Strumenti diversi, stesso risultato: dati raccolti, ma non governati.
Qui sta uno dei fraintendimenti più diffusi: pensare che il problema sia “avere o non avere un CRM”, quando in realtà la questione è: quale ruolo gli viene assegnato all’interno del processo decisionale? Se un CRM viene usato solo per registrare ciò che accade, senza collegarlo alle decisioni e senza restituire feedback a chi investe tempo e budget, non è un sistema informativo, ma un deposito ordinato. È per questo che, in molti contesti, il confronto tra CRM ed Excel è fuorviante: non riguarda lo strumento in sé, ma il fatto che entrambi vengano spesso usati senza un modello che li renda davvero utili alle decisioni di business, come ho approfondito nel confronto tra CRM ed Excel quando mancano struttura e responsabilità sul dato.
Senza un sistema, il dato non può guidare nulla. Può solo essere consultato, commentato, giustificato. E più il contesto decisionale diventa complesso (più canali, più touchpoint, più interazioni) più questa mancanza diventa critica. Non perché manchino i numeri, ma perché manca una logica che li trasformi in conoscenza utilizzabile. È in questo spazio che il linguaggio del data-driven continua a funzionare come etichetta rassicurante, mentre il processo decisionale resta, di fatto, scollegato dalla realtà operativa del business.
Questa mancanza di sistema non resta teorica: emerge con chiarezza quando si osservano contesti operativi molto diversi tra loro.
Ecommerce e lead generation: due contesti diversi, lo stesso errore di fondo
Ecommerce e lead generation vengono spesso trattati come mondi distinti, con logiche, metriche e strumenti differenti. In realtà condividono lo stesso problema strutturale: le decisioni vengono prese su dati che descrivono l’attività, ma non il risultato reale del business. Cambia la forma del dato, non la fragilità del sistema che lo produce.
Nell’ecommerce il limite è meno visibile perché esiste un evento di verità chiaro: l’ordine. Il fatturato arriva, i numeri tornano, il sistema sembra funzionare. Ma proprio questa apparente solidità nasconde il problema. Le decisioni vengono spesso prese guardando volumi, conversioni o performance di canale senza un collegamento sistematico con costi, margini, sconti o impatti operativi. Il dato è corretto, ma parziale. E quando la parzialità diventa guida decisionale, il rischio non è l’errore immediato, ma l’erosione progressiva del modello economico.
Nella lead generation, lo stesso errore emerge in modo più esplicito. Qui l’evento di verità non è immediato, spesso non è tracciato, a volte non è nemmeno formalizzato. I lead arrivano, vengono registrati, passano di mano. Ma il collegamento tra origine del contatto, qualità dell’opportunità ed esito finale è debole o inesistente. In assenza di questo collegamento, il marketing continua a produrre attività misurabili, mentre il business prende decisioni basate su percezioni, racconti interni o sensazioni di efficacia.
In entrambi i casi, il dato viene usato per monitorare ciò che accade a monte, non per comprendere ciò che succede a valle. Si osservano clic, richieste, eventi, sessioni, ma si perde il legame con il risultato che conta davvero: redditività, sostenibilità, capacità di crescita. La differenza tra ecommerce e lead generation non è quindi nella qualità del dato, ma nella velocità con cui il problema diventa evidente. Nell’ecommerce il ritardo è mascherato dal fatturato, nella lead generation dall’attività commerciale.
Questo spiega perché, in contesti molto diversi, emergano gli stessi sintomi: investimenti difficili da valutare, ottimizzazioni che non producono miglioramenti reali, discussioni ricorrenti su quali numeri guardare senza mai mettere in discussione il sistema che li genera. Il problema non è scegliere la metrica giusta, ma accettare che nessuna metrica, isolata, possa guidare decisioni di business complesse.
È a questo punto che la discussione tende a spostarsi sulle metriche, come se il problema fosse scegliere i numeri giusti.
Perché continuare a chiedere “quali KPI guardare” è la domanda sbagliata
A questo punto il problema dovrebbe essere chiaro: la difficoltà non nasce dall’assenza di metriche, ma dal fatto che le metriche vengono chiamate a svolgere un ruolo che non possono avere. Chiedersi quali KPI monitorare presuppone che esista già un sistema in grado di dare senso a quei numeri. Quando questo sistema manca, la scelta della metrica diventa un esercizio formale, non decisionale.
Il paradosso è che più il contesto diventa complesso, più cresce il bisogno di ridurre la complessità a pochi indicatori “controllabili”. KPI sintetici, dashboard compatte, numeri che permettono di dire se “siamo sopra o sotto”. Ma questa semplificazione non riduce l’incertezza reale: la sposta. La concentra su metriche che descrivono bene l’attività osservabile, ma molto meno l’impatto sul business.
In questo scenario, le metriche finiscono per funzionare come proxy rassicuranti. Non perché siano sbagliate in sé, ma perché vengono isolate dal contesto che le renderebbe interpretabili. Un KPI senza collegamenti, senza storia, senza feedback a valle non è uno strumento di governo: è un segnale debole elevato a verità operativa. Ed è così che decisioni importanti vengono prese su variazioni minime di numeri che non sono progettati per sostenere quel peso.
Continuare a cercare “la metrica giusta” serve spesso a evitare la domanda più scomoda: che tipo di decisioni vogliamo davvero supportare? Finché questa domanda resta implicita, ogni KPI può sembrare insufficiente o, al contrario, sufficiente solo perché disponibile. Il problema non è scegliere meglio, ma accettare che senza un sistema che colleghi dati, processi ed esiti, nessuna metrica potrà mai guidare decisioni di business complesse.
È per questo che il dibattito sulle metriche tende a ripetersi ciclicamente senza mai risolversi. Cambiano gli strumenti, cambiano i nomi degli indicatori, ma il meccanismo resta lo stesso. Si continua a chiedere ai numeri di compensare un vuoto strutturale che non possono colmare. E finché questo vuoto non viene riconosciuto, il linguaggio del data-driven continuerà a funzionare come una scorciatoia concettuale, non come un metodo reale.
Resta quindi da capire cosa implica tutto questo per il modo in cui vengono prese le decisioni di business.
Conclusione: cosa implica davvero tutto questo
Se si guarda all’insieme del quadro, il problema non è che le aziende non abbiano dati, né che utilizzino strumenti sbagliati. Il problema è che si chiede ai dati di svolgere una funzione che non sono progettati per avere, all’interno di sistemi che non esistono o non sono mai stati costruiti fino in fondo. In questo contesto, parlare di decisioni guidate dai dati diventa una semplificazione linguistica che maschera una fragilità strutturale.
Le implicazioni sono meno immediate di quanto si pensi, ma molto più profonde. Significa accettare che molte decisioni di business vengono prese senza un collegamento chiaro tra ciò che viene misurato e ciò che conta davvero. Significa riconoscere che numeri apparentemente solidi possono descrivere bene l’attività, ma non il risultato. E significa, soprattutto, che l’ottimizzazione continua su metriche isolate non è una forma avanzata di controllo, ma un modo elegante di rimandare il problema.
Questo non porta a conclusioni rassicuranti. Non esiste una nuova lista di KPI da adottare, né uno strumento che possa colmare da solo questo vuoto. Finché i dati resteranno scollegati tra loro, finché non esisterà una responsabilità chiara sul loro significato e sul loro uso, continueranno a funzionare come supporto narrativo più che come base decisionale. E il termine data-driven continuerà a essere usato per descrivere un’intenzione, non un metodo.
Forse il punto non è chiedersi come diventare più data-driven, ma quando abbiamo smesso di chiederci se i dati che utilizziamo sono davvero in grado di guidare qualcosa. Finché questa domanda resta sullo sfondo, molte discussioni rischiano di essere tecnicamente corrette e strategicamente irrilevanti.
Se questi temi ti risuonano, puoi trovare altri articoli del mio blog che approfondiscono il ruolo del CRM, i limiti di Excel e le conseguenze dei dati fragili nelle decisioni di business.
FAQ rapide
No. L’articolo mette in discussione l’uso superficiale del termine data-driven. I dati possono guidare le decisioni solo se sono affidabili, collegati tra loro e progettati per descrivere il business. Quando questi presupposti mancano, il termine smette di indicare un metodo e diventa un’etichetta rassicurante.
Entrambe le cose, ma soprattutto il secondo aspetto. Anche dati corretti possono portare a decisioni sbagliate se vengono interpretati in modo isolato o usati per giustificare scelte già prese. Senza un sistema che colleghi dati, processi ed esiti, la qualità del singolo dato non è sufficiente.
Vale per tutte le decisioni di business. Il marketing rende il problema più visibile perché lavora su segnali fragili e anticipatori, ma la stessa dinamica si ritrova ovunque i dati non siano collegati agli esiti reali: vendite, marginalità, sostenibilità operativa.
Monitorare KPI ha senso solo se esiste un contesto che li rende interpretabili. Il problema non è usare metriche, ma attribuire loro un ruolo decisionale che non possono avere da sole. Senza collegamenti, storia e feedback a valle, i KPI descrivono l’attività, non guidano le decisioni.