Confirmation Bias (Bias di Conferma)
I dati non parlano. Sei tu che parli attraverso di loro.
Il Confirmation Bias, o Bias di Conferma, è la tendenza cognitiva a cercare, interpretare e ricordare le informazioni in modo da confermare le convinzioni che già si hanno, ignorando o sminuendo quelle che le contraddicono.
Non è un difetto di carattere. È un meccanismo evolutivo: il cervello è progettato per essere efficiente, non neutrale. Elaborare ogni nuova informazione da zero richiederebbe troppe risorse cognitive. Quindi lavora per confermare il quadro che ha già costruito, salvo segnali di pericolo espliciti.
Nel contesto dell'analisi dei dati marketing, questa tendenza è particolarmente insidiosa perché i dataset ampi contengono sempre abbastanza informazioni per trovare una conferma a qualsiasi ipotesi si voglia sostenere.
Come si manifesta nell'analisi eCommerce
Alcune situazioni tipiche:
Dashboard aperte senza domanda: si apre Klaviyo, Analytics o Shopify senza avere una domanda specifica. Lo sguardo cade su una metrica che sembra confermare un'intuizione preesistente. Quella metrica diventa "l'evidenza". Le altre 40 metriche che non confermano nulla vengono ignorate.
Report settimanali che "confermano" tutto: ogni settimana si cercano nei numeri spiegazioni per le variazioni. L'open rate è sceso del 3%? Deve essere il nuovo oggetto eMail. Le vendite sono calate martedì? Il martedì funziona meno. In realtà si sta costruendo una narrativa post-hoc su dati che fluttuano per cause normali e non correlate.
A/B test con ipotesi già scritta: si lancia un test sperando che la variante B vinca. Quando B vince anche di poco, lo si dichiara significativo. Quando perde, si trova un sottogruppo in cui ha performato meglio e si ristruttura l'analisi intorno a quello.
Data Dredging: il Confirmation Bias applicato ai dataset
Una forma particolarmente frequente di Confirmation Bias nell'analisi digitale è il cosiddetto data dredging (o p-hacking): si esplora un dataset ampio cercando pattern finché non si trova qualcosa che sembra significativo. Non perché il pattern esista davvero, ma perché in un dataset con centinaia di variabili c'è sempre qualcosa che correla con qualcosa d'altro per puro caso statistico.
La frase attribuita a Ronald Coase descrive bene il meccanismo: se torturi i dati abbastanza a lungo, confesseranno qualsiasi cosa.
Come costruire analisi che resistono al bias
Formula la domanda prima di aprire qualsiasi dashboard. Non "vediamo come sta andando" ma "voglio capire se la modifica X ha impattato la metrica Y nel segmento Z, e considero rilevante un delta di almeno N%".
Stabilisci prima cosa considereresti una risposta significativa. Se la risposta che trovi non avrebbe senso stabilirla dopo aver visto i dati, non è un'analisi: è una razionalizzazione.
Cerca attivamente di smentire la tua ipotesi. È il principio della falsificabilità. Un'ipotesi che non può essere smentita non è un'ipotesi - è una credenza.
Limita le metriche che osservi. Ogni metrica aggiuntiva è un'opportunità in più per trovare conferme casuali.
Approfondisci sul blog
Ho analizzato in dettaglio come il Confirmation Bias si manifesta nel lavoro quotidiano con Klaviyo, Analytics e Shopify, con esempi operativi: Troppi dati, zero risposte: bias di conferma e analisi eCommerce ->