Data Storytelling: 6 Esercizi Pratici per Trasformare i Dati in Decisioni (con Codice Python)

Tasso di crescita A:

• Feb vs Gen: [math]\frac{(14-12)}{12} = +16.7\%[/math]
• Mar vs Feb: [math]\frac{(16-14)}{14} = +14.3\%[/math]
• Media: [math]\frac{(16.7 + 14.3)}{2} = 15.5\%[/math] mensile.

Teoria:

Serie temporali mostrano trend e stagionalità. Le annotazioni guidano l’attenzione su eventi rilevanti.

Raccontare il Cambiamento (Serie Temporale)

Se il grafico a barre è una fotografia, la serie temporale è un film. Mostra l’evoluzione, il ritmo, la direzione. Calcolare il tasso di crescita (come per il prodotto A) aggiunge una metrica quantitativa al trend visivo. L’annotazione del picco è una tecnica narrativa cruciale: guida l’occhio dello spettatore esattamente dove vogliamo, per evidenziare un successo, un’anomalia o un evento chiave (es. il lancio di una campagna).

Indispensabile per analizzare metriche che evolvono nel tempo: traffico di un sito web, andamento dei ricavi, numero di iscritti a una newsletter. Permette di identificare stagionalità, impatto di eventi esterni e traiettorie di crescita o declino.

Esercizio 3 (Intermedio-Avanzato): Heatmap per Correlazioni

Testo:

Hai dati giornalieri (5 giorni) per 3 metriche di un sito e-commerce:

• Calcola la matrice di correlazione.
• Crea una heatmap.
• Interpreta la relazione tra “Frequenza Rimbalzo” e “Vendite”.

Soluzione:

Correlazione (Pearson):

Heatmap:

# ESERCIZIO 3: HEATMAP PER CORRELAZIONI
# Obiettivo: Analizzare le relazioni tra metriche di un e-commerce

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# -----------------------------------------
# PASSO 1: Creazione del dataset
# -----------------------------------------
data = {
    "Giorno": [1, 2, 3, 4, 5],
    "Sessioni": [1500, 1700, 1200, 2000, 1800],
    "Frequenza_Rimbalzo": [65, 60, 70, 55, 58],  # in %
    "Vendite": [3200, 3500, 2800, 4000, 3800]    # in €
}

df = pd.DataFrame(data)
print("Dataset originale:")
print(df)

# -----------------------------------------
# PASSO 2: Calcolo matrice di correlazione
# -----------------------------------------
# Selezione colonne numeriche (escludendo 'Giorno')
numeric_cols = df.select_dtypes(include=[np.number]).columns
corr_matrix = df[numeric_cols].corr(method='pearson')  # metodo default

print("\nMatrice di correlazione (Pearson):")
print(corr_matrix)

# -----------------------------------------
# PASSO 3: Creazione heatmap
# -----------------------------------------
plt.figure(figsize=(8, 6))
heatmap = sns.heatmap(
    corr_matrix,
    annot=True,          # Mostra valori nelle celle
    cmap='coolwarm',     # Mappa di colori divergente
    vmin=-1,            # Valore minimo per la scala
    vmax=1,             # Valore massimo per la scala
    linewidths=0.5,      # Spessore linee tra celle
    annot_kws={"size": 12}  # Dimensione testo annotazioni
)

plt.title("Mappa di Correlazione tra Metriche E-commerce", pad=20, fontsize=14)
plt.xticks(rotation=45)  # Ruota etichette asse X per migliore leggibilità

# -----------------------------------------
# PASSO 4: Interpretazione guidata
# -----------------------------------------
# Evidenziazione celle critiche
heatmap.add_patch(plt.Rectangle((2, 0), 1, 3, fill=False, edgecolor='gold', lw=3, clip_on=False))  # Riquadro Vendite
heatmap.add_patch(plt.Rectangle((0, 2), 3, 1, fill=False, edgecolor='gold', lw=3, clip_on=False))  # Riquadro Frequenza Rimbalzo

plt.tight_layout()
plt.show()

# -----------------------------------------
# RISULTATO E COMMENTI
# -----------------------------------------
"""
INTERPRETAZIONE:
1) Vendite-Sessioni (0.98): 
   - Fortissima correlazione positiva. Più sessioni = più vendite.
   
2) Vendite-Frequenza_Rimbalzo (-0.96):
   - Fortissima correlazione NEGATIVA. Meno utenti abbandonano il sito (freq. rimbalzo ↓), più le vendite ↑.
   - Strategia: Ottimizzare l'engagement per ridurre la frequenza di rimbalzo.

3) Sessioni-Frequenza_Rimbalzo (-0.92):
   - Al crescere delle sessioni, la frequenza di rimbalzo tende a diminuire.
   - Possibile spiegazione: traffico di qualità più elevata.
"""

# Extra: Esportazione dati per report (opzionale)
df.to_csv("ecommerce_correlation_data.csv", index=False)

Interpretazione:

La frequenza di rimbalzo è negativamente correlata con le vendite (-0.96): meno utenti abbandonano il sito, più aumentano le vendite. La relazione è quasi perfetta.

Svelare le Relazioni Nascoste (Heatmap)

Questo esercizio introduce il pensiero multivariato. La heatmap è uno strumento denso di informazioni che, a colpo d’occhio, rivela la struttura delle interdipendenze in un sistema. La correlazione negativa tra Frequenza di Rimbalzo e Vendite è un insight potentissimo. Non dice solo cosa succede, ma suggerisce una leva strategica: per aumentare le vendite, dobbiamo migliorare l’esperienza utente e ridurre i rimbalzi.

Fondamentale nell’e-commerce, nell’analisi di prodotto (quali feature sono correlate con la retention?) e nel marketing (quali canali portano clienti con il valore più alto?). È uno strumento diagnostico per capire quali leve muovono le metriche chiave.

Esercizio 4 (Avanzato): Istogramma e Distribuzione

Testo:

• Simula 1000 valori di età di clienti con distribuzione normale ([math]\mu=35[/math], [math]\sigma=10[/math]).
• Crea un istogramma con 15 bin.
• Aggiungi una linea per la densità.
• Calcola la percentuale di clienti tra 25 e 45 anni.

Soluzione:

Istogramma + KDE:

import numpy as np
eta = np.random.normal(35, 10, 1000)
sns.histplot(eta, bins=15, kde=True, stat='density')

Calcolo percentuale:

• Z-score per 25: [math]\frac{(25-35)}{10} = -1[/math]
• Z-score per 45: [math]\frac{(45-35)}{10} = +1[/math]
• Da tabelle normali: [math]P(-1 < Z < 1) \approx 68.3\%[/math].

Teoria:

Gli istogrammi mostrano la forma della distribuzione. La regola 68-95-99.7% è utile per dati normali.

Capire il “Chi” (Istogramma e Distribuzione)

Qui passiamo dall’analisi di performance all’analisi del pubblico. L’istogramma ci mostra la forma della nostra base clienti. La distribuzione normale è un modello, ma nella realtà potremmo scoprire distribuzioni bimodali (due gruppi di clienti distinti) o asimmetriche (molti giovani e pochi anziani). Sapere che il 68% dei clienti ha tra 25 e 45 anni non è un dato statistico, è un’informazione di business: il nostro marketing, il nostro prodotto e la nostra comunicazione devono parlare a quel nucleo.

Essenziale per la segmentazione della clientela (analisi demografiche), per il controllo qualità (distribuzione degli errori di produzione) o per la finanza (distribuzione dei rendimenti di un portafoglio).

Esercizio 5 (Difficile): Grafico a Scatter con Regressione

Testo:

Un dataset raccoglie ore di studio e voti d’esame per 20 studenti:

ore_studio = np.random.randint(10, 50, 20)
voti = 0.5 * ore_studio + 30 + np.random.normal(0, 5, 20)

• Crea uno scatter plot con linea di regressione.
• Calcola l'[math]R^2[/math] e interpretalo.
• Prevedi il voto per uno studente che studia 35 ore.

Soluzione:

Scatter plot:

sns.regplot(x=ore_studio, y=voti, ci=None)

[math]R^2[/math]:

Se [math]R^2 \approx 0.75[/math], significa che il 75% della variabilità dei voti è spiegato dalle ore di studio.

Previsione:

Equazione: [math]\displaystyle \begin{aligned} \text{Voto} &= 0.5 \times (35) + 30 \\ &\approx 47.5 \end{aligned}[/math]

Quantificare l’Impatto e Prevedere (Regressione)

Questo esercizio è il ponte tra l’analisi descrittiva e quella predittiva. Lo scatter plot mostra la relazione, ma la linea di regressione e l’R² la formalizzano. Un R² di 0.75 ci dice che il nostro modello (le ore di studio) è un buon predittore, ma non perfetto: c’è un 25% di variabilità spiegato da altri fattori (talento, qualità dello studio, etc.). La previsione per 35 ore rende tangibile il valore del modello.

Cruciale in ambiti dove si vuole dimostrare il ROI: “Quante vendite aggiuntive genera ogni euro speso in pubblicità?”. Utile anche nel forecasting operativo, per prevedere le vendite future in base a variabili note.

Esercizio 6 (Molto Difficile): Storytelling Multivariato

Testo:

Hai dati su 4 città (2022):

• Crea un bubble chart con:
  • Asse X: Popolazione
  • Asse Y: PIL
  • Dimensione bolle: CO2
• Aggiungi annotazioni per la città con il miglior rapporto PIL/CO2.
• Scrivi un mini-report (max 100 parole) per un policymaker.

Soluzione:

Bubble chart:

# ESERCIZIO 6: STORYTELLING MULTIVARIATO - BUBBLE CHART
# Obiettivo: Analizzare relazioni tra popolazione, PIL ed emissioni CO2 in 4 città italiane

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# -----------------------------------------
# PASSO 1: Creazione dataset
# -----------------------------------------
data = {
    "Città": ["Milano", "Roma", "Torino", "Napoli"],
    "Popolazione": [1.4, 2.8, 0.9, 3.1],  # in milioni
    "PIL": [200, 150, 80, 90],            # in miliardi di €
    "CO2": [5000, 7000, 4000, 6000]       # in ktonnellate
}

df = pd.DataFrame(data)

# Calcolo metriche aggiuntive
df["PIL_per_CO2"] = df["PIL"] / (df["CO2"] / 1000)  # mld € per kt CO2
df["PIL_pro_capite"] = df["PIL"] / df["Popolazione"]  # mld € per milione abitanti

print("Dataset arricchito:")
print(df[["Città", "Popolazione", "PIL", "CO2", "PIL_per_CO2", "PIL_pro_capite"]])

# -----------------------------------------
# PASSO 2: Bubble Chart avanzato
# -----------------------------------------
plt.figure(figsize=(10, 7))

# Creazione scatter plot con bolle dimensionate
scatter = plt.scatter(
    x=df["Popolazione"],
    y=df["PIL"],
    s=df["CO2"]*0.8,  # Scala le dimensioni delle bolle
    c=df["PIL_per_CO2"],  # Colore basato su efficienza ambientale
    cmap="viridis",
    alpha=0.7,
    edgecolors="black",
    linewidths=1
)

# Aggiunta etichette città con offset personalizzato
for i, row in df.iterrows():
    offset_x = 0.05 if row["Città"] != "Torino" else -0.1  # Evita sovrapposizioni
    plt.annotate(
        row["Città"],
        (row["Popolazione"] + offset_x, row["PIL"]),
        fontsize=10,
        ha='center'
    )

# Evidenziazione città con miglior rapporto PIL/CO2
best_city = df.loc[df["PIL_per_CO2"].idxmax()]
plt.annotate(
    f"Migliore efficienza\n{best_city['Città']}: {best_city['PIL_per_CO2']:.1f} mld€/kt CO2",
    xy=(best_city["Popolazione"], best_city["PIL"]),
    xytext=(1.8, 180),
    arrowprops=dict(facecolor='red', shrink=0.05),
    bbox=dict(boxstyle='round,pad=0.5', fc='yellow', alpha=0.5)
)

# Personalizzazione grafico
plt.title("Relazione tra Popolazione, PIL ed Emissioni CO2 (2022)", pad=20, fontweight='bold')
plt.xlabel("Popolazione (milioni)", labelpad=10)
plt.ylabel("PIL (miliardi di €)", labelpad=10)

# Aggiunta legende
cbar = plt.colorbar(scatter)
cbar.set_label("Efficienza Ambientale (mld €/kt CO2)", rotation=270, labelpad=20)

# Legenda dimensioni bolle (simulata)
for co2 in [4000, 6000, 7000]:
    plt.scatter([], [], s=co2*0.8, c='gray', alpha=0.5, edgecolors='black', label=f'{co2} kt CO2')
plt.legend(title="Emissioni CO2", loc="upper right", bbox_to_anchor=(1.3, 1))

plt.grid(alpha=0.3)
plt.tight_layout()

# -----------------------------------------
# PASSO 3: Generazione report automatico
# -----------------------------------------
report = f"""
ANALISI POLITICHE URBANE - 2022
---------------------------------
1) EFFICIENZA AMBIENTALE:
   - Miglior performance: {best_city['Città']} ({best_city['PIL_per_CO2']:.1f} mld€/kt CO2)
   - Napoli ha il PIL/CO2 più basso ({df.loc[3, 'PIL_per_CO2']:.1f})

2) PIL PRO-CAPITE:
   - Milano leader: {df.loc[0, 'PIL_pro_capite']:.1f} mld€/mln abitanti
   - Differenza Nord-Sud: +{(df.loc[0, 'PIL_pro_capite']/df.loc[3, 'PIL_pro_capite']-1)*100:.0f}% vs Napoli

3) PRIORITÀ:
   - Investire in tecnologie verdi a Napoli/Roma
   - Replicare best practice di {best_city['Città']} sulle emissioni
"""

print("\nREPORT PER POLICYMAKER:")
print(report)

# Salvataggio grafico e report
plt.savefig('bubble_chart_politiche_urbane.png', dpi=300, bbox_inches='tight')
with open('report_politiche_urbane.txt', 'w') as f:
    f.write(report)

plt.show()

Miglior rapporto:

Milano [math]\frac{200}{5} = 40[/math] mld €/kt CO2.

Report:

“Milano ha l’economia più green (40 mld/kt CO2), nonostante Roma e Napoli abbiano più abitanti. Torino, pur piccola, ha emissioni proporzionalmente alte. Prioritizzare politiche verdi al Sud.”

La Narrazione Strategica (Bubble Chart)

Questo è il culmine del data storytelling. Il bubble chart è un capolavoro di densità informativa: racconta una storia a 3 o 4 dimensioni (Popolazione, PIL, CO2, e l’efficienza codificata nel colore) su un grafico 2D. L’insight qui è sofisticato: non si tratta di chi è “migliore” in assoluto, ma di chi è più efficiente. Milano, pur non essendo la più grande o la più ricca in termini assoluti, emerge come leader in termini di rapporto PIL/CO2. L’annotazione e il report per il policymaker trasformano un’analisi complessa in una raccomandazione chiara e attuabile.

Perfetto per analisi competitive, portfolio analysis o, come nell’esempio, per confronti strategici tra diverse unità di business, paesi o città. Permette di identificare gli “outlier virtuosi” da cui imparare e le aree critiche su cui intervenire.

Strategie generali:

• Grafici semplici (barre, linee) per messaggi diretti.
• Heatmap per correlazioni complesse.
• Bubble chart per relazioni multivariate.
• Annotazioni per guidare l’attenzione.
• Storytelling chiaro: problema → dati → soluzione.