Thomas Kuhn: scientific paradigms and data culture

Nel binario ml-tabellare, anche le aziende più orientate ai dati lavorano dentro paradigmi impliciti. Quei paradigmi decidono in anticipo come i dati vengono letti e quali decisioni sembrano sensate. Thomas Kuhn, con la sua teoria dei paradigmi scientifici, dà una lente per vedere questa dinamica. Aiuta a capire quando una cultura del dato sta difendendo abitudini invece di leggere la realtà.

Il paradigma in una frase

Un paradigma è l’insieme di ipotesi condivise che decide in anticipo cosa un’organizzazione conta come evidenza e cosa scarta senza guardarlo. È il filtro che nessuno vede perché tutti lo usano.

Quando un dato chiede di cambiare paradigma

Capita spesso che un team analitico si trovi davanti a dati che sembrano contraddire le metriche consolidate o le pratiche abituali. Qui il problema non è tecnico. È capire quando un dato segnala davvero che il paradigma va cambiato e quando invece è solo rumore o un errore di misura. La parte difficile è trasformare questa consapevolezza in decisioni più solide e meno esposte ai bias.

Scienza normale, anomalie e rivoluzioni

Nella Struttura delle rivoluzioni scientifiche del 1962 Kuhn descrive la scienza normale: una comunità che risolve enigmi dentro un paradigma condiviso senza rimetterlo in discussione. Le anomalie sono i risultati che il paradigma non spiega. Finché restano poche, vengono archiviate come rumore. Quando si accumulano e resistono, scatta la crisi. Paradigmi rivali competono sulla stessa evidenza finché uno spiega sia i vecchi successi sia le nuove anomalie, e la comunità cambia campo.

Per un team dati la traduzione è diretta. Le metriche consolidate sono il paradigma e i risultati che non tornano sono le anomalie. La data culture si misura da come le tratta: le nasconde per difendere il dashboard o le studia per capire se il modello del mondo va cambiato.

Verdetto: difendi il paradigma finché spiega, cambialo quando le anomalie si accumulano e il nuovo paradigma spiega di più a parità di prove.

Cinque passi per leggere le anomalie

1. Scrivi le regole non scritte che definiscono cosa conta come prova nel tuo team.
2. Raccogli le anomalie: risultati che il paradigma attuale non spiega.
3. Distingui rumore da segnale verificando misura e replicabilità delle anomalie.
4. Confronta paradigmi rivali sulla stessa evidenza con criteri dichiarati.
5. Cambia paradigma solo quando il nuovo spiega anomalie e successi vecchi insieme.

L’errore più comune

L’errore tipico è trattare Kuhn come una definizione astratta invece che come un protocollo operativo. Presentare metriche senza baseline, grafici senza ipotesi o raccomandazioni che ignorano il costo dell’errore porta a decisioni fragili. Chiediti sempre: se questo risultato fosse falso o instabile, quale decisione sbaglieresti. Se non hai una risposta chiara, la lezione è rimasta sulla carta.

References: Kuhn, T. S. (1962). The Structure of Scientific Revolutions. University of Chicago Press.

Il batterio che ha cambiato la medicina

Per decenni la medicina spiegò l’ulcera con stress e acidità, e la terapia standard riduceva gli acidi senza guarire la causa. Nel 1984 Barry Marshall e Robin Warren pubblicarono su Lancet la prova che il batterio Helicobacter pylori causava gran parte delle gastriti e delle ulcere, e Marshall arrivò a ingerire il batterio per dimostrarne l’effetto su sé stesso. La comunità resistette per anni, poi le terapie antibiotiche guarirono milioni di pazienti e nel 2005 i due ricevettero il Nobel. È Kuhn in corsia: anomalie ignorate, crisi del paradigma e rivoluzione quando la nuova spiegazione vince sui risultati.

Domande per chiudere la lezione

1. Quale paradigma implicito guida le letture dei dati nel tuo team?
2. Quale anomalia stai trattando come rumore invece che come segnale?
3. Quale prova ti convincerebbe che il paradigma va cambiato?
4. Quale spiegazione rivale spiega sia i successi sia le anomalie?