In-depth interviews for data insights

Le interviste servono a generare ipotesi che poi verifichi in tabella, mai a sostituirla. Il metodo è semplice da descrivere, ma richiede disciplina per essere eseguito bene: domande sui fatti passati, silenzi mirati e cinque-otto utenti ben reclutati valgono più di un sondaggio con mille risposte. Qui impari a condurle e a tradurre ogni pattern emerso in un’ipotesi misurabile.

L’idea in una frase

Le interviste di profondita rivelano motivazioni, ostacoli e linguaggio reale che spiegano i cali visibili nelle metriche.

Il percorso in cinque passi

1. Scrivi la decisione che la ricerca deve sbloccare e la metrica collegata.
2. Recluta cinque-otto utenti che hanno vissuto di recente il comportamento studiato.
3. Conduci interviste su comportamenti passati, con domande aperte e silenzi mirati.
4. Extract job ricorrenti, frizioni e parole testuali usate dagli intervistati.
5. Traduci ogni pattern in ipotesi tabellare con segmento e periodo di controllo.

The interview structure

Un’intervista efficace segue un ritmo preciso, dall’apertura alla chiusura.

1. Apertura di due minuti: spiega contesto e scopo e chiarisci che non esistono risposte giuste o sbagliate.
2. Domande sul comportamento passato e non su opinioni future, del tipo “raccontami l’ultima volta che hai cercato un prodotto sul sito”.
3. Domande sui momenti di difficolta: “c’e stato un momento in cui hai pensato di abbandonare” e cosa stavi cercando di fare.
4. Domande sul successo: “quando hai pensato finalmente ci sono riuscito” e cosa era successo.
5. Chiusura di due minuti: “c’e qualcosa che non ti ho chiesto e che vorresti dirmi”.

Dopo una risposta significativa non riempire il silenzio. L’insight piu prezioso emerge spesso quando il silenzio mette a disagio l’intervistato.

Guida sui fatti passati e chiudi con una domanda aperta, mai con opinioni sul futuro.

Come tradurre le interviste in insight per i dati

Dopo cinque interviste cerca i pattern. Conta quali job vengono menzionati da piu persone, quali frizioni ricorrono e quali parole descrivono il problema. Quelle parole vanno riusate nei nomi delle metriche e nei report, cosi l’analisi parla la lingua di chi vive il problema. Le metriche indicano un calo di adozione, ma le interviste rivelano che i team non capiscono chi deve agire dopo il report. La tabella seguente aiuta a leggere ogni segnale con prudenza prima di decidere.

Observed evidence	Cautious interpretation	Recommended action
The number improves	Could be a real effect or normal variation	Look for comparison and segment
Un segmento cambia piu degli altri	The aggregated average hides a difference	Separate cohorts or use cases
Cost grows along with the result	Impact must be read on the margin	Stimare trade-off e sostenibilita

La tabella decide solo quando ogni citazione e collegata a un segmento misurabile e a un periodo di confronto.

La vista di controllo in SQL

Per verificare sui numeri le ipotesi emerse dalle interviste, il pattern seguente crea una base analitica con metrica, segmento e finestra temporale.

WITH base_events AS (
  SELECT
    user_id,
    account_id,
    event_type,
    event_time,
    DATE_TRUNC('week', event_time) AS week,
    source,
    device_type
  FROM events
  WHERE event_time >= CURRENT_DATE - INTERVAL '180 days'
    AND user_id IS NOT NULL
),
weekly_user_metrics AS (
  SELECT
    week,
    user_id,
    COALESCE(source, 'unknown') AS source,
    COALESCE(device_type, 'unknown') AS device_type,
    COUNT(*) AS total_events,
    COUNT(DISTINCT DATE(event_time)) AS active_days,
    COUNT(DISTINCT event_type) AS event_diversity,
    MAX(CASE WHEN event_type IN ('purchase', 'subscribe', 'activation') THEN 1 ELSE 0 END) AS reached_key_outcome
  FROM base_events
  GROUP BY week, user_id, source, device_type
)
SELECT
  week,
  source,
  device_type,
  COUNT(DISTINCT user_id) AS users,
  ROUND(AVG(active_days), 2) AS avg_active_days,
  ROUND(AVG(event_diversity), 2) AS avg_event_diversity,
  ROUND(AVG(reached_key_outcome) * 100, 2) AS key_outcome_rate
FROM weekly_user_metrics
GROUP BY week, source, device_type
ORDER BY week, source, device_type;

La query trasforma le ipotesi qualitative in confronti tra periodi, canali e tipi di dispositivo.

Il controllo di stabilita in Python

Una metrica utile resta stabile per orientare le decisioni e sensibile per segnalare i cambiamenti reali.

# df contiene: week, segment, users, key_outcome_rate
# key_outcome_rate espresso in percentuale, es. 12.4

df = df.sort_values(['segment', 'week']).copy()
df['previous_rate'] = df.groupby('segment')['key_outcome_rate'].shift(1)
df['wow_change_pp'] = df['key_outcome_rate'] - df['previous_rate']
df['rolling_mean'] = df.groupby('segment')['key_outcome_rate'].transform(
    lambda s: s.rolling(4, min_periods=2).mean()
)
df['rolling_std'] = df.groupby('segment')['key_outcome_rate'].transform(
    lambda s: s.rolling(4, min_periods=2).std()
)
df['z_score'] = (df['key_outcome_rate'] - df['rolling_mean']) / df['rolling_std']

anomalies = df[df['z_score'].abs() >= 2].sort_values('z_score')
print(anomalies[['week', 'segment', 'key_outcome_rate', 'wow_change_pp', 'z_score']])

Il controllo segnala quando una variazione merita una nuova tornata di interviste mirate sul segmento anomalo.

Gli errori tipici da evitare

Il primo errore e raccogliere citazioni senza decisione collegata. Produce report suggestivi che non cambiano scelte. Il secondo e chiedere opinioni sul futuro invece di fatti passati. Produce previsioni inaffidabili. Il terzo e leggere medie aggregate senza segmentare. Nasconde i gruppi che si muovono in direzioni opposte. Ogni analisi deve includere definizione esplicita della metrica, confronto per segmento e controllo contro un periodo precedente o un gruppo di controllo.

Un caso reale: la regola dei cinque utenti di Nielsen

Jakob Nielsen pubblica nel 2000 la sintesi sui test di usabilita con piccoli campioni. Cinque utenti bastano per far emergere la quota principale dei problemi di interfaccia, intorno all’85% nei casi studiati. Aggiungere partecipanti oltre quella soglia trova soprattutto problemi gia visti e rende la ricerca costosa. La regola vale per le interviste di profondita quando l’obiettivo e scoprire meccanismi e non stimare frequenze. Il caso fissa la gerarchia corretta: pochi colloqui mirati per trovare le frizioni e tabelle ampie per misurarne la diffusione.

Verdetto: le interviste generano ipotesi, le tabelle le verificano: guida sui fatti passati e chiudi con una domanda aperta, mai con opinioni sul futuro, e la tabella decide solo quando ogni citazione e collegata a un segmento misurabile e a un periodo di confronto.

Domande per verificare la tua comprensione

1. Quale comportamento passato indagheresti per spiegare un calo di adozione?
2. Quante interviste bastano per far emergere i pattern principali e perche?
3. Come colleghi una citazione testuale a un segmento misurabile in tabella?
4. Quale domanda di chiusura useresti per raccogliere insight non previsti?