Come valutare le informazioni prima di prendere una decisione

LE SFIDE CHE I DIRIGENTI AZIENDALI devono affrontare non sono mai state così grandi. Le decisioni ordinarie sono sempre più complesse, a causa dell’inflazione, delle tensioni commerciali e dell’incertezza politica. Le questioni relative al capitale umano oggi includono la diversità, l’equità e l’inclusione, la salute mentale e l’aggiornamento professionale per la quarta rivoluzione industriale. Le problematiche ambientali, sociali e di governance non possono più essere delegate a un dipartimento di responsabilità sociale d’impresa, ma sono un dovere della direzione generale. L’intelligenza artificiale porta con sé una miriade di nuove opportunità, ma anche nuove minacce.

Sembra, però, che i dirigenti abbiano uno strumento per combattere queste sfide: l’informazione. Con un semplice clic del mouse o la pressione del pollice, possono consultare ricerche all’avanguardia su qualsiasi argomento. Gli studi accademici sono sempre più a libero accesso ed è ora disponibile una marea di ricerche da parte di consulenti, ONG e investitori. Le informazioni non provengono solo da studi, ma anche da libri, articoli di giornale e podcast.

Con così tante informazioni a disposizione, come facciamo a sapere di cosa fidarci? Come hanno rivelato recenti controversie, anche le ricerche pubblicate in riviste d’élite sottoposte a peer-review potrebbero essere basate su dati falsificati. Il pregiudizio di conferma può significare che ciò che le persone condividono, e quindi ciò che vediamo nei nostri feed di notizie, è ciò che vogliono che sia vero, piuttosto che quello che lo è effettivamente. Esistono molti ottimi libri su come affrontare la disinformazione – che qui definisco come conclusioni tratte ma non giustificate dall’evidenza – ma tendono a fornire un lungo elenco di tutti i modi in cui le persone possono ingannarci; può essere difficile ricordare ognuno di essi e mettere in pratica questa conoscenza. Ciò di cui hanno bisogno i dirigenti è una semplice tassonomia della disinformazione, in modo da sapere a cosa prestare attenzione.

Come scienziato sociale, il mio lavoro consiste nel raccogliere e dare un senso ai dati. Questa capacità mi è utile non solo per produrre ricerche, ma anche per valutarle. In un nuovo libro, ricorro agli strumenti della ricerca delle scienze sociali per sviluppare quella che chiamo la “scala della disinformazione”, che classifica la disinformazione in quattro passi falsi. Questa struttura può essere utile ai leader di ogni tipo che devono gestire i propri attacchi informativi.

Il primo passo falso è che un’affermazione non è un fatto, perché potrebbe non essere accurata. Quante volte prendiamo per buona un’affermazione perché ci piace quello che dice? Per esempio, la mia ricerca mette in evidenza i benefici della corporate governance e il valore del capitalismo degli stakeholder. Così, quando mi sono imbattuto in un rapporto di un’influente ONG, in cui si affermava che le imprese con un alto livello di ESG superavano i loro concorrenti, non vedevo l’ora di accogliere questa affermazione in modo acritico. Lo studio includeva note a piè di pagina che suggerivano l’esistenza di prove, quindi ero tentato di pensare che questo fosse sufficiente per passare oltre.

Ma il primo passo verso un pensiero più intelligente è verificare i fatti. In questo caso, ho seguito la nota a piè di pagina solo per scoprire che la fonte sottostante diceva l’opposto di ciò che il rapporto sosteneva. La nota a piè di pagina portava a un articolo intitolato “Dove l’ESG fallisce”, il cui sottotitolo afferma che “nonostante gli innumerevoli studi, non è mai stato dimostrato in modo definitivo che gli approcci socialmente responsabili producano una performance migliore”. Una nota a piè di pagina alla fine di una frase non significa che tale nota supporti effettivamente la frase: l’affermazione non è un dato di fatto.

Altre imprecisioni derivano da misurazioni errate. In un articolo si affermava che le aziende che investono in ESG ottengono utili elevati. Ma quando si va a fondo nello studio, ci si rende conto che gli autori non hanno mai misurato il livello di ESG di un’azienda, ma si sono limitati a chiedere alle aziende se ritenevano che l’ESG fosse diventato più importante, il che è ben diverso. Anche se una dichiarazione è collegata a una marea di dati, questi ultimi potrebbero non misurare effettivamente quanto affermato nella dichiarazione.

Il secondo problema è che un fatto non è un dato perché potrebbe non essere rappresentativo. I casi di studio sono un metodo didattico popolare e potente. Sono vividi, danno vita a un argomento, ispirano i leader molto più di quanto possano fare statistiche o regressioni. Questo vale anche per i libri più venduti e per i discorsi virali, che di solito iniziano con una storia per attirare il pubblico: ma i guru di solito scelgono l’esempio che illustra il punto nel modo più nitido possibile, perché rende la storia più memorabile. Un singolo aneddoto, o anche un paio, ci dicono poco, perché potrebbero essere scelti allo scopo. Sono le eccezioni che non dimostrano la regola.

Molte formule manageriali vengono vendute con i racconti di aziende famose che le hanno seguite e hanno avuto successo, ma potrebbero esserci centinaia di altre organizzazioni che hanno applicato quei principi e hanno fallito, eppure non verranno mai citate perché non confermano quella storia. Per dimostrare che la formula funziona, bisognerebbe prendere in considerazione centinaia di aziende che l’hanno utilizzata – sia quelle che sono diventate ricche sia quelle che hanno chiuso – e confrontare i loro tassi di successo con un gruppo di controllo che non l’ha utilizzata.

Ci piace imparare dalle storie di successo, ma non si può mai identificare cosa ha determinato quel successo se non si studiano anche i casi di fallimento. Il set di dati deve contenere le aziende con l’ingrediente segreto che hanno fallito e quelle senza quello stesso ingrediente che hanno avuto successo. Se si prendono in considerazione solo quelle che hanno seguito la formula e hanno fatto centro, si ha un campione selezionato.

Il terzo avvertimento è che i dati non sono prove, perché potrebbero non essere conclusivi. I dati su larga scala possono essere rappresentativi, ma sono solo un primo passo perché i dati sono solo un dato insieme di fatti. L’evidenza è un insieme di fatti che ci permette di trarre una conclusione. Per farlo, è necessario non solo sostenere la propria teoria, ma anche respingere le teorie alternative, proprio come le prove in un processo penale hanno senso solo se individuano un certo particolare sospetto.

Anche in questo caso la formazione da scienziato sociale è utile. Si tratta di individuare relazioni di causa ed effetto dai dati e di determinare se uno studio riesce a farlo.

Uno studio in cui mi sono imbattuto sosteneva di trovare prove conclusive del fatto che la governance aziendale migliora le prestazioni delle società, sulla base dei dati che indicano che le società ben governate superano le loro omologhe mal governate. Dal momento che gran parte della mia ricerca riguarda i meriti della buona governance, sono stato felice di vedere questo risultato. Ma è stato davvero dimostrato che la governance è la causa di questa performance?

Sfortunatamente, i dati mostravano solo una correlazione tra governance e performance. I dati erano coerenti con la teoria secondo cui una buona governance causa performance superiori, tuttavia, erano anche coerenti con due teorie rivali. La prima è la causalità inversa. Forse le aziende con scarse prestazioni hanno dovuto concentrarsi nella lotta agli incendi; solo quando un’azienda ha prospettive rosee può rivolgere la propria attenzione a questioni di più lungo termine come la governance. La seconda è la causalità comune. Forse avere un ottimo CEO ha l’effetto sia di migliorare la governance aziendale sia di fare sì che il CEO aumenti le prestazioni, piuttosto che dedurre che la prima sia causa della seconda. Sappiamo tutti che “la correlazione non implica la causalità”, ma ce ne dimentichiamo improvvisamente quando ci piace il risultato che viene presentato.

Se partecipate a una conferenza di economia, potrete assistere a lunghi dibattiti su argomenti come questo, ma non c’è bisogno di essere un accademico per pensare chiaramente a causa ed effetto. Chiedetevi sempre se ci sono altre teorie coerenti con i dati che avete di fronte, piuttosto che buttarvi sulla spiegazione che volete sia vera.

L’ultima avvertenza è che l’evidenza non è una prova, perché potrebbe non essere universale. Una prova è assoluta. Quando Archimede dimostrò che l’area di un cerchio è pari a pi greco per il quadrato del suo raggio, lo dimostrò non solo per i cerchi dell’antica Grecia del III secolo a.C., ma anche per i cerchi di tutto il mondo di oggi. Ma anche se le prove inchiodano perfettamente un risultato, è possibile che lo facciano solo nel contesto in cui sono state raccolte, e non altrove.

Uno dei miei studi ha rilevato che le aziende con un’elevata soddisfazione dei dipendenti superano le loro pari del 2,3%-3,8% all’anno in termini di rendimenti azionari a lungo termine – dall’89% al 184% cumulativo – anche dopo aver controllato gli altri fattori che determinano i rendimenti. Ulteriori analisi suggeriscono che è la soddisfazione dei dipendenti a causare una buona performance, piuttosto che sia una buona performance a permettere a un’azienda di investire nella soddisfazione dei dipendenti.

Ma questo studio era limitato agli Stati Uniti. Un libro influente di Joseph Henrich ha evidenziato che la maggior parte delle ricerche si concentra su soggetti occidentali, istruiti, industrializzati, ricchi e democratici, e i risultati potrebbero non essere estensibili al resto del mondo. Non potevo dare per scontato che i miei risultati fossero applicabili anche altrove e così, con alcuni coautori, ho esteso il mio studio originale a 30 Paesi. Ho scoperto che le mie conclusioni iniziali in genere reggono, ma non sempre. Nei Paesi con una forte regolamentazione del mercato del lavoro, le aziende con un’elevata soddisfazione dei dipendenti non ottengono necessariamente risultati migliori. Questo ha senso: la legge significa che i loro concorrenti offrono già un alto livello di benessere dei lavoratori, quindi quelli che si trovano nella parte superiore della coda potrebbero aver superato il punto di diminuzione dei rendimenti.

Come possiamo mettere in pratica la scala delle inferenze errate quando ci troviamo di fronte a delle informazioni? Ponendoci le seguenti semplici domande:

1.        Se vediamo un’affermazione, è supportata da dati? Non è sufficiente vedere che c’è una nota a piè di pagina; è necessario controllare e vedere cosa effettivamente afferma. Anche se l’affermazione è supportata da dati, cosa misurano realmente i dati?

2.        Se sentiamo un fatto, come una storia o un aneddoto, è rappresentativo o è frutto di una data selezione? L’autore prende in considerazione altre aziende con la formula segreta ma che hanno fallito e quelle senza l’ingrediente che hanno avuto successo?

3.        Se ci vengono forniti dati su larga scala, quali sono le teorie rivali coerenti con gli stessi dati? Un suggerimento utile per individuare le teorie alternative è quello di immaginare che lo studio abbia trovato il risultato opposto – uno che non ci piace – e pensare a come cercheremmo di abbatterlo.

4.        Se ci troviamo di fronte a un’evidenza solida, si applica al contesto che ci interessa? Uno studio che scopre che la responsabilizzazione dei dipendenti funziona nel settore tecnologico non significa necessariamente che sia efficace anche nel settore minerario, dove la salute e la sicurezza sono fondamentali e le regole hanno un valore maggiore.

QUESTI ANTIDOTI evidenziano che la comprensione dei dati non richiede una statistica pirotecnica, ma buon senso, pensiero critico e una sana dose di scetticismo. Tuttavia, potreste essere in difficoltà se, ogni volta che vedete un’affermazione, doveste cercare i riferimenti giusti; ogni volta che incontrate una prova, dovreste tenere a mente il contesto. Ma è possibile applicare queste domande in modo selettivo, seguendo il principio dell’80/20. Se il risultato è particolarmente rilevante per la vostra attività e siete particolarmente inclini ad accettarlo a causa di pregiudizi di conferma, è bene fare molta attenzione. E come per lo sviluppo di qualsiasi nuova abilità, più la si pratica e più diventa radicata.

Alex Edmans è professore di Finanza alla London Business School, dove è specializzato in finanza aziendale, finanza comportamentale e responsabilità sociale delle imprese. Si è laureato all’Università di Oxford e ha conseguito il dottorato al MIT, dove è stato borsista Fulbright. È autore di May Contain Lies: How Stories, Statistics, and Studies Exploit Our Biases – And What We Can Do About It (Penguin Random House, 2024).