Data storytelling: esempi e casi studio per comunicare dati che decidono

I data storytelling esempi più efficaci hanno tutti qualcosa in comune: non partono dal grafico, ma dal messaggio. Un dato presentato senza contesto, senza un titolo che orienti la lettura, senza una gerarchia visiva che guidi l’occhio, resta muto anche se è corretto. Questa guida raccoglie cinque casi studio analizzati con un approccio before/after — dalla versione che non comunica alla versione che porta a una decisione — per mostrare concretamente cosa significa applicare il data storytelling nella pratica.

I casi coprono problemi diversi e ricorrenti: la Gestalt applicata a un grafico finanziario, l’effetto framing su un dato di cronaca, il decluttering di un grafico affollato, la scelta del tipo di grafico giusto per composizioni complesse, e la sostituzione di un indicatore visivamente inefficace con uno più leggibile. Nessuna soluzione è presentata come universalmente valida: ogni scelta dipende dal messaggio, dal pubblico e dal contesto. Ma ogni caso mostra con precisione perché una versione funziona meglio dell’altra.

Cosa si intende per data storytelling: una definizione operativa

Il data storytelling è la pratica di comunicare dati integrando tre elementi — analisi, visualizzazione e narrazione — in modo che chi riceve il messaggio capisca non solo cosa dicono i numeri, ma cosa significano e cosa fare. Non è una questione di estetica: è una questione di efficacia comunicativa.

La distinzione rispetto alla semplice reportistica è netta. Un report tradizionale mostra i dati; un data story li interpreta, li contestualizza e li indirizza verso una conclusione. Un grafico senza titolo parlante, senza gerarchia visiva, senza un percorso di lettura guidato è analisi, non storytelling. Il passaggio da uno all’altro non richiede necessariamente più dati o grafici più complessi — spesso richiede meno elementi, scelti meglio.

Prima di entrare nei casi studio, vale la pena fissare un principio che attraversa tutti gli esempi: il messaggio precede la forma. Prima si decide cosa si vuole far capire, poi si sceglie come mostrarlo. Invertire questo ordine — partire dal grafico e poi cercare un messaggio — è la causa principale dei report che nessuno legge.

Perché gli esempi before/after sono il modo migliore per imparare

Studiare esempi di data storytelling nella forma before/after ha un vantaggio che le spiegazioni teoriche non offrono: rende visibile il delta. Non basta sapere che “un titolo descrittivo aiuta la comprensione” — bisogna vedere cosa succede quando manca, e cosa cambia quando c’è. La differenza tra le due versioni è il luogo in cui si impara davvero.

Come leggere i casi studio di questa guida

Ogni caso è strutturato in quattro momenti. Il contesto descrive la situazione: chi ha prodotto il dato, per quale pubblico, con quale obiettivo. Il problema della versione iniziale identifica cosa non funziona e perché — non in termini estetici, ma di comunicazione. L’intervento descrive la modifica: cosa è stato cambiato, aggiunto o tolto. Il risultato spiega perché la seconda versione comunica meglio, con riferimento ai principi che la supportano.

Un avvertimento: nessuno di questi casi propone una soluzione “sempre giusta”. Il slopegraph funziona bene in quel contesto, per quel messaggio e per quel pubblico — non è una regola da applicare ovunque. Il bullet graph è più leggibile del tachimetro in molte situazioni, ma non in tutte. Tenere a mente questo aiuta a usare gli esempi come strumenti di ragionamento, non come template da copiare.

Il principio che accomuna tutti i casi

Ogni intervento che vedremo agisce su uno di tre livelli: la struttura visiva (come sono organizzati gli elementi nel grafico), la cornice narrativa (come viene presentato il dato in parole) o la scelta del tipo di grafico (quale forma visiva è più adatta a quel messaggio). Spesso i tre livelli si intrecciano. Ma identificare su quale livello si interviene aiuta a trasferire il ragionamento ad altri contesti.

Caso 1 — Amazon, 15 anni di dati finanziari: Gestalt e testo integrato

Il contesto

Immagina un grafico che mostra l’andamento di tre serie finanziarie di Amazon su quindici anni: fatturato, profitti operativi e cash flow. I dati coprono un arco temporale lungo, con dinamiche molto diverse tra le tre curve — il fatturato cresce con continuità, i profitti oscillano in modo meno lineare, il cash flow racconta una storia ancora diversa.

Il problema della versione iniziale

Nella versione di partenza, le tre serie sono tracciate sullo stesso piano con colori distinti e una legenda separata posizionata a lato o in basso. Il titolo è neutro e descrittivo: qualcosa come “Dati finanziari Amazon 2008–2023”. Chi guarda il grafico deve fare tre operazioni cognitive in sequenza: leggere la legenda, associare ogni colore alla serie corrispondente, poi tornare al grafico per interpretare le curve. È un lavoro mentale non banale, e in una presentazione che scorre veloce, o in un report letto in fretta, questo lavoro spesso non viene fatto. Il dato c’è, ma il messaggio no.

C’è un secondo problema: le tre serie hanno scale molto diverse. Il fatturato è di gran lunga la curva più alta; i profitti, in certi anni, sembrano quasi piatti al confronto. Senza un’indicazione esplicita, chi legge potrebbe concludere che i profitti siano irrilevanti — quando invece la storia interessante è proprio nel loro andamento relativo.

L’intervento: Gestalt e annotazioni integrate

L’intervento agisce su due fronti. Il primo è l’applicazione del principio di prossimità della Gestalt: invece di usare una legenda separata, le etichette delle tre serie vengono posizionate direttamente a fianco delle curve, nel punto finale o nel punto più significativo. L’occhio non deve più fare il viaggio legenda → colore → grafico: la label è già lì, accanto alla linea che descrive. Questo riduce il carico cognitivo e accelera la lettura.

Il secondo fronte è il testo integrato nel grafico. Invece di un titolo neutro, si usa un titolo parlante che orienta la lettura: qualcosa che segnali quale delle tre storie è quella principale, o quale relazione tra le curve merita attenzione. In aggiunta, brevi annotazioni testuali vengono inserite nei punti di svolta più rilevanti — un anno in cui i profitti si contraggono mentre il fatturato cresce, per esempio — per guidare l’interpretazione senza obbligare chi guarda a dedurla da solo.

Il risultato

La versione modificata non contiene più dati della prima. Contiene gli stessi numeri, le stesse curve. Ma il messaggio emerge senza sforzo: l’occhio segue un percorso guidato, le annotazioni contestualizzano i momenti critici, il titolo dice già cosa guardare. Questo è data storytelling applicato alla visualizzazione finanziaria: non più dati, ma dati meglio raccontati.

Takeaway operativo: nelle visualizzazioni con più serie, sostituisci la legenda separata con etichette dirette sulle curve e aggiungi un titolo che dica al lettore cosa guardare — non cosa è rappresentato, ma cosa significa.

Caso 2 — Incidenti stradali -11%: lo stesso dato, due storie opposte

Il contesto

Un dato reale, semplice: il numero di incidenti stradali gravi è diminuito dell’11% nei dodici mesi successivi all’introduzione di una modifica al codice della strada. Un solo numero, una sola variazione percentuale. Eppure questo dato può essere presentato in almeno due modi che portano a conclusioni diametralmente opposte.

Il problema: il framing invisibile

Il framing — la cornice narrativa con cui si presenta un dato — è uno dei meccanismi più potenti e meno discussi nel data storytelling. Non riguarda il grafico: riguarda le parole che lo circondano, il titolo, il contesto in cui viene inserito.

Versione A: “Il nuovo codice della strada ha ridotto gli incidenti gravi dell’11% in un anno.” Il lettore registra un successo, un intervento efficace, un dato che supporta la continuità della misura.

Versione B: “A un anno dall’entrata in vigore del nuovo codice, il 89% degli incidenti gravi non è stato evitato.” Il lettore registra un fallimento, una misura insufficiente, un dato che mette in discussione l’intervento.

I numeri sono identici. L’11% di riduzione e il fatto che l’89% degli incidenti persista sono la stessa realtà descritta da due angolazioni opposte. Nessuna delle due è tecnicamente falsa. Ma producono reazioni, interpretazioni e decisioni diverse.

L’intervento: rendere il framing esplicito

In un contesto di data storytelling professionale e onesto, la risposta non è scegliere il framing più conveniente — è renderlo esplicito e consapevole. Chi costruisce la comunicazione deve sapere che sta scegliendo una cornice, e deve poter giustificare quella scelta in base all’obiettivo della comunicazione e al pubblico.

Se l’obiettivo è valutare l’efficacia di una misura per decidere se mantenerla, il framing più utile è quello che confronta il risultato con un obiettivo prestabilito o con un benchmark. Se l’obiettivo è comunicare un successo a un pubblico generale, il framing positivo può essere appropriato. Se l’obiettivo è stimolare un dibattito su cosa resta da fare, il framing sulla quota residua può avere senso.

L’intervento, in questo caso, non è grafico ma narrativo: si tratta di aggiungere il contesto che permette al lettore di valutare il dato in modo informato — il punto di partenza, l’obiettivo dichiarato, il confronto con periodi precedenti o con altri paesi.

Il risultato

Questo caso mostra che il data storytelling non riguarda solo i grafici. Riguarda le parole, il titolo, la sequenza in cui le informazioni vengono presentate. Un dato senza cornice non è neutro: la cornice esiste sempre, anche quando non è dichiarata. Il professionista che sa leggere il framing — e sceglierlo consapevolmente — ha uno strumento di comunicazione molto più preciso di chi si limita a “mostrare i dati”.

Takeaway operativo: prima di pubblicare qualsiasi dato, chiediti esplicitamente “quale cornice sto usando?” e “questa cornice è giustificata dall’obiettivo della comunicazione?”. Se non sai rispondere, il framing è inconsapevole — e questo è un rischio, non una garanzia di neutralità.

Caso 3 — Matrimoni e titolo di studio (Pew Research): dal grafico affollato allo slopegraph

Il contesto

Il Pew Research Center ha pubblicato dati sulla percentuale di adulti sposati suddivisi per livello di istruzione, confrontando due periodi distanti nel tempo. L’obiettivo era mostrare come la relazione tra titolo di studio e matrimonio fosse cambiata nel corso dei decenni: un fenomeno sociologico rilevante, con implicazioni che riguardano la mobilità sociale, le disuguaglianze e i modelli familiari.

Il problema della versione iniziale

La versione originale presentava i dati come un grafico a barre raggruppate: per ogni categoria di titolo di studio, due barre affiancate — una per il primo periodo, una per il secondo. Il risultato era un grafico con molte barre, molti colori, una legenda da decodificare. Il dato c’era, ma il messaggio — come è cambiata la relazione tra istruzione e matrimonio nel tempo? — era sepolto sotto la complessità visiva.

Il problema specifico delle barre raggruppate in questo contesto è che costringono il lettore a fare confronti multipli in parallelo: deve confrontare le due barre per ogni categoria (variazione nel tempo) e confrontare le categorie tra loro (differenza per livello di istruzione). Sono due compiti cognitivi diversi, e il grafico li mescola senza dare priorità a nessuno. Chi guarda non sa da dove iniziare, e spesso non inizia.

L’intervento: lo slopegraph

Lo slopegraph — un grafico che mostra due punti nel tempo collegati da una linea per ogni categoria — è la forma visiva più adatta quando il messaggio principale è “come è cambiato X tra il momento A e il momento B per diverse categorie”. Ogni linea rappresenta una categoria di titolo di studio; la pendenza della linea mostra la direzione e l’entità del cambiamento; le linee che si incrociano raccontano inversioni di tendenza.

Nel caso Pew Research, lo slopegraph rende immediatamente visibile qualcosa che nel grafico a barre era nascosto: le categorie con titolo di studio più alto mostrano un andamento diverso rispetto a quelle con titolo più basso. L’incrocio delle linee — se presente — diventa il punto narrativo centrale del grafico, quello che il lettore nota per primo e che orienta la lettura del resto.

Il decluttering accompagna la scelta del tipo di grafico: si eliminano le griglie di sfondo, si riducono i colori al minimo necessario, si usano etichette dirette invece della legenda, si aggiunge un titolo che nomina esplicitamente il messaggio principale.

Il risultato

Lo slopegraph non è la soluzione universale per i confronti temporali tra categorie — con molte categorie le linee si sovrappongono e il grafico diventa illeggibile. Ma in questo contesto, con un numero gestibile di categorie e un messaggio centrato sulla variazione nel tempo, è la scelta che permette al dato di parlare. Il messaggio emerge senza che il lettore debba costruirlo da solo.

Takeaway operativo: quando il tuo messaggio principale è “come è cambiato X tra due momenti per diverse categorie”, considera lo slopegraph come candidato — ma verifica che il numero di categorie sia abbastanza contenuto da non produrre sovrapposizioni illeggibili.

Caso 4 — Aiuti all’Ucraina per categoria: perché la treemap batte la torta

Il contesto

Immagina una visualizzazione che deve mostrare la composizione degli aiuti internazionali all’Ucraina suddivisi per categoria: aiuti militari, aiuti umanitari, supporto finanziario, assistenza tecnica, e diverse sotto-categorie per ciascuna voce. Il numero di categorie è elevato — ben oltre le tre o quattro che una torta riesce a gestire con efficacia.

Il problema della torta con molte fette

Il grafico a torta funziona bene in condizioni molto specifiche: poche categorie (idealmente due o tre), differenze di dimensione abbastanza marcate da essere percepibili visivamente, e un messaggio centrato sulla proporzione rispetto al tutto. Quando le categorie sono molte, la torta fallisce per un motivo preciso: l’occhio umano non è bravo a confrontare angoli e aree circolari. Una fetta del 12% e una del 15% sembrano quasi identiche su una torta; su un grafico a barre la differenza è immediatamente percepibile.

Con dieci o più categorie, la torta produce un grafico affollato, con fette sottili difficili da distinguere, colori troppo simili tra loro, e una legenda che richiede di fare avanti e indietro tra il grafico e le etichette. Il messaggio — come si distribuisce la composizione? quali categorie dominano? — si perde.

L’intervento: la treemap

La treemap rappresenta ogni categoria come un rettangolo la cui area è proporzionale al valore. Le categorie sono organizzate nello spazio in modo da occupare l’intera superficie disponibile, con le categorie più grandi che occupano più spazio visivo. Le etichette possono essere inserite direttamente dentro i rettangoli, eliminando la necessità di una legenda separata.

Per la visualizzazione degli aiuti all’Ucraina, la treemap offre vantaggi concreti: permette di leggere la gerarchia delle categorie a colpo d’occhio (i rettangoli più grandi sono le categorie dominanti), consente di raggruppare le sotto-categorie in blocchi visivi che le collegano alla categoria principale, e gestisce un numero elevato di categorie senza perdere leggibilità — purché le categorie più piccole abbiano comunque un’area minima sufficiente a essere visibili.

La treemap non è priva di limiti: i confronti precisi tra categorie di dimensione simile sono più difficili che su un grafico a barre, e le variazioni percentuali nel tempo non si leggono bene. Ma quando il messaggio è “mostrare la composizione di un insieme con molte categorie”, è spesso la scelta più efficace.

Il risultato

La treemap trasforma una torta illeggibile in una mappa visiva della composizione. Chi guarda capisce in pochi secondi quali categorie sono dominanti, come si raggruppano le sotto-categorie e dove si concentra la maggior parte delle risorse. Non perché la treemap sia sempre migliore della torta, ma perché in questo contesto — molte categorie, messaggio centrato sulla gerarchia compositiva — è la forma visiva più adatta al compito.

Takeaway operativo: prima di usare una torta, conta le categorie. Se sono più di quattro o cinque, valuta alternative: barre orizzontali per i confronti, treemap per la composizione gerarchica con molte voci.

Caso 5 — KPI di performance: bullet graph al posto del tachimetro

Il contesto

I cruscotti di performance aziendale — dashboard per il management, report di monitoraggio mensile, sintesi di KPI per la direzione — fanno largo uso di indicatori visivi per mostrare lo stato di un obiettivo. Tra questi, il grafico a tachimetro (o gauge chart) è uno dei più diffusi: un semicerchio con un indice che punta a un valore, spesso con zone colorate (rosso, giallo, verde).

Il problema del tachimetro

Il tachimetro ha un problema strutturale che riguarda l’efficienza visiva: occupa molto spazio per trasmettere pochissime informazioni. In un semicerchio che può occupare un quarto della schermata, il tachimetro comunica essenzialmente un solo dato — il valore attuale — e una valutazione qualitativa (sei nel verde, nel giallo o nel rosso). Non mostra il target preciso, non mostra la performance storica, non mostra la variazione rispetto al periodo precedente.

C’è anche un problema di percezione: l’occhio umano non è particolarmente bravo a leggere angoli su un semicerchio. La differenza tra un indice a 68° e uno a 72° è difficile da percepire, anche se può corrispondere a una differenza significativa nel valore sottostante. Il tachimetro è visivamente memorabile, ma informativamente povero.

L’intervento: il bullet graph

Il bullet graph, sviluppato da Stephen Few come alternativa ai gauge chart, è una barra orizzontale (o verticale) che in uno spazio compatto integra più livelli di informazione. La barra principale mostra il valore attuale; una linea verticale sovrapposta indica il target; fasce di sfondo con intensità di colore diversa (non necessariamente rosso/giallo/verde) mostrano le soglie di performance — scarsa, accettabile, buona.

In uno spazio che il tachimetro userebbe per mostrare un solo dato, il bullet graph mostra il valore attuale, il confronto con il target, e il posizionamento rispetto alle soglie di performance. Può essere affiancato a una label testuale con il valore numerico preciso, eliminando l’ambiguità della lettura angolare.

Nelle dashboard dove più KPI devono essere confrontati tra loro, i bullet graph possono essere impilati verticalmente in una lista compatta: ogni riga è un KPI, e il confronto tra KPI diversi è immediato perché tutti usano la stessa scala e la stessa struttura visiva. Con i tachimetri, questo confronto è molto più difficile perché ogni semicerchio è visivamente isolato.

Il risultato

Il bullet graph non è sempre la scelta giusta. In contesti in cui l’obiettivo è comunicare a un pubblico non tecnico con un impatto visivo immediato, la familiarità del tachimetro può avere un valore. Ma in una dashboard professionale, dove chi legge deve confrontare più KPI in poco tempo e prendere decisioni operative, il bullet graph è quasi sempre più efficace: trasmette più informazioni in meno spazio, con più precisione e meno ambiguità.

Takeaway operativo: nelle dashboard professionali, valuta il bullet graph come alternativa al tachimetro ogni volta che devi mostrare un KPI rispetto a un target e a soglie di performance. La compattezza del bullet graph permette di confrontare più indicatori in un colpo d’occhio.

Come scegliere l’intervento giusto: un framework di ragionamento

I cinque casi mostrano che gli interventi di data storytelling agiscono su livelli diversi. Vale la pena sistematizzare questo ragionamento in un framework che puoi applicare ai tuoi report e alle tue presentazioni.

Il livello della struttura visiva

Gli interventi sulla struttura visiva riguardano come sono organizzati gli elementi dentro il grafico: la posizione delle etichette, la presenza o assenza di griglie, la scelta dei colori, le annotazioni testuali. Il caso Amazon è un esempio: le stesse curve, con etichette dirette e annotazioni integrate, comunicano molto meglio della versione con legenda separata. Questo livello di intervento è spesso il più accessibile: non richiede di cambiare il tipo di grafico, solo di riorganizzare gli elementi esistenti.

Il livello della cornice narrativa

Gli interventi sulla cornice narrativa riguardano le parole: il titolo del grafico, il testo introduttivo, il contesto in cui il dato viene inserito. Il caso degli incidenti stradali è l’esempio più puro: lo stesso numero, due titoli diversi, due storie opposte. Questo livello è spesso sottovalutato perché sembra “solo testo” — ma il titolo di un grafico è il primo elemento che il lettore vede, e orienta tutto il resto della lettura.

Il livello della scelta del tipo di grafico

Gli interventi sul tipo di grafico richiedono di rimettere in discussione la forma visiva: non come organizzare meglio le barre, ma se le barre siano la scelta giusta. I casi Pew Research (slopegraph), Ucraina (treemap) e KPI (bullet graph) mostrano situazioni in cui cambiare il tipo di grafico è l’intervento più efficace. Questo livello richiede la conoscenza più ampia del repertorio di forme visive disponibili e dei contesti in cui ciascuna funziona meglio.

La tabella seguente sintetizza i cinque casi con il livello di intervento prevalente e il principio che lo guida:

Caso	Problema principale	Livello di intervento	Principio guida
Amazon finanziari	Legenda separata, titolo neutro	Struttura visiva + cornice	Gestalt, testo integrato
Incidenti stradali	Framing inconsapevole	Cornice narrativa	Consapevolezza del framing
Pew Research matrimoni	Grafico affollato, messaggio nascosto	Tipo di grafico + decluttering	Slopegraph per variazione temporale
Aiuti Ucraina	Torta con troppe categorie	Tipo di grafico	Treemap per composizione complessa
KPI tachimetro	Spazio sprecato, poche informazioni	Tipo di grafico	Bullet graph per efficienza informativa

Nessuno di questi interventi è meccanicamente trasferibile a qualsiasi contesto. Ma il ragionamento che li produce — identificare il problema, capire su quale livello agire, scegliere la forma più adatta al messaggio e al pubblico — è esattamente quello che si allena studiando casi reali.

Domande frequenti

Cosa si intende per data storytelling con un esempio concreto?

Il data storytelling è la pratica di integrare analisi, visualizzazione e narrazione per rendere i dati comprensibili e orientati alla decisione. Un esempio concreto: invece di mostrare una tabella con i dati finanziari di un’azienda su quindici anni, si costruisce un grafico con etichette dirette, annotazioni nei punti critici e un titolo che dice al lettore cosa guardare — non cosa è rappresentato, ma cosa significa.

Qual è la differenza tra data storytelling e data visualization?

La data visualization è la rappresentazione grafica dei dati; il data storytelling aggiunge la dimensione narrativa — il contesto, il messaggio, la sequenza logica che guida il lettore verso una conclusione. Una visualizzazione può esistere senza storytelling (un grafico neutro che mostra dati); il data storytelling non esiste senza una visualizzazione efficace. I due concetti si sovrappongono ma non sono sinonimi.

Cos’è il framing dei dati e perché è importante?

Il framing è la cornice narrativa con cui si presenta un dato: le parole del titolo, il contesto fornito, la sequenza delle informazioni. Lo stesso numero può raccontare storie opposte a seconda del framing scelto. È importante perché il framing esiste sempre — anche quando non è dichiarato — e influenza la percezione e le decisioni del lettore. Renderlo consapevole è parte del lavoro del data storyteller.

Quando usare uno slopegraph invece di un grafico a barre?

Lo slopegraph è adatto quando il messaggio principale è mostrare come è cambiato un valore tra due momenti nel tempo per diverse categorie, e quando il numero di categorie è abbastanza contenuto da evitare sovrapposizioni. Se le categorie sono molte o se il confronto riguarda più di due periodi, le barre raggruppate o un grafico a linee possono essere più leggibili. La scelta dipende sempre dal messaggio e dal numero di categorie.

La treemap è sempre migliore della torta per mostrare composizioni?

No. La torta funziona bene con poche categorie (due o tre) e differenze di dimensione marcate. La treemap è preferibile quando le categorie sono molte e il messaggio riguarda la gerarchia compositiva. Con categorie di dimensione molto simile, entrambe hanno limiti: in quel caso, le barre orizzontali permettono confronti più precisi. La scelta dipende dal numero di categorie e dal tipo di confronto che si vuole facilitare.

Cos’è un bullet graph e quando conviene usarlo?

Il bullet graph è un grafico a barre compatto che mostra in uno spazio ridotto il valore attuale di un KPI, il target e le soglie di performance. È particolarmente utile nelle dashboard professionali dove più indicatori devono essere confrontati tra loro: impilati verticalmente, i bullet graph permettono una lettura rapida e precisa. Il tachimetro è più familiare visivamente, ma trasmette molte meno informazioni nello stesso spazio.

Come si applica la Gestalt al data storytelling?

I principi della Gestalt descrivono come l’occhio umano raggruppa e interpreta gli elementi visivi. Nel data storytelling, il principio di prossimità suggerisce di posizionare le etichette vicino agli elementi che descrivono — come le label direttamente sulle curve invece che in una legenda separata. Il principio di similarità suggerisce di usare lo stesso colore per elementi che appartengono alla stessa categoria. Applicati ai grafici, questi principi riducono il carico cognitivo e accelerano la comprensione.

Cosa portare via da questi cinque casi

I casi analizzati mostrano che il data storytelling non è un’unica tecnica, ma un insieme di competenze che agiscono a livelli diversi: la struttura visiva del grafico, la cornice narrativa che lo circonda, la scelta della forma visiva più adatta al messaggio. Nessuna soluzione è universale, e questa è la premessa più importante da tenere a mente.

Ciò che accomuna tutti e cinque i casi è un metodo: partire dal messaggio, identificare il problema della versione iniziale, scegliere l’intervento più adatto a quel contesto specifico. È un ragionamento che si allena — e che cambia il modo in cui si progettano report, dashboard e presentazioni.

Se vuoi sviluppare questa capacità in modo strutturato, con casi studio applicati al tuo contesto professionale e un metodo che copre analisi, visualizzazione e narrazione, la Data Storytelling Masterclass è il percorso progettato esattamente per questo.