Un terzo dei record in un dataset di clienti non ha un valore di età registrato. La reazione più comune è la più sbrigativa: eliminare quei record dall’analisi e calcolare le medie sul resto, ragionando che due terzi dei dati siano comunque un campione sufficiente. È quasi sempre un errore, e non per una questione di dimensione del campione. Il problema non è quanti dati mancano, ma perché mancano — una domanda che la maggior parte delle analisi di marketing salta del tutto.
I dati mancanti si comportano in modo molto diverso a seconda del meccanismo che li ha prodotti, e la statistica ne distingue tre tipi. Nel primo, mancano in modo completamente casuale — un errore tecnico in una parte casuale del sistema di raccolta — e qui eliminare i record incompleti non introduce distorsioni sistematiche, solo una perdita di precisione. Nel secondo, mancano in modo casuale ma condizionato a un’altra variabile osservata: i clienti acquisiti tramite un canale specifico tendono sistematicamente a non compilare il campo età, mentre quelli acquisiti da un altro lo compilano quasi sempre. Nel terzo, il più insidioso, mancano in un modo che dipende dal valore stesso: i clienti con un reddito molto più basso o molto più alto della media tendono a non dichiararlo, mentre chi si colloca nella fascia media lo fa volentieri.
Nel terzo caso, e spesso anche nel secondo, eliminare semplicemente i record con valori mancanti non riduce solo la dimensione del campione: distorce sistematicamente le medie calcolate sul resto. Se i clienti più giovani e quelli più anziani sono quelli che con maggiore probabilità non compilano il campo età — perché diffidano di più della richiesta, o perché usano dispositivi e percorsi diversi da chi lo compila regolarmente — eliminare quei record produce una stima dell’età media sistematicamente distorta verso il centro della distribuzione, anche se il campione rimanente sembra numericamente sufficiente. Il problema non si vede guardando solo il numero finale. Si vede solo chiedendosi, prima di eliminare qualunque record, se i dati mancanti sono distribuiti in modo casuale rispetto a quello che si sta cercando di misurare.
Un’alternativa più prudente si chiama imputazione: sostituire il valore mancante con una stima costruita a partire dalle altre informazioni disponibili sullo stesso cliente — l’età mancante stimata sulla base della categoria di prodotto acquistata, del canale di acquisizione, o di altre variabili correlate nei record completi. Non elimina il problema di fondo se il meccanismo di assenza dipende dal valore stesso mancante, ma riduce la distorsione rispetto alla semplice eliminazione, perché mantiene nel campione l’informazione parziale invece di scartarla. Una tecnica più semplice, utile quando i valori mancanti sono pochi, è marcare esplicitamente l’assenza del dato come categoria a sé, invece di stimarla — permettendo di verificare successivamente se i clienti senza quel dato si comportano in modo sistematicamente diverso dagli altri, un’informazione che la semplice eliminazione nasconde completamente.
Il caso più comune in cui questo problema si manifesta silenziosamente, nel marketing, è il calcolo del valore medio di un cliente o dell’efficacia media di un canale, quando una parte consistente delle conversioni non ha un attributo di tracciamento completo — un cliente che ha rifiutato il consenso ai cookie, un ordine senza sorgente di traffico registrata. Se questi ordini vengono semplicemente esclusi dal calcolo delle metriche, e se il rifiuto del consenso è più comune in certi segmenti di pubblico rispetto ad altri — un pattern osservato ripetutamente nella letteratura sul consenso — le metriche calcolate sul resto del campione riflettono sistematicamente il comportamento di chi accetta il tracciamento, non quello dell’intera base clienti. Una distorsione che nessun dashboard segnala mai esplicitamente.
Prima di eliminare record con dati mancanti da qualunque analisi, la domanda da porsi è se esiste una ragione per pensare che l’assenza del dato sia collegata a caratteristiche del cliente rilevanti per l’analisi stessa — un canale di acquisizione, una fascia d’età, un livello di reddito. Se una relazione del genere è anche solo plausibile, la semplice eliminazione rischia di produrre medie e percentuali che sembrano precise ma riflettono sistematicamente solo la parte di clientela più disposta a fornire quel dato.