Confrontarli in modo inconfutabile e oggettivo, o di compararli con informazioni passate e perciò non più applicabili al presente.

Il cuore del problema sta nel fatto che, molte volte nel marketing digitale, i dati di osservazione sono usati per valutare la bontà di un’operazione, anziché basarsi sui dati che nascono da una sperimentazione, da dei test.

Un esempio per chiarirci:

Nel 2015, eBay ha scoperto che la pubblicità che facevano sulla rete di ricerca di Google, aveva un ROI negativo.

Lo hanno capito solo dopo aver fatto un test, in cui hanno interrotto la pubblicità in alcune aree geografiche e non in altre.

Così facendo hanno visto che accendendo o spegnendo una campagna, il traffico non subiva variazioni.

Per i dirigenti è stata una sorpresa, perché credevano, sulla base di vecchi dati di osservazione, che la pubblicità di ricerca producesse effettivamente traffico al portale.

Un altro esempio, uscendo dalla sfera del marketing, ci arriva dal dibattito sui vaccini contro il Covid-19 e sui loro presunti effetti avversi: questi effetti collaterali sono causati dal vaccino o i due eventi si sono semplicemente verificati insieme?

L’errata attribuzione della causalità (rapporto causa-effetto) non è un problema che riguarda solo il processo decisionale, ma investe anche le previsioni future.

In conclusione:
Se attribuiamo erroneamente le cause, o ci basiamo troppo su dati di osservazione (magari pure vecchi) anziché di sperimentazione, non possiamo prevedere con precisione le conseguenze, né quelle previste né tantomeno quelle inaspettate.