Il report annuale arriva sul tavolo con una buona notizia in prima pagina: la posizione media del sito è passata da 23 a meno di 13. Dieci posizioni guadagnate in un anno, senza una campagna di link, senza una riscrittura dei contenuti.
Poi si gira pagina, e i clic sono gli stessi di prima: 168 al giorno prima, 168 al giorno dopo. Un sito che sale di dieci posizioni e non prende un clic in più è un sito strano. Oppure è un sito che non è salito affatto.
Abbiamo avuto modo di vedere, parlando di anomaly detection, come si riconosce un giorno fuori norma: un picco, un crollo, un valore che la serie non si aspettava. Qui il problema è diverso, e più insidioso. Non c’è un giorno strano: c’è un giorno dopo il quale tutti i giorni sono diversi, perché è cambiato il modo di contarli. Si chiama rottura strutturale, e nei dati web succede molto più spesso di quanto pensiamo.
In sintesi: un’anomalia è un punto isolato fuori norma; una rottura strutturale è un cambio di livello (o di comportamento) che resta. Nelle metriche SEO una causa da controllare sempre, prima di interpretare il salto, è un cambiamento nello strumento di misura: a settembre 2025, per esempio, il parametro &num=100 di Google ha smesso di funzionare, e su molti siti sono sparite da un giorno all’altro parecchie impressioni nelle posizioni profonde. La posizione media, che è una media ponderata sulle impressioni, è “migliorata” di colpo senza che nessuna pagina si muovesse. Per trovare una rottura servono strumenti diversi da quelli per le anomalie: la somma cumulata degli scarti (CUSUM), un test formale e la funzione breakpoints() del pacchetto R strucchange, che stima quante rotture ci sono e dove. Una volta trovata, la rottura va rispettata nei confronti: periodi dallo stesso lato, metriche che tocca meno, e una riga nel report che la dichiara.
Di cosa parleremo:
- Anomalia o rottura?
- Il caso &num=100
- La posizione media è una media ponderata
- Trovare la rottura: prima a occhio, poi col CUSUM
- È una rottura o è il caso?
- Dove e quante: breakpoints()
- Trattarla nei confronti
- Gli altri metri che cambiano
- Domande frequenti
- Prova tu
- Per approfondire
Anomalia o rottura?
La differenza si capisce meglio con due immagini. Un’anomalia è un sasso che cade nell’acqua: uno schizzo, e il livello torna quello di prima. Una rottura strutturale è una chiusa che si apre: il livello scende, e resta lì.
Le due cose chiedono domande diverse. Davanti a un’anomalia ci chiediamo che cosa è successo quel giorno: un bot, una menzione su un giornale, un problema al server. Davanti a una rottura ci chiediamo che cosa è cambiato da quel giorno in poi, e la risposta, molto spesso, non riguarda il comportamento delle persone ma il metro con cui lo misuriamo: uno strumento che conta in modo diverso, un filtro nuovo, una definizione che cambia.
Gli strumenti, di conseguenza, sono diversi. Per un’anomalia confrontiamo ogni giorno con quello che ci aspettavamo e cerchiamo gli scarti troppo grandi. Per una rottura dobbiamo capire se la serie è meglio descritta da un livello solo o da due (o più) livelli diversi in periodi diversi, e dove cade il confine. Un’anomalia si cerca giorno per giorno; una rottura si cerca guardando la serie tutta insieme.
Il caso &num=100
Fino all’estate del 2025, aggiungendo &num=100 all’indirizzo di una ricerca Google si ottenevano cento risultati in una pagina sola, invece di dieci. Pochi esseri umani lo usavano; lo usavano moltissimo gli strumenti di monitoraggio delle posizioni, che in una richiesta sola leggevano tutta la classifica fino alla centesima posizione.
Intorno al 10-12 settembre 2025 il parametro ha smesso di funzionare, e qualche giorno dopo Google ha confermato che non è un parametro supportato. Nello stesso momento moltissimi siti hanno visto le impressioni calare e la posizione media migliorare di colpo, soprattutto da desktop.
La spiegazione più accreditata fra gli addetti ai lavori (un’interpretazione, non una dichiarazione di Google) è che una parte delle impressioni nelle posizioni profonde venisse proprio da quelle pagine da cento risultati caricate dagli strumenti: senza il parametro, gli strumenti leggono le classifiche dieci risultati alla volta, e quelle impressioni non si generano più.
Facciamo un esempio, con dati costruiti apposta per riprodurre la forma del fenomeno. Un anno di Search Console, dal 1° marzo 2025 al 28 febbraio 2026, con due componenti:
- le impressioni nelle prime dieci posizioni, che vengono da persone vere: circa 3.000 al giorno (un quarto in meno nel fine settimana), con una posizione intorno a 4,5;
- le impressioni oltre la decima posizione, in buona parte generate dagli strumenti: circa 2.300 al giorno, con una posizione intorno a 45, che dall’11 settembre scendono a circa 700.
I clic vengono solo dalla prima pagina, e non cambiano. Aggiungiamo anche un giorno anomalo, il 20 maggio, in cui un bot fa comparire novemila impressioni profonde in più.
Costruisco i dati in R:
library(strucchange)
set.seed(2026)
giorno <- seq.Date(as.Date("2025-03-01"), as.Date("2026-02-28"), by = "day")
n <- length(giorno)
taglio <- as.Date("2025-09-11")
dopo <- giorno >= taglio
feriale <- ifelse(format(giorno, "%u") %in% c("6", "7"), 0.75, 1)
# impressioni nelle prime dieci posizioni: persone vere, ritmo invariato
impr_top <- rpois(n, 3000 * feriale)
pos_top <- rnorm(n, 4.5, 0.25)
# impressioni oltre la decima posizione: in buona parte strumenti di monitoraggio;
# dal taglio ne restano poche
impr_prof <- rpois(n, ifelse(dopo, 700, 2300) * exp(rnorm(n, 0, 0.15)))
pos_prof <- rnorm(n, 45, 3)
# un giorno anomalo: un bot che aggiunge novemila impressioni profonde il 20 maggio
picco <- giorno == as.Date("2025-05-20")
impr_prof[picco] <- impr_prof[picco] + 9000
# i clic vengono solo dalla prima pagina e non cambiano
clic <- rpois(n, impr_top * 0.06)
gsc <- data.frame(
giorno, dopo,
impression = impr_top + impr_prof,
clic,
posizione = (impr_top * pos_top + impr_prof * pos_prof) / (impr_top + impr_prof),
impr_top, pos_top, impr_prof
)Search Console, naturalmente, non ci dà le due componenti separate: ci dà le impressioni totali, i clic e la posizione media di ogni giorno. Calcolo le medie dei valori giornalieri prima e dopo l’11 settembre:
media <- function(x) round(tapply(x, gsc$dopo, mean), 2)
media(gsc$impression)
media(gsc$clic)
media(gsc$posizione)| prima dell’11/9 | dopo l’11/9 | variazione | |
|---|---|---|---|
| impressioni al giorno | 5.164 | 3.500 | −32% |
| clic al giorno | 168,3 | 168,1 | 0% |
| posizione media (media dei valori giornalieri) | 22,85 | 12,82 | dieci posizioni “guadagnate” |
| CTR | 3,26% | 4,80% | +47% |
Tre metriche su quattro raccontano una storia spettacolare (meno impressioni, ma posizione e CTR alle stelle) e una, i clic, dice che non è successo niente. È la metrica che sta zitta quella che dice la verità: le persone vere vedono il sito quanto prima, nelle stesse posizioni di prima, e cliccano quanto prima.
La posizione media è una media ponderata
Per capire come la posizione possa “migliorare” senza che nessuna pagina si muova, conviene guardare come è costruita. Search Console non fa la media delle posizioni delle nostre pagine, ma la media sulle impressioni: ogni volta che il sito compare in una ricerca, la posizione del suo risultato più alto in quella ricerca entra nel conto. A parole: è una media ponderata, in cui ogni posizione pesa per quante impressioni ha raccolto.
\( \displaystyle \text{posizione media} = \frac{\sum_i \text{impressioni}_i \cdot \text{posizione}_i}{\sum_i \text{impressioni}_i} \)
dove la somma corre su gruppi che non si sovrappongono (le query, oppure i giorni) e ogni posizione è moltiplicata per le impressioni che ha raccolto. Se cambiano i pesi, cambia la media, anche se nessuna posizione cambia. (Calcolata così, sui due periodi interi, la posizione della nostra simulazione passa da 23,00 a 12,75: quasi gli stessi numeri della tabella, che riporta la media semplice dei valori giornalieri.)
È esattamente quello che è successo. Calcolo in R la quota di impressioni oltre la decima posizione e la posizione media delle sole prime dieci, prima e dopo:
tapply(gsc$impr_prof, gsc$dopo, sum) / tapply(gsc$impression, gsc$dopo, sum)
# prima 0,460 dopo 0,204
tapply(gsc$impr_top * gsc$pos_top, gsc$dopo, sum) / tapply(gsc$impr_top, gsc$dopo, sum)
# prima 4,50 dopo 4,51Prima del taglio quasi metà delle impressioni (il 46%) stava oltre la decima posizione, intorno alla 45; dopo, solo un quinto. La posizione media delle prime dieci è rimasta identica, 4,50 contro 4,51. La media è migliorata perché sono spariti i numeri più grandi dal conto, non perché qualche numero sia diventato più piccolo.
Chi ha letto l’articolo sul paradosso di Simpson riconoscerà il meccanismo: un aggregato che si muove mentre nessuno dei gruppi che lo compongono si muove, solo perché è cambiato il loro peso. La stessa cosa vale per il CTR, che è un rapporto fra clic e impressioni: se dal denominatore spariscono impressioni che non producevano clic, il CTR sale da solo.
Con dati veri le due componenti non si possono separare con esattezza, ma un controllo approssimativo si fa. Si scaricano le query una per una (con l’API di Search Console o con l’esportazione per query), si sceglie un insieme fisso di query presenti in tutti e due i periodi, e si ricalcola la posizione media solo su quelle con posizione fino a 10. Il filtro non è perfetto: la posizione di una query è già una media, e una query in posizione 9 può avere qualche impressione più in basso; inoltre l’esportazione per query lascia fuori le query anonimizzate. Ma se su quell’insieme la posizione non si muove mentre quella complessiva salta, abbiamo un indizio forte che il salto stia nella composizione.
Trovare la rottura: prima a occhio, poi col CUSUM
Il primo strumento è sempre il grafico. Mettiamo una sopra l’altra la serie delle impressioni e quella della posizione media:

A occhio il disegno è chiaro: un picco isolato a maggio, che la serie dimentica il giorno dopo, e un gradino a settembre, che non si richiude più. Il grafico però ha un limite: funziona quando la rottura è grande. Una rottura del 5%, mescolata al rumore dei giorni della settimana, all’occhio sfugge.
Per vederla meglio c’è un trucco semplice, la somma cumulata degli scarti dalla media, che come dicono gli anglosassoni si chiama CUSUM (cumulative sum). L’idea è questa: calcoliamo la media della serie su tutto l’anno, e poi sommiamo, giorno dopo giorno, di quanto ciascun giorno sta sopra o sotto quella media.
\( \displaystyle S_t = \sum_{i=1}^{t} \left( y_i – \bar{y} \right) \)
dove \( y_i \) è il valore del giorno \( i \) (qui il logaritmo delle impressioni, per ragionare in termini di variazioni percentuali), \( \bar{y} \) è la media di tutto il periodo e \( S_t \) è la somma accumulata fino al giorno \( t \).
Se la serie oscilla intorno a un livello solo, gli scarti positivi e negativi si compensano e la somma vaga intorno a zero. Se invece la serie ha due livelli, nel primo periodo i giorni stanno quasi tutti sopra la media complessiva e la somma sale; nel secondo stanno quasi tutti sotto e la somma scende (alla fine torna sempre a zero, per costruzione, perché gli scarti dalla media sommano a zero). Il punto in cui la somma cumulata smette di salire e comincia a scendere è il candidato naturale per la rottura. È un indizio, non una prova: per verificare che la rottura ci sia, e per localizzarla con la sua incertezza, servono gli strumenti che vediamo fra poco.
Lo calcolo in R:
y <- log(gsc$impression)
cusum <- cumsum(y - mean(y))
giorno[which.max(abs(cusum))]
# "2025-09-10"In questo esempio il massimo cade il 10 settembre, l’ultimo giorno prima del taglio, e indica correttamente il confine. Il picco di maggio, invece, nella somma cumulata lascia appena un piccolo scalino: un giorno solo pesa poco su una somma di trecento.

Nella stessa figura c’è la somma cumulata dei clic, che resta piatta intorno allo zero per tutto l’anno. Le due curve, una accanto all’altra, suggeriscono in un colpo d’occhio quello che la tabella diceva coi numeri: le impressioni hanno cambiato livello, i clic no. (Una curva piatta non dimostra l’assenza di rotture: due rotture opposte, per esempio, potrebbero compensarsi. Per questo il passo successivo è un test.)
È una rottura o è il caso?
Anche una serie senza nessuna rottura produce una somma cumulata che si allontana un po’ da zero: il caso, da solo, fa dei giri. La domanda è quanto lontano deve andare la curva perché il caso non basti più a spiegarla. È la stessa logica del test delle ipotesi: partiamo dall’ipotesi che la serie abbia un livello solo, e misuriamo quanto sarebbe sorprendente, sotto quell’ipotesi, una somma cumulata come quella osservata.
Il pacchetto strucchange fa il conto per noi, con il test OLS-CUSUM: la somma cumulata dei residui di un modello (qui il modello più semplice, un livello costante), riscalata e confrontata con i limiti che il caso può raggiungere. Eseguo il test in R, sulle impressioni e poi sui clic:
sctest(efp(y ~ 1, type = "OLS-CUSUM"))
# S0 = 8.2333, p-value < 2.2e-16
yc <- log(gsc$clic)
sctest(efp(yc ~ 1, type = "OLS-CUSUM"))
# S0 = 0.39067, p-value = 0.998La statistica delle impressioni vale 8,2, molto oltre il valore critico al 5%, che è intorno a 1,36: se la serie avesse un livello solo (e le ipotesi del test reggessero), una deviazione così grande sarebbe estremamente improbabile. Il p-value stampato, “< 2.2e-16”, non vuol dire probabilità zero: è solo il numero più piccolo che R si prende la briga di scrivere. Quella dei clic vale 0,39, con un p-value di 0,998: nessuna evidenza di una rottura.
Dove e quante: breakpoints()
Il test dice se c’è una rottura, non dove, né quante. Per questo c’è breakpoints(), che fa una cosa concettualmente semplice: prova tutti i modi possibili di tagliare la serie in segmenti (uno, due, tre…), stima in ogni segmento il suo livello, e cerca i tagli che rendono più piccolo l’errore complessivo. Poi, per decidere quanti tagli, usa il BIC, un criterio che premia l’adattamento ai dati ma penalizza ogni segmento in più: un taglio in più si guadagna il posto solo se migliora il modello abbastanza da pagare la sua penalità.
Stimo in R i punti di rottura delle impressioni, chiedendo che ogni segmento duri almeno il 10% della serie (h = 0.1, cioè 36 giorni):
bp <- breakpoints(y ~ 1, h = 0.1)
summary(bp)$RSS["BIC", ]
giorno[bp$breakpoints] # "2025-09-10"
giorno[confint(bp)$confint] # "2025-09-09" "2025-09-10" "2025-09-12"
round(exp(coef(bp))) # 5122 e 3481| rotture | 0 | 1 | 2 | 3 | 4 |
|---|---|---|---|---|---|
| BIC | −48,3 | −539,5 | −530,8 | −522,0 | −512,1 |
Il BIC più basso è quello con una sola rottura, e di gran lunga: passare da zero a una rottura fa crollare il BIC di quasi 500 punti, passare da una a due lo fa risalire. La rottura cade il 10 settembre 2025, che in strucchange è l’ultimo giorno del primo segmento: il nuovo livello comincia l’11, esattamente dove l’avevamo messo. L’intervallo di confidenza al 95% va dal 9 al 12 settembre. I due livelli stimati, riportati dalla scala logaritmica, sono 5.122 e 3.481 impressioni al giorno: sono medie geometriche, un po’ più basse delle medie aritmetiche della tabella iniziale (5.164 e 3.500), come succede sempre quando si torna indietro dai logaritmi.
Due cose meritano attenzione. La prima: il picco di maggio non è stato scambiato per una rottura. Un giorno solo non basta a creare un segmento (ne servirebbero almeno 36), e in questa simulazione non sposta i tagli. Non è una garanzia generale: un’anomalia più intensa, o lunga qualche settimana, può spostare il confine o favorire un segmento che la contiene, e con dati veri vale la pena ripetere la stima togliendo i giorni anomali per vedere se il risultato cambia.
La seconda: lo stesso procedimento sui clic sceglie zero rotture (il BIC più basso, −305,6, è quello senza tagli).
n.b. il modello che abbiamo usato è il più semplice possibile, un livello costante per segmento, e ignora che i fine settimana hanno meno impressioni. Con un salto così netto la data della rottura non cambia, ma l’incertezza sì: mettendo nel modello anche il giorno della settimana (breakpoints(y ~ settimana, h = 0.1)) l’intervallo si restringe al 9-11 settembre. Un ritmo regolare lasciato nei residui rende test e intervalli meno affidabili, e con rotture più piccole può spostare anche la data: conviene modellarlo, o lavorare sui totali settimanali.
Trattarla nei confronti
Trovata la rottura, il lavoro vero è non farsi ingannare da lei nei confronti che facciamo ogni giorno.
Un avvertimento: prima di interpretare un cambiamento brusco come un successo o un problema del sito, va controllato se nello stesso giorno è cambiato lo strumento di misura. Un salto che compare lo stesso giorno su molti siti diversi, o su una metrica sì e su quella accanto no, è molto spesso un cambio del metro. Un numero che cambia di colpo è prima di tutto una domanda sullo strumento, e solo dopo una domanda sul sito.
Nella pratica quotidiana le regole sono tre.
La prima: confrontare solo periodi dallo stesso lato della rottura. Un confronto delle impressioni fra ottobre 2025 e ottobre 2024 rischia di misurare il taglio di &num=100 più che il sito: quanto pesi dipende dalla proprietà (e dal dispositivo), e va verificato caso per caso. Lo stesso vale per il confronto anno su anno, che per un anno intero dopo la rottura mette a confronto due metri diversi.
La seconda: usare le metriche che la rottura tocca meno. Nel caso di &num=100 i clic sono molto meno esposti, perché gli strumenti di monitoraggio non cliccano; le impressioni, la posizione media e il CTR lo sono molto di più. Se una domanda si può riformulare sui clic, conviene farlo, usandoli però come controllo e non come garanzia: nello stesso periodo possono essere cambiati anche loro, per ragioni proprie.
La terza: quando la rottura non si può evitare, metterla nel modello. Se dobbiamo stimare qualcosa su un periodo che la attraversa, aggiungiamo una variabile che vale 0 prima e 1 dopo, così il modello assorbe il salto invece di attribuirlo ad altro. Lo stimo in R sulle impressioni, insieme al giorno della settimana:
gsc$settimana <- factor(format(giorno, "%u"))
m <- lm(log(impression) ~ settimana + dopo, data = gsc)
exp(coef(m)["dopoTRUE"]) # 0,679
exp(confint(m)["dopoTRUE", ]) # da 0,668 a 0,691Il salto stimato è 0,679: dall’11 settembre il 32% di impressioni in meno. Attenzione a che cosa dice questo numero: è la differenza fra prima e dopo, al netto del giorno della settimana. Che sia il metro, e non il sito, lo sappiamo perché la simulazione l’abbiamo costruita noi; nei dati veri l’attribuzione viene da informazioni esterne (la data coincide con un cambio noto, il salto compare su molti siti), e un intervento sul sito nello stesso giorno sarebbe indistinguibile da questa sola variabile. Qualunque altro effetto vogliamo misurare su quella serie (una migrazione, un aggiornamento, una campagna) va stimato al netto di questo, non insieme a lui. È lo stesso ragionamento del gruppo di controllo nell’articolo sul CTR atteso prima e dopo un evento: separare quello che è successo al sito da quello che è successo intorno.
E poi c’è una regola che con la statistica c’entra poco: dichiararla. Una riga nel report (“da metà settembre 2025 le impressioni e la posizione media risentono di un cambio di Google nella misura: i confronti con i periodi precedenti vanno letti con cautela”) evita a chi legge di festeggiare dieci posizioni che non esistono, o di preoccuparsi per un terzo di impressioni che nessuno ha mai visto.
Gli altri metri che cambiano
&num=100 è il caso più clamoroso degli ultimi anni, ma non è l’unico. Qualche esempio che nella realtà operativa si incontra spesso:
- Il banner dei cookie. Un banner più severo, o una diversa configurazione del consenso, può dimezzare gli utenti che GA4 riesce a contare, dall’oggi al domani. Il sito ha gli stessi visitatori; ne vediamo la metà.
- Un tag duplicato. L’errore opposto: il codice di misurazione caricato due volte raddoppia le visualizzazioni di pagina e abbassa la frequenza di rimbalzo a valori impossibili.
- Filtri e configurazioni. L’esclusione del traffico interno, un filtro sui bot, un dominio aggiunto alla misurazione: ogni modifica alla configurazione di GA4 è una potenziale rottura.
- Nuove definizioni di conversione. In Google Ads, un’azione di conversione impostata come primaria (per esempio le azioni locali, come le richieste di indicazioni stradali) fa salire le conversioni di colpo senza un contatto in più.
- Migrazioni e cambi di URL. Quando le pagine cambiano indirizzo, le serie per pagina si spezzano: la vecchia pagina “crolla”, la nuova “nasce”, e nessuna delle due racconta la storia giusta.
In tutti questi casi il rimedio comincia dallo stesso gesto: tenere un registro delle modifiche (al sito, alla misurazione, alle piattaforme), con le date. È il documento più noioso che esista, e quello che salva più analisi.
Domande frequenti
Che cos’è una rottura strutturale in una serie storica?
È un momento in cui la serie cambia livello, tendenza o variabilità in modo duraturo. Nei dati web una possibile causa, da controllare prima di interpretare il salto, è un cambio nello strumento di misura e non nel fenomeno misurato.
Perché la posizione media di Search Console è migliorata a settembre 2025?
Intorno al 10-12 settembre 2025 il parametro &num=100 ha smesso di funzionare, e su molti siti sono calate le impressioni nelle posizioni profonde; la spiegazione più accreditata è che una parte venisse dagli strumenti di monitoraggio. La posizione media è una media ponderata sulle impressioni: senza quelle impressioni lontane, la media scende anche se nessuna pagina si è mossa.
Come si trova una rottura strutturale in R?
Con il pacchetto strucchange: efp() e sctest() per verificare se c’è una rottura, breakpoints() per stimare quante sono e dove cadono, confint() per l’intervallo sulle date.
Che differenza c’è con un’anomalia?
Un’anomalia è un punto isolato, dopo il quale la serie torna al suo livello; una rottura è un cambio che resta. Gli strumenti per trovarle sono diversi; un’anomalia molto forte o lunga, però, può disturbare la ricerca delle rotture, ed è bene controllare che il risultato non dipenda da lei.
Prova tu
La simulazione è fatta per essere modificata. Tre direzioni:
- Rendiamo la rottura piccola. Facciamo scendere le impressioni profonde da 2.300 a 2.100 invece che a 700, e ripetiamo grafico, CUSUM e
breakpoints(). L’occhio la vede ancora? E l’algoritmo? Che cosa succede all’intervallo di confidenza sulla data? - Aggiungiamo una seconda rottura. Simuliamo un banner dei cookie che, da gennaio 2026, toglie il 30% dei clic. Quante rotture trova
breakpoints()sulle impressioni, e quante sui clic? - Sostituiamo il picco con una settimana di bot. Al posto di un giorno anomalo, mettiamo sette giorni consecutivi di impressioni gonfiate: a che punto un’anomalia lunga comincia a somigliare a una rottura?
Suggerimento: la seconda prova è la più istruttiva. Due rotture su due metriche diverse, in due momenti diversi, sono la situazione normale di un sito vero, ed è lì che il registro delle modifiche fa la differenza.
Abbiamo trattato le rotture come cambi di livello: il metro conta di più o di meno, ma conta sempre. C’è un caso ancora più insidioso, quello in cui per qualche giorno o settimana il metro smette del tutto di contare: un tag rimosso per sbaglio, una proprietà scollegata, un consenso che non parte. Riconoscere quei vuoti, e ricostruire con giudizio quello che non abbiamo misurato, è il tema del prossimo articolo, sui buchi di tracciamento.
Per approfondire
Per l’inquadramento statistico, Introduzione all’econometria di Stock e Watson tratta le rotture strutturali nella parte sulle serie temporali, con i test per trovarle e le conseguenze di ignorarle nelle previsioni: è il riferimento giusto per andare oltre gli esempi di questo articolo. Per l’idea di fondo, che un numero vale quanto il modo in cui è stato misurato, Mentire con le statistiche di Darrell Huff resta, dopo settant’anni, la lettura più rapida e divertente su come i dati possono ingannare anche senza che nessuno menta.