{"id":6212,"date":"2026-01-29T10:38:08","date_gmt":"2026-01-29T09:38:08","guid":{"rendered":"https:\/\/www.analyticsarts.it\/?p=6212"},"modified":"2026-01-29T11:47:57","modified_gmt":"2026-01-29T10:47:57","slug":"il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19","status":"publish","type":"post","link":"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/","title":{"rendered":"Comprendere cosa guida la data literacy nella forza lavoro italiana contemporanea"},"content":{"rendered":"
[vc_row][vc_column][vc_column_text css=”.vc_custom_1705652436540{margin-bottom: 0px !important;}”]\n

\"\"<\/p>\n

Autore: Jack McNiel<\/a>
\nData: 30-01-2026<\/p>\n

Insight da due importanti indagini europee<\/h3>\n

Nelle sale riunioni di tutta Italia, i dirigenti si trovano ad affrontare un paradosso persistente: nonostante investimenti per milioni di euro in piattaforme di business intelligence, dashboard analitiche e strumenti di data visualization, molte organizzazioni faticano a ottenere un\u2019adozione realmente significativa. La diagnosi convenzionale attribuisce il problema a programmi di formazione inadeguati o a una presunta resistenza al cambiamento. Ma se i veri ostacoli fossero altrove, radicati in fattori che le organizzazioni non possono facilmente controllare, come il background educativo dei lavoratori formatosi decenni prima? Oppure, al contrario, se lavoratori competenti disponessero di un potenziale analitico inutilizzato che barriere strutturali impediscono di esprimere?<\/p>\n

I risultati mettono in discussione molte assunzioni consolidate. Il livello di istruzione, da solo, spiega il 17% della varianza nella data literacy, un valore sette volte superiore a quello spiegato dall\u2019occupazione e dodici volte superiore rispetto agli interventi formativi tipicamente adottati. Anche tra i lavoratori altamente qualificati emerge una disconnessione rilevante: il 26% dei lavoratori pi\u00f9 istruiti in Italia non sfrutta le proprie capacit\u00e0 analitiche, rappresentando un enorme valore non ancora espresso. Forse ancora pi\u00f9 sorprendente, le attitudini spiegano quasi nulla. Fiducia nella scienza, fiducia nelle istituzioni e preoccupazioni legate ai media spiegano complessivamente appena l\u20191% dell\u2019engagement digitale, suggerendo che molte iniziative di cambiamento culturale potrebbero concentrarsi sul problema sbagliato.<\/p>\n

Questi insight emergono dall\u2019analisi di due dataset complementari: il Programme for the International Assessment of Adult Competencies<\/em> (PIAAC) dell\u2019OCSE, che misura le competenze numeriche di 4.847 lavoratori italiani, e la European Social Survey \u2013 Round 10<\/em> (ESS10), che rileva pattern di engagement digitale e atteggiamenti su 2.640 rispondenti. La triangolazione tra campioni indipendenti rafforza la fiducia nel fatto che le relazioni osservate riflettano fenomeni reali e non semplici artefatti di misurazione.<\/p>\n

L\u2019analisi affronta tre domande tra loro interconnesse. Primo: quali caratteristiche individuali (istruzione, occupazione, esperienza lavorativa) predicono effettivamente la competenza numerica? Questo consente non solo di individuare pattern aggregati, ma anche di identificare specifici segmenti occupazionali in cui si concentrano i deficit di competenze. Secondo: la capacit\u00e0 cognitiva si traduce automaticamente in comportamento digitale, oppure esiste un ampio \u201cpotenziale inutilizzato\u201d anche tra i lavoratori altamente qualificati? Questo punto mette in luce il problema dell\u2019attivazione. Terzo: i fattori psicologici (fiducia, atteggiamenti, preoccupazioni legate ai media) spiegano l\u2019engagement digitale, oppure le organizzazioni dovrebbero concentrarsi altrove? Da questa risposta dipende se gli interventi debbano puntare sulle mentalit\u00e0 individuali o sui sistemi organizzativi.<\/p>\n

DOMANDA 1: Quali caratteristiche individuali predicono la data literacy?<\/h2>\n

In un\u2019economia sempre pi\u00f9 guidata dai dati, non tutti i lavoratori sono ugualmente attrezzati per interpretare dashboard analitiche, comprendere trend statistici o prendere decisioni basate su evidenze. Sebbene le organizzazioni investano ingenti risorse in strumenti di business intelligence e piattaforme di data visualization, rimane una domanda fondamentale: che cosa determina realmente se i lavoratori possiedono le competenze numeriche necessarie per la data literacy moderna? Si tratta principalmente dell\u2019istruzione formale? Oppure il tipo di occupazione gioca un ruolo pi\u00f9 rilevante? Forse anni di esperienza lavorativa possono compensare una formazione scolastica limitata, costruendo competenze numeriche pratiche attraverso la risoluzione di problemi concreti. Comprendere quali fattori di capitale umano guidino la data literacy \u00e8 cruciale per le organizzazioni che vogliono colmare i gap di competenze in modo strategico, attraverso assunzioni mirate, programmi di upskilling o riprogettazione dei ruoli. Questa analisi esamina come istruzione, occupazione ed esperienza lavorativa modellino congiuntamente la competenza numerica dei lavoratori italiani, evidenziando dove si concentrano i deficit pi\u00f9 gravi.<\/p>\n

Domanda di ricerca:
\n<\/strong>In che misura istruzione, occupazione ed esperienza lavorativa predicono la competenza numerica dei lavoratori italiani?<\/em><\/strong><\/p>\n

Sono stati costruiti quattro modelli di regressione annidati, ciascuno con l\u2019aggiunta progressiva di predittori: (1) solo variabili educative; (2) aggiunta dell\u2019occupazione; (3) aggiunta dell\u2019esperienza lavorativa; (4) aggiunta dei controlli demografici. L\u2019analisi dell\u2019importanza relativa (metodo LMG) ha scomposto la varianza totale spiegata, classificando i predittori in base al loro contributo unico, tenendo conto delle correlazioni. Un termine di interazione istruzione \u00d7 esperienza ha testato se l\u2019esperienza lavorativa possa compensare livelli pi\u00f9 bassi di istruzione formale. Infine, sono state identificate le occupazioni che presentano i maggiori gap di competenze.<\/p>\n

Analisi dei dati<\/h3>\n

L\u2019analisi di regressione gerarchica mostra che istruzione, occupazione ed esperienza lavorativa spiegano complessivamente il 25,2% della varianza nella competenza numerica dei lavoratori italiani, con l\u2019istruzione come predittore dominante. Le sole variabili educative spiegano il 17,3% della varianza. L\u2019aggiunta dell\u2019occupazione contribuisce con ulteriori 2,9 punti percentuali, mentre l\u2019esperienza lavorativa aggiunge 4,5 punti percentuali. I controlli demografici contribuiscono in misura minima, suggerendo che i fattori di capitale umano contano molto pi\u00f9 delle caratteristiche demografiche.<\/p>\n

\"\"<\/p>\n

Immagine 1.1<\/em>
Grafico a barre orizzontali impilate che mostra la varianza cumulativa spiegata (R\u00b2) da istruzione, occupazione, esperienza lavorativa e demografia nella previsione della competenza numerica.<\/p>\n

L\u2019analisi dei gap di competenze per occupazione individua deficit particolarmente gravi nei lavori manuali e nei servizi. I lavoratori non qualificati mostrano il gap pi\u00f9 critico: l\u201986,8% si colloca al di sotto della soglia di Livello 3 (276 punti) necessaria per una data literacy funzionale. Seguono gli operatori di impianti e macchinari (80,5%) e gli artigiani (78,6%). I lavoratori dei servizi e delle vendite mostrano un gap del 69,4%. Al contrario, manager, professionisti e tecnici presentano gap compresi tra il 22% e il 45%, delineando una forza lavoro chiaramente divisa in due livelli.<\/p>\n

\"\"<\/p>\n

Immagine 1.2<\/em>
Grafico a barre orizzontali che mostra la percentuale di lavoratori sotto la soglia di competenza numerica di Livello 3 per tipologia occupazionale.<\/p>\n

L\u2019evidenza \u00e8 inequivocabile: l\u2019istruzione formale domina gli esiti di data literacy in modo tale da richiedere un ripensamento profondo delle strategie organizzative. Con le sole variabili educative a spiegare il 17,3% della varianza, le organizzazioni non possono \u201cformare\u201d la propria via d\u2019uscita da deficit di competenze di base. L\u2019analisi dei gap per occupazione rivela una crisi di forza lavoro a due livelli: l\u201987% dei lavoratori non qualificati e l\u201981% degli operatori di impianti si collocano sotto la soglia funzionale, contro appena il 22% dei manager. Non si tratta di una sfida uniforme che richiede soluzioni uniformi, ma di un problema stratificato che richiede interventi mirati. Per le organizzazioni che implementano strumenti di data visualization e dashboard analitiche, il design dell\u2019esperienza utente deve tener conto delle profonde differenze di capacit\u00e0 tra i ruoli, altrimenti il rischio \u00e8 creare sistemi utilizzabili efficacemente solo da una minoranza. La democratizzazione della data literacy passa attraverso una segmentazione basata sull\u2019istruzione, non attraverso una formazione standardizzata.<\/p>\n

DOMANDA 2: I lavoratori altamente qualificati sono anche digitalmente ingaggiati?<\/h2>\n

Le organizzazioni spesso assumono che la capacit\u00e0 cognitiva si traduca automaticamente in comportamento digitale, ovvero che i lavoratori con forti competenze analitiche sfruttino naturalmente la tecnologia in modo efficace. Questa assunzione \u00e8 alla base di ingenti investimenti nella trasformazione digitale: le aziende implementano piattaforme analitiche sofisticate, strumenti di collaborazione e sistemi cloud aspettandosi che i dipendenti pi\u00f9 capaci guidino l\u2019adozione. Ma questa relazione regge davvero? Possedere la capacit\u00e0 cognitiva per comprendere dati complessi non implica necessariamente che i lavoratori scelgano di impegnarsi attivamente con gli strumenti digitali nella quotidianit\u00e0. Questa distinzione \u00e8 cruciale per la strategia di trasformazione digitale. Se i lavoratori altamente qualificati sono anche fortemente ingaggiati dal punto di vista digitale, le organizzazioni possono concentrare le risorse sull\u2019upskilling dei segmenti meno capaci. Se invece una quota rilevante di lavoratori cognitivamente competenti rimane digitalmente disingaggiata \u2014 ci\u00f2 che possiamo definire \u201cpotenziale inutilizzato\u201d \u2014 allora le barriere all\u2019adozione digitale risiedono non nelle capacit\u00e0 individuali, ma nella cultura organizzativa, nel design degli strumenti o nel valore percepito. Questa analisi mette alla prova l\u2019assunzione competenze-comportamento che guida innumerevoli decisioni di investimento tecnologico.<\/p>\n

Domanda di ricerca:<\/strong>
I lavoratori con forti competenze numeriche (PVNUM \u2265 276) mostrano anche elevati livelli di utilizzo delle ICT e comportamenti di ricerca informativa?<\/strong><\/em><\/p>\n

L\u2019approccio ricostruisce la storia mostrando chi sono i lavoratori ad alta competenza, quanto sono digitalmente ingaggiati, se le competenze predicono l\u2019engagement e se la relazione \u00e8 coerente tra diversi dataset.<\/p>\n

\u00c8 stato creato un indicatore binario di engagement digitale a partire dai dati ESS10, definendo come \u201calto engagement\u201d l\u2019uso quotidiano di Internet combinato con un tempo online significativo (\u226560 minuti al giorno). Utilizzando i dati PIAAC, i lavoratori con alta e bassa competenza numerica sono stati confrontati nei pattern di utilizzo delle ICT tramite t-test per campioni indipendenti. Le dimensioni dell\u2019effetto (Cohen\u2019s d) hanno permesso di valutare la rilevanza pratica delle differenze. Tre modelli di regressione logistica annidati hanno previsto l\u2019elevato engagement digitale, mentre un\u2019analisi di triangolazione ha confrontato i profili demografici tra dataset.<\/p>\n

Analisi dei dati<\/h3>\n

L\u2019analisi mostra una relazione positiva ma sorprendentemente modesta tra competenze cognitive ed engagement digitale. I lavoratori con competenza numerica elevata (Livello 3+) mostrano un utilizzo domestico delle ICT significativamente pi\u00f9 alto (t = 14,23, p < 0,001). Tuttavia, la dimensione dell\u2019effetto \u00e8 contenuta: Cohen\u2019s d = 0,50, al confine tra effetti piccoli e medi. In termini pratici, ci\u00f2 corrisponde a circa 0,5 deviazioni standard di utilizzo ICT in pi\u00f9, una differenza rilevabile ma lontana dalla relazione forte ipotizzata. L\u2019indice medio di utilizzo ICT \u00e8 pari a circa 2,35 per i lavoratori ad alta competenza contro 1,95 per quelli a bassa competenza.<\/p>\n

\"\"<\/p>\n

Immagine 2.1<\/em>
Distribuzione con curve di densit\u00e0 sovrapposte dell\u2019utilizzo domestico delle ICT per lavoratori ad alta e bassa competenza numerica.<\/p>\n

L\u2019analisi del \u201cpotenziale inutilizzato\u201d evidenzia tuttavia un gap di attivazione critico: tra i lavoratori con almeno 16 anni di istruzione (il segmento pi\u00f9 qualificato in Italia), il 26% mostra un basso engagement digitale pur possedendo le capacit\u00e0 cognitive necessarie per un utilizzo tecnologico avanzato. Si tratta di una quota rilevante di lavoratori altamente istruiti le cui competenze restano latenti. Questo scollamento suggerisce che barriere che vanno oltre le capacit\u00e0 individuali \u2014 cultura organizzativa, infrastrutture, utilit\u00e0 percepita o design degli strumenti \u2014 impediscono l\u2019attivazione del capitale umano esistente.<\/p>\n

\"\"<\/p>\n

Immagine 2.2<\/em>
Matrice di segmentazione che mostra la distribuzione della forza lavoro nei quattro quadranti definiti da livello di istruzione ed engagement digitale.<\/p>\n

L\u2019assunzione competenze-comportamento riceve quindi un supporto empirico, ma con una riserva cruciale. I lavoratori ad alta competenza numerica sono effettivamente pi\u00f9 ingaggiati digitalmente, ma la presenza di un 26% di lavoratori altamente istruiti ma digitalmente disingaggiati rivela un fallimento di attivazione su larga scala. Le loro competenze restano inutilizzate non per mancanza di capacit\u00e0, ma perch\u00e9 qualcosa impedisce la traduzione in comportamento. Per le organizzazioni che osservano una bassa adozione di analytics o dashboard, questa evidenza ribalta la diagnosi: il problema potrebbe non essere la formazione o la comunicazione, bens\u00ec barriere strutturali come design inadeguato degli strumenti, proposte di valore poco chiare, infrastrutture carenti o culture organizzative che non incentivano la sperimentazione digitale. La trasformazione digitale passa quindi da un problema di formazione a una sfida di progettazione dei sistemi.<\/p>\n

DOMANDA 3: Fiducia e atteggiamenti critici predicono la readiness digitale?<\/h2>\n

Nel dibattito pubblico su disinformazione, privacy dei dati e bias algoritmici, molti assumono che gli atteggiamenti verso la scienza, i media e le istituzioni plasmino in modo determinante il comportamento digitale dei lavoratori. La logica appare intuitiva: chi si fida delle evidenze scientifiche dovrebbe essere pi\u00f9 propenso a utilizzare strumenti data-driven; chi teme la disinformazione potrebbe evitare le piattaforme digitali; chi possiede un orientamento critico potrebbe adottare la tecnologia in modo pi\u00f9 consapevole. Questa prospettiva psicologica suggerisce che, per migliorare la readiness digitale, le organizzazioni dovrebbero intervenire sugli atteggiamenti, costruendo fiducia e promuovendo alfabetizzazione mediatica. Ma questa narrazione regge davvero all\u2019analisi empirica?<\/p>\n

Domanda di ricerca:<\/strong>
Qual \u00e8 la relazione, tra i lavoratori italiani, tra fiducia nelle evidenze scientifiche, preoccupazioni legate ai media ed engagement digitale? L\u2019istruzione o l\u2019occupazione moderano questa relazione?<\/strong><\/em><\/p>\n

\u00c8 stato costruito un indice composito di readiness digitale<\/strong> standardizzando e sommando tre variabili dell\u2019ESS10: frequenza di utilizzo di Internet, numero medio di minuti trascorsi online e tempo dedicato al consumo di notizie. Una matrice di correlazione ha esaminato le relazioni tra questo indice e diverse dimensioni della fiducia. Un\u2019analisi di regressione multipla gerarchica ha testato gli effetti principali, confrontando le variazioni di R\u00b2 per valutare quanto la fiducia contribuisca oltre i fattori demografici. L\u2019analisi di moderazione ha verificato se la relazione tra fiducia e readiness digitale vari in funzione del livello di istruzione o dell\u2019occupazione. Infine, un\u2019analisi di cluster K-means ha identificato distinti segmenti della forza lavoro basati sugli atteggiamenti.<\/p>\n

Analisi dei dati<\/h3>\n

L\u2019analisi respinge in modo netto l\u2019ipotesi che la fiducia e gli atteggiamenti di pensiero critico predicano in maniera significativa l\u2019engagement digitale. L\u2019analisi delle correlazioni mostra che la fiducia negli scienziati non presenta praticamente alcuna relazione con la readiness digitale (r = 0,043), una correlazione indistinguibile da zero e statisticamente non significativa. La fiducia sociale mostra una debole correlazione positiva (r = 0,071), mentre la fiducia nelle istituzioni evidenzia la relazione pi\u00f9 forte, ma comunque modesta (r = 0,134). Le preoccupazioni legate ai media presentano correlazioni trascurabili, comprese tra -0,012 e 0,028, tutte non significative.<\/p>\n

La regressione multipla gerarchica conferma questi risultati nulli con sorprendente coerenza. Il Modello 1, che include tutte e quattro le dimensioni della fiducia, spiega appena lo 0,9% della varianza nella readiness digitale, un valore di R\u00b2 talmente ridotto da avvicinarsi al rumore di misurazione. L\u2019aggiunta dei controlli demografici incrementa il potere esplicativo di soli 0,3 punti percentuali, portando R\u00b2 all\u20191,2%. Il modello finale, che include anche l\u2019occupazione, raggiunge un R\u00b2 pari all\u20191,3%, indicando che fiducia, demografia e occupazione insieme spiegano appena l\u20191% delle differenze nell\u2019engagement digitale tra i lavoratori italiani. In altri termini, il 98,7% della variazione nell\u2019engagement digitale rimane non spiegato da fattori attitudinali.<\/p>\n

\"\"<\/p>\n

Immagine 3.1<\/em>
Matrice di correlazione che mostra le relazioni tra readiness digitale, dimensioni della fiducia (fiducia negli scienziati, fiducia sociale, fiducia istituzionale, preoccupazioni sui media), istruzione ed et\u00e0. L\u2019intensit\u00e0 del colore indica la forza della correlazione, evidenziando come la readiness digitale mostri correlazioni trascurabili con tutte le misure di fiducia.<\/p>\n

L\u2019analisi di moderazione non rileva interazioni significative, indicando che la fiducia conta in egual misura \u2014 e in misura molto limitata \u2014 indipendentemente dal livello di istruzione o dal contesto occupazionale. Questa debolezza uniforme della relazione in tutti i sottogruppi rafforza il risultato nullo: la fiducia semplicemente non p<\/p>\n

 <\/p>\n

redice il comportamento digitale in alcun segmento significativo della forza lavoro italiana.<\/p>\n

\n

\"\"<\/p>\n

Immagine 3.2<\/em>
Grafico a barre impilate invertite che confronta la varianza spiegata e non spiegata in tre modelli di regressione annidati (solo variabili di fiducia; aggiunta della demografia; aggiunta dell\u2019occupazione). Le barre grigie rappresentano la varianza non spiegata (98,7\u201399,1%), mentre le piccole barre blu mostrano la quota di varianza spiegata da fiducia e atteggiamenti (0,9\u20131,3%).<\/p>\n

L\u2019analisi di cluster K-means identifica quattro distinti segmenti della forza lavoro basati sugli atteggiamenti, ma questi segmenti mostrano differenze minime in termini di readiness digitale. Nonostante la presenza di gruppi che vanno da fortemente fiduciosi a profondamente scettici, la readiness digitale varia di poco tra i cluster, con un\u2019ampiezza cos\u00ec ridotta da confermare che gli atteggiamenti hanno un impatto pratico trascurabile sul comportamento digitale.<\/p>\n

\"\"<\/p>\n

Immagine 3.3<\/em>
Grafico a barre che confronta l\u2019ampiezza della variazione tra cluster per le dimensioni della fiducia e per la readiness digitale. Le barre blu mostrano che le dimensioni della fiducia variano ampiamente tra i cluster (intervalli compresi tra 3,55 e 4,52), mentre la barra relativa alla readiness digitale evidenzia una variazione minima (intervallo pari a 0,46), dimostrando che la fiducia varia circa dieci volte pi\u00f9 dell\u2019engagement digitale.<\/p>\n

Questa analisi produce un risultato nullo definitivo con importanti implicazioni strategiche: gli atteggiamenti non contano per l\u2019engagement digitale<\/strong>. La fiducia negli scienziati non mostra praticamente alcuna relazione con la readiness digitale (r = 0,043), le preoccupazioni sui media risultano irrilevanti e tutte le variabili attitudinali considerate spiegano complessivamente appena l\u20191% della varianza nell\u2019engagement digitale, un valore indistinguibile dal rumore di misurazione. L\u2019analisi di cluster rafforza ulteriormente questo risultato: pur individuando quattro segmenti della forza lavoro con atteggiamenti molto diversi, la readiness digitale varia in misura trascurabile tra di essi.<\/p>\n

Per le organizzazioni preoccupate che disinformazione, timori per la privacy o scetticismo scientifico possano ostacolare le iniziative di data literacy, questi risultati sono al tempo stesso rassicuranti e sfidanti. Rassicuranti perch\u00e9 le barriere attitudinali non impediscono l\u2019adozione digitale: le preoccupazioni dei lavoratori non bloccano l\u2019utilizzo degli strumenti digitali. Sfidanti perch\u00e9 eliminano la spiegazione psicologica spesso privilegiata: non \u00e8 possibile aumentare l\u2019engagement digitale attraverso campagne di comunicazione o di change management. Il 98,7% di varianza non spiegata rimanda invece a determinanti strutturali \u2014 accesso, qualit\u00e0 delle infrastrutture, usabilit\u00e0 degli strumenti, integrazione nei flussi di lavoro, supporto organizzativo percepito \u2014 come veri driver del comportamento digitale. Questo sposta il focus dell\u2019intervento dal cambiamento degli atteggiamenti individuali alla progettazione organizzativa, ridefinendo profondamente le priorit\u00e0 degli investimenti in data literacy e trasformazione digitale.<\/p>\n

Conclusioni e implicazioni<\/h2>\n

Perch\u00e9 questa analisi \u00e8 rilevante per la forza lavoro italiana<\/h3>\n

Questa analisi individua un percorso chiaro per affrontare la sfida della data literacy in Italia, reindirizzando le risorse verso interventi ad alto impatto. Piuttosto che puntare su programmi di formazione o campagne di cambiamento culturale dai ritorni limitati, le organizzazioni possono concentrarsi su una riprogettazione strutturale in grado di sbloccare capacit\u00e0 gi\u00e0 esistenti.<\/p>\n

Le evidenze chiariscono dove gli investimenti generano valore. L\u2019istruzione spiega il 17% della varianza nella data literacy, definendo livelli di capacit\u00e0 di base differenti all\u2019interno della forza lavoro. Allo stesso tempo, il 26% dei lavoratori altamente istruiti possiede competenze analitiche avanzate ma rimane digitalmente disingaggiato, rappresentando un potenziale considerevole non ancora attivato. La scoperta che i fattori psicologici spiegano meno dell\u20191% dell\u2019engagement digitale \u00e8 in realt\u00e0 una buona notizia: le organizzazioni non devono cambiare le mentalit\u00e0, ma rimuovere le barriere.<\/p>\n

Il 98,7% della varianza non spiegata nell\u2019engagement digitale indica la presenza di leve strutturali che le organizzazioni possono controllare direttamente. Il percorso futuro si articola in tre interventi mirati:<\/p>\n

    \n
  1. \n

    Per il 35% di lavoratori competenti e gi\u00e0 ingaggiati<\/strong>: accelerare l\u2019impatto valorizzandoli come early adopter e champion interni. Prioritizzare strumenti avanzati e un\u2019integrazione fluida nei flussi di lavoro per massimizzarne la produttivit\u00e0.<\/p>\n<\/li>\n

  2. \n

    Per il 26% di lavoratori altamente qualificati ma non attivati<\/strong>: sbloccare capacit\u00e0 latenti intervenendo sulle frizioni strutturali. Le opportunit\u00e0 includono: (a) semplificazione degli accessi e della navigazione; (b) integrazione dell\u2019analisi direttamente nei flussi di lavoro esistenti; (c) riduzione delle barriere tecniche che oggi ostacolano l\u2019engagement.<\/p>\n<\/li>\n

  3. \n

    Per il 39% di lavoratori in fase di sviluppo<\/strong>: progettare sistemi inclusivi che consentano la partecipazione senza richiedere un\u2019estesa formazione compensativa, attraverso interfacce intuitive, analisi guidate e dashboard strutturate.<\/p>\n<\/li>\n<\/ol>\n

    I dati suggeriscono di spostare gli investimenti dalle iniziative di cambiamento attitudinale (campagne di comunicazione, programmi di fiducia, interventi culturali) verso il miglioramento delle infrastrutture. Con gli atteggiamenti che spiegano solo l\u20191% della varianza, il ritorno maggiore deriva dalla riprogettazione dei sistemi e degli strumenti. Allo stesso modo, il 17% di varianza spiegata da percorsi educativi formatisi decenni prima indica che la formazione sul lavoro, pur utile, non pu\u00f2 sostituire l\u2019abilitazione strutturale.<\/p>\n

    L\u2019insight strategico<\/h3>\n

    Comprendere cosa guida la data literacy nella forza lavoro italiana offre alle organizzazioni un vantaggio competitivo chiaro. La sfida \u00e8 strutturale, non attitudinale \u2014 ed \u00e8 una notizia incoraggiante. Le basi educative costruite nel passato definiscono capacit\u00e0 di partenza diverse, mentre i sistemi organizzativi possono abilitare o limitare l\u2019utilizzo delle competenze gi\u00e0 presenti.<\/p>\n

    Questa consapevolezza trasforma la data literacy da un apparentemente insolubile \u201cproblema delle persone\u201d a un risolvibile \u201cproblema di sistema\u201d. Gli interventi a pi\u00f9 alto rendimento non richiedono di cambiare le mentalit\u00e0 n\u00e9 di colmare gap di competenze fondamentali attraverso formazione prolungata. Il percorso pi\u00f9 efficace consiste nel riprogettare sistemi, infrastrutture e strumenti per attivare il potenziale gi\u00e0 esistente nella forza lavoro italiana. Le organizzazioni che colgono questo cambio di prospettiva \u2014 dal cambiare le persone al cambiare i sistemi \u2014 possono sbloccare immediatamente un valore significativo oggi ancora inutilizzato.<\/p>\n[\/vc_column_text][\/vc_column][\/vc_row][vc_row][vc_column][mk_padding_divider][\/vc_column][\/vc_row]\n<\/div>","protected":false},"excerpt":{"rendered":"

    <\/p>\n

    Jack McNiel<\/p>\n

    Insight da due importanti indagini europee<\/p>\n

    Nelle sale riunioni di tutta Italia, i dirigenti si trovano ad affrontare un paradosso persistente: nonostante investimenti per milioni di euro in piattaforme di business intelligence, dashboard analitiche e strumenti di data visualization, molte organizzazioni faticano a ottenere un\u2019adozione realmente significativa. La diagnosi convenzionale attribuisce il problema a programmi di formazione inadeguati o a una presunta resistenza al cambiamento. Ma se i veri ostacoli fossero altrove, radicati in fattori che le organizzazioni non possono facilmente controllare, come il background educativo dei lavoratori formatosi decenni prima? Oppure, al contrario, se lavoratori competenti disponessero di un potenziale analitico inutilizzato che barriere strutturali impediscono di esprimere?<\/p>\n","protected":false},"author":8,"featured_media":6234,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[129],"tags":[192,83,39],"class_list":["post-6212","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-science-2","tag-data-literacy","tag-predictive-modeling","tag-regression-analysis-it"],"yoast_head":"\nComprendere cosa guida la data literacy nella forza lavoro italiana contemporanea - Analytics Arts<\/title>\n<meta name=\"description\" content=\"Insight da due importanti indagini europeeNelle sale riunioni di tutta Italia, i dirigenti si trovano ad affrontare un paradosso persistente: nonostante investimenti per milioni di euro in piattaforme di business intelligence, dashboard analitiche e strumenti di data visualization, molte organizzazioni faticano a ottenere un\u2019adozione realmente significativa. La diagnosi convenzionale attribuisce il problema a programmi di formazione inadeguati o a una presunta resistenza al cambiamento. Ma se i veri ostacoli fossero altrove, radicati in fattori che le organizzazioni non possono facilmente controllare, come il background educativo dei lavoratori formatosi decenni prima? Oppure, al contrario, se lavoratori competenti disponessero di un potenziale analitico inutilizzato che barriere strutturali impediscono di esprimere?\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/\" \/>\n<meta property=\"og:locale\" content=\"it_IT\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Comprendere cosa guida la data literacy nella forza lavoro italiana contemporanea - Analytics Arts\" \/>\n<meta property=\"og:description\" content=\"Insight da due importanti indagini europeeNelle sale riunioni di tutta Italia, i dirigenti si trovano ad affrontare un paradosso persistente: nonostante investimenti per milioni di euro in piattaforme di business intelligence, dashboard analitiche e strumenti di data visualization, molte organizzazioni faticano a ottenere un\u2019adozione realmente significativa. La diagnosi convenzionale attribuisce il problema a programmi di formazione inadeguati o a una presunta resistenza al cambiamento. Ma se i veri ostacoli fossero altrove, radicati in fattori che le organizzazioni non possono facilmente controllare, come il background educativo dei lavoratori formatosi decenni prima? Oppure, al contrario, se lavoratori competenti disponessero di un potenziale analitico inutilizzato che barriere strutturali impediscono di esprimere?\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/\" \/>\n<meta property=\"og:site_name\" content=\"Analytics Arts\" \/>\n<meta property=\"article:published_time\" content=\"2026-01-29T09:38:08+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-01-29T10:47:57+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.analyticsarts.it\/wp-content\/uploads\/2026\/01\/images.webp\" \/>\n\t<meta property=\"og:image:width\" content=\"1018\" \/>\n\t<meta property=\"og:image:height\" content=\"600\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/webp\" \/>\n<meta name=\"author\" content=\"Virginia\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Scritto da\" \/>\n\t<meta name=\"twitter:data1\" content=\"Virginia\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tempo di lettura stimato\" \/>\n\t<meta name=\"twitter:data2\" content=\"16 minuti\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/post\\\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/post\\\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\\\/\"},\"author\":{\"name\":\"Virginia\",\"@id\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/#\\\/schema\\\/person\\\/cddb1c5838ec6602c03c0644412bd5a1\"},\"headline\":\"Comprendere cosa guida la data literacy nella forza lavoro italiana contemporanea\",\"datePublished\":\"2026-01-29T09:38:08+00:00\",\"dateModified\":\"2026-01-29T10:47:57+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/post\\\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\\\/\"},\"wordCount\":3255,\"image\":{\"@id\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/post\\\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.analyticsarts.it\\\/wp-content\\\/uploads\\\/2026\\\/01\\\/images.webp\",\"keywords\":[\"Data literacy\",\"Predictive Modeling\",\"Regression Analysis\"],\"articleSection\":[\"Data Science\"],\"inLanguage\":\"it-IT\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/post\\\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\\\/\",\"url\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/post\\\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\\\/\",\"name\":\"Comprendere cosa guida la data literacy nella forza lavoro italiana contemporanea - Analytics Arts\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/post\\\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/post\\\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.analyticsarts.it\\\/wp-content\\\/uploads\\\/2026\\\/01\\\/images.webp\",\"datePublished\":\"2026-01-29T09:38:08+00:00\",\"dateModified\":\"2026-01-29T10:47:57+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/#\\\/schema\\\/person\\\/cddb1c5838ec6602c03c0644412bd5a1\"},\"description\":\"Insight da due importanti indagini europeeNelle sale riunioni di tutta Italia, i dirigenti si trovano ad affrontare un paradosso persistente: nonostante investimenti per milioni di euro in piattaforme di business intelligence, dashboard analitiche e strumenti di data visualization, molte organizzazioni faticano a ottenere un\u2019adozione realmente significativa. La diagnosi convenzionale attribuisce il problema a programmi di formazione inadeguati o a una presunta resistenza al cambiamento. Ma se i veri ostacoli fossero altrove, radicati in fattori che le organizzazioni non possono facilmente controllare, come il background educativo dei lavoratori formatosi decenni prima? Oppure, al contrario, se lavoratori competenti disponessero di un potenziale analitico inutilizzato che barriere strutturali impediscono di esprimere?\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/post\\\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\\\/#breadcrumb\"},\"inLanguage\":\"it-IT\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/post\\\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"it-IT\",\"@id\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/post\\\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.analyticsarts.it\\\/wp-content\\\/uploads\\\/2026\\\/01\\\/images.webp\",\"contentUrl\":\"https:\\\/\\\/www.analyticsarts.it\\\/wp-content\\\/uploads\\\/2026\\\/01\\\/images.webp\",\"width\":1018,\"height\":600},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/post\\\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Comprendere cosa guida la data literacy nella forza lavoro italiana contemporanea\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/#website\",\"url\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/\",\"name\":\"Analytics Arts\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"it-IT\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.analyticsarts.it\\\/it\\\/#\\\/schema\\\/person\\\/cddb1c5838ec6602c03c0644412bd5a1\",\"name\":\"Virginia\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"it-IT\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7297754100bafdf4b25eedcdd7829c7d81c30fc6d01c6a085c60e46799b311b6?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7297754100bafdf4b25eedcdd7829c7d81c30fc6d01c6a085c60e46799b311b6?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7297754100bafdf4b25eedcdd7829c7d81c30fc6d01c6a085c60e46799b311b6?s=96&d=mm&r=g\",\"caption\":\"Virginia\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Comprendere cosa guida la data literacy nella forza lavoro italiana contemporanea - Analytics Arts","description":"Insight da due importanti indagini europeeNelle sale riunioni di tutta Italia, i dirigenti si trovano ad affrontare un paradosso persistente: nonostante investimenti per milioni di euro in piattaforme di business intelligence, dashboard analitiche e strumenti di data visualization, molte organizzazioni faticano a ottenere un\u2019adozione realmente significativa. La diagnosi convenzionale attribuisce il problema a programmi di formazione inadeguati o a una presunta resistenza al cambiamento. Ma se i veri ostacoli fossero altrove, radicati in fattori che le organizzazioni non possono facilmente controllare, come il background educativo dei lavoratori formatosi decenni prima? Oppure, al contrario, se lavoratori competenti disponessero di un potenziale analitico inutilizzato che barriere strutturali impediscono di esprimere?","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/","og_locale":"it_IT","og_type":"article","og_title":"Comprendere cosa guida la data literacy nella forza lavoro italiana contemporanea - Analytics Arts","og_description":"Insight da due importanti indagini europeeNelle sale riunioni di tutta Italia, i dirigenti si trovano ad affrontare un paradosso persistente: nonostante investimenti per milioni di euro in piattaforme di business intelligence, dashboard analitiche e strumenti di data visualization, molte organizzazioni faticano a ottenere un\u2019adozione realmente significativa. La diagnosi convenzionale attribuisce il problema a programmi di formazione inadeguati o a una presunta resistenza al cambiamento. Ma se i veri ostacoli fossero altrove, radicati in fattori che le organizzazioni non possono facilmente controllare, come il background educativo dei lavoratori formatosi decenni prima? Oppure, al contrario, se lavoratori competenti disponessero di un potenziale analitico inutilizzato che barriere strutturali impediscono di esprimere?","og_url":"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/","og_site_name":"Analytics Arts","article_published_time":"2026-01-29T09:38:08+00:00","article_modified_time":"2026-01-29T10:47:57+00:00","og_image":[{"width":1018,"height":600,"url":"https:\/\/www.analyticsarts.it\/wp-content\/uploads\/2026\/01\/images.webp","type":"image\/webp"}],"author":"Virginia","twitter_card":"summary_large_image","twitter_misc":{"Scritto da":"Virginia","Tempo di lettura stimato":"16 minuti"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/#article","isPartOf":{"@id":"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/"},"author":{"name":"Virginia","@id":"https:\/\/www.analyticsarts.it\/it\/#\/schema\/person\/cddb1c5838ec6602c03c0644412bd5a1"},"headline":"Comprendere cosa guida la data literacy nella forza lavoro italiana contemporanea","datePublished":"2026-01-29T09:38:08+00:00","dateModified":"2026-01-29T10:47:57+00:00","mainEntityOfPage":{"@id":"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/"},"wordCount":3255,"image":{"@id":"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/#primaryimage"},"thumbnailUrl":"https:\/\/www.analyticsarts.it\/wp-content\/uploads\/2026\/01\/images.webp","keywords":["Data literacy","Predictive Modeling","Regression Analysis"],"articleSection":["Data Science"],"inLanguage":"it-IT"},{"@type":"WebPage","@id":"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/","url":"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/","name":"Comprendere cosa guida la data literacy nella forza lavoro italiana contemporanea - Analytics Arts","isPartOf":{"@id":"https:\/\/www.analyticsarts.it\/it\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/#primaryimage"},"image":{"@id":"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/#primaryimage"},"thumbnailUrl":"https:\/\/www.analyticsarts.it\/wp-content\/uploads\/2026\/01\/images.webp","datePublished":"2026-01-29T09:38:08+00:00","dateModified":"2026-01-29T10:47:57+00:00","author":{"@id":"https:\/\/www.analyticsarts.it\/it\/#\/schema\/person\/cddb1c5838ec6602c03c0644412bd5a1"},"description":"Insight da due importanti indagini europeeNelle sale riunioni di tutta Italia, i dirigenti si trovano ad affrontare un paradosso persistente: nonostante investimenti per milioni di euro in piattaforme di business intelligence, dashboard analitiche e strumenti di data visualization, molte organizzazioni faticano a ottenere un\u2019adozione realmente significativa. La diagnosi convenzionale attribuisce il problema a programmi di formazione inadeguati o a una presunta resistenza al cambiamento. Ma se i veri ostacoli fossero altrove, radicati in fattori che le organizzazioni non possono facilmente controllare, come il background educativo dei lavoratori formatosi decenni prima? Oppure, al contrario, se lavoratori competenti disponessero di un potenziale analitico inutilizzato che barriere strutturali impediscono di esprimere?","breadcrumb":{"@id":"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/#breadcrumb"},"inLanguage":"it-IT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/"]}]},{"@type":"ImageObject","inLanguage":"it-IT","@id":"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/#primaryimage","url":"https:\/\/www.analyticsarts.it\/wp-content\/uploads\/2026\/01\/images.webp","contentUrl":"https:\/\/www.analyticsarts.it\/wp-content\/uploads\/2026\/01\/images.webp","width":1018,"height":600},{"@type":"BreadcrumbList","@id":"https:\/\/www.analyticsarts.it\/it\/post\/il-pil-e-le-sue-componenti-valutare-la-validita-delle-teorie-macroeconomiche-per-le-cinquanta-maggiori-economie-sotto-lo-stress-del-covid-19\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.analyticsarts.it\/it\/"},{"@type":"ListItem","position":2,"name":"Comprendere cosa guida la data literacy nella forza lavoro italiana contemporanea"}]},{"@type":"WebSite","@id":"https:\/\/www.analyticsarts.it\/it\/#website","url":"https:\/\/www.analyticsarts.it\/it\/","name":"Analytics Arts","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.analyticsarts.it\/it\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"it-IT"},{"@type":"Person","@id":"https:\/\/www.analyticsarts.it\/it\/#\/schema\/person\/cddb1c5838ec6602c03c0644412bd5a1","name":"Virginia","image":{"@type":"ImageObject","inLanguage":"it-IT","@id":"https:\/\/secure.gravatar.com\/avatar\/7297754100bafdf4b25eedcdd7829c7d81c30fc6d01c6a085c60e46799b311b6?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/7297754100bafdf4b25eedcdd7829c7d81c30fc6d01c6a085c60e46799b311b6?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/7297754100bafdf4b25eedcdd7829c7d81c30fc6d01c6a085c60e46799b311b6?s=96&d=mm&r=g","caption":"Virginia"}}]}},"_links":{"self":[{"href":"https:\/\/www.analyticsarts.it\/it\/wp-json\/wp\/v2\/posts\/6212","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.analyticsarts.it\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.analyticsarts.it\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.analyticsarts.it\/it\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/www.analyticsarts.it\/it\/wp-json\/wp\/v2\/comments?post=6212"}],"version-history":[{"count":3,"href":"https:\/\/www.analyticsarts.it\/it\/wp-json\/wp\/v2\/posts\/6212\/revisions"}],"predecessor-version":[{"id":6242,"href":"https:\/\/www.analyticsarts.it\/it\/wp-json\/wp\/v2\/posts\/6212\/revisions\/6242"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.analyticsarts.it\/it\/wp-json\/wp\/v2\/media\/6234"}],"wp:attachment":[{"href":"https:\/\/www.analyticsarts.it\/it\/wp-json\/wp\/v2\/media?parent=6212"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.analyticsarts.it\/it\/wp-json\/wp\/v2\/categories?post=6212"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.analyticsarts.it\/it\/wp-json\/wp\/v2\/tags?post=6212"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}