Анализ данных — огромная область знаний, коллекция методов и инструментов, которые преследуют единственную цель: превращение данных в решения, мудрость и выгоду. Работая с данными, мы задаем множество разных вопросов — от простого «что произошло вчера?» до «что мне со всем этим теперь делать?».

Череда вопросов от легких и понятных усложняется с каждым уровнем анализа данных. И чем сложнее вопросы и неоднозначнее ответы, тем больше выгода, которую мы можем получить в конце.

Представьте, что пациент приходит ко врачу с жалобами на боли в сердце. Врач может собрать первичные данные, например, при помощи кардиограммы и разных обследований — узнать сердечный ритм, особенности работы желудочков, изучить имеющиеся паттерны работы сердца и, возможно, объяснить изначальную проблему.

Затем, врач может обратиться к своему опыту, чтобы оценить, насколько проблема текущего пациента распространена? Является ли уникальной? Можно ли к ней применить уже имеющиеся знания из прошлой практики или нужно выбрать другой подход?

Для понимания более глубокой картины пациента, нужно не только иметь данные первичного осмотра, но и знать историю болезни, хронические заболевания, привычки и образ жизни. Они позволят сформулировать более полное понимание его жалобы. И, может быть, найти причины.

Мы также можем попробовать предсказать, как болезнь будет протекать вероятнее всего -например, при текущем образе жизни. А можем дать рекомендации на основе полученных данных и общего опыта — что нужно делать, чтобы сделать сердце здоровее!

Это самый базовый, наиболее общий и простой с точки зрения технологий и методов вид анализа данных.

Для анализа берутся исторические данные (которые обычно легко можно получить), которые могут относиться как в недавнему периоду во времени (за сегодня, вчера или за эту неделю), так и к более широкому диапазону дат.

→ Какая книжка была лидером продаж на прошлой неделе?
→ Сколько участников зарегистрировалось на Марафон сегодня?
→ Насколько сильно различаются результаты экзаменов прошлого года и текущего?

Для проведения описательного анализа используют описательную статистику: разные агрегации (сумма, количество, минимум и максимум), отношения и пропорции, меры центральной тенденции (среднее, медиана, мода), меры разброса значений (размах, среднеквадратичное отклонение).

Как и описательный вид анализа, метод статистического вывода пытается ответить на вопрос что случилось в прошлом. Но здесь используются не только имеющиеся у нас исторические данные, но и те данные, которых у нас нет.

→ Как пользователи оценивают интерфейс нашего приложения?
→ Сколько участников Марафона посчитают информацию в лонгридах полезной?
→ Какой средний уровень грамотности при работе с данными в России?

Ключевая особенность заключается в том, что мы физически не можем опросить всех (абсолютно всех) пользователей нашего приложения, или всех участников Марафона, или всех жителей страны. Но можем посмотреть на статистику небольшой группы людей (нашей «выборки») и потом с определенными допущениями перенести выводы с выборки на всю потенциальную «генеральную совокупность» людей.

Как видите, здесь имеющиеся у нас данные сочетаются с допущениями и расчетными показателями — с теми данными, которых у нас не было.

Мы тоже попробуем воспользоваться методом статистического вывода и сделаем выборку участников Марафона, ответивших на наш опрос!

Этот вид анализа выходит за рамки описательного анализа, разыскивая ранее неизвестные или скрытые закономерности в данных. Мы не просто хотим узнать что случилось, но и почему это произошло, какой фактор повлиял сильнее остальных?

Детализация, поиск корреляций, определение выбросов и аномалий — все это дает чуть больше деталей по неизвестным нам данным, помогая составить полную картинку.

В этом виде анализа, мы используем исторические данные, чтобы делать прогнозы. Здесь в качестве инструментов для анализа выступает отслеживание трендов, использование линий регрессии, тестирование гипотез и само прогнозирование.

Прогнозы основываются на статистических моделях, но, конечно, случаются события, которые никто не может прогнозировать — например, пандемия covid-19. Поэтому, чем дальше во времени от текущей точки, тем точность прогнозов будет ниже.

Предписательный вид анализа основан на всех предыдущих четырех видах. Это наименее структурированный и наиболее комплексный анализ. В нем активную роль играют уже не методы статистики и не алгоритмы анализа данных, а опыт и накопленные знания людей.

Вообще, правильно сформулированный вопрос и подходящий вид графика в правильном контексте (как и отсутствие грубых ошибок при создании графика) уже сможет дать вам нужный ответ. Но именно интерактивная составляющая визуализации поможет ответить на вопросы эффективно.

Интерактивность — наиболее мощное оружие для исследования данных. Статичные отчеты обычно говорят об уже найденных цифрах и хорошо работают, когда нужно просто рассказать кому-то о результате анализа — в сжатое время в сжатом формате.

Но у любой аудитории будут появляться вопросы к данным. Если заметят аномалию, то захотят узнать, что на нее повлияло. Или захотят «покрутить» данные так, чтобы, наоборот, найти что-то необычное.

Можно выделить несколько ключевых направлений по интерактивности:

→ 1. выделить точки данных на диаграмме для взаимодействия и привлечения внимания
→ 2. изучить область данных, путем приближения/отдаления, прокрутки
→ 3. видоизменить структуру, например, если у пользователя есть возможность выбрать какие переменные нужно показать на диаграмме
→ 4. изменить детализацию, т. е. углубиться в данные, или наоборот, подняться на уровень выше
→ 5. отфильтровать данные
→ 6. проследить взаимосвязи, например, выделить один элемент данных и увидеть все взаимосвязанные с ним точки данных

В конечном счете, использование интерактивности сокращает дистанцию между вопросом и ответом. Если вы готовите визуализацию для кого-то еще, то интерактивность и сокращает дистанцию между вами и теми людьми, которые будут пользоваться результатами вашей работы. Вы не можете заранее предугадать вопросы, которые могут возникнуть у аудитории, но вы можете предоставить инструмент, который позволит получить максимум.

Дашборды собирают воедино несколько диаграмм и графиков, которые раскрывают общую тему. Создавая дашборд, вы упрощаете подачу информации, стираете границы, делая сложное простым. С помощью дашбордов мы общаемся на языке данных с другими.

Дашборд — это прежде всего средство коммуникации. Дашборд представляет ценность, если показывает данные доступными и наглядными средствами, формируя понимание ситуации, помогая формированию выводов, побуждая к изучению имеющихся данных, если в них что-то не так. В идеальном мире дашборд должен способствовать диалогу между вами и данными.

... Для более подробного разбора дашбордов приглашаем вас на следующие Марафоны!