Основы анализа данных: описательная, диагностическая, прогнозная

Четыре вопроса, на которые отвечает аналитика

Анализ данных — не одно действие, а лестница вопросов. Каждая ступень опирается на предыдущую:

Большинству компаний больше всего пользы приносят первые две ступени, сделанные качественно. Прогноз на основе грязной описательной аналитики хуже, чем отсутствие прогноза.

Описательная аналитика

Это отчётность: суммы, средние, тренды и сравнения по периодам. Дашборды в BI-инструментах вроде Power BI, Metabase или Looker Studio в основном описательные.

Хорошая описательная аналитика согласована: одна и та же метрика считается одинаково во всех отчётах, и все знают её определение.

Диагностическая аналитика

Здесь ищут причины. Типовые приёмы:

• Сегментация — разбить метрику по каналам, устройствам, регионам, типам клиентов.
• Drill-down — спуститься от общего итога до уровня, где изменение реально произошло.
• Анализ воронки — найти шаг, на котором пользователи уходят.
• Когортный анализ — сравнить группы клиентов, пришедших в один период.

Главная ловушка — путать корреляцию с причинностью. Две метрики, которые меняются вместе, не обязательно влияют друг на друга. Если решение важное, подтвердите причину экспериментом, например A/B-тестом.

Прогнозная аналитика

Прогнозная аналитика по историческим данным оценивает будущее: прогноз спроса, вероятность ухода каждого клиента, ожидаемую выручку. Методы — от простых трендов и сезонности до моделей машинного обучения.

Прогноз — это всегда диапазон с неопределённостью, а не обещание. Он хорош ровно настолько, насколько хороша история, на которой построен: если бизнес резко изменился, старые данные могут ввести в заблуждение.

Предписывающая аналитика

Последняя ступень рекомендует действия: оптимальные цены, складские остатки, маршруты доставки, каким клиентам дать скидку. Она объединяет прогнозы с ограничениями и целями. Обычно для неё нужны зрелые данные и понятные правила принятия решений.

Словарь метрик

• Метрика — любая измеримая величина: заказы, выручка, визиты.
• KPI — ключевая метрика, привязанная к цели; у команды их должно быть немного.
• Измерение (dimension) — то, по чему режут метрику: дата, город, канал.
• Конверсия — доля пользователей, совершивших целевое действие.
• Удержание (retention) и отток (churn) — доля клиентов, которые остаются или уходят за период.
• Средний чек (AOV) — выручка, делённая на число заказов.
• LTV — выручка от клиента за всё время отношений с ним.
• CAC — затраты на маркетинг и продажи на одного нового клиента.
• DAU / MAU — активные пользователи за день и за месяц.
• Метрика тщеславия — число, которое красиво выглядит, но не помогает решать, например общее количество регистраций без учёта активности.

От вопроса к выводу: процесс

1. Сформулируйте вопрос. «Почему в третьем квартале упали повторные покупки?» — рабочий вопрос; «давайте посмотрим на данные» — нет.
2. Точно определите метрику. Что считается повторной покупкой, в каком окне времени, какие заказы исключаются.
3. Соберите данные из CRM, веб-аналитики, бухгалтерии, рекламных кабинетов.
4. Очистите их: дубли, тестовые заказы, пропуски, разные часовые пояса.
5. Проанализируйте: сравните периоды, сегментируйте, смотрите на распределения, а не только на средние.
6. Визуализируйте самым простым графиком, который отвечает на вопрос.
7. Сформулируйте вывод и действие: что узнали и что меняем.
8. Измерьте эффект действия и вернитесь к шагу 1.

Частые ошибки

• Начинать с дашборда «обо всём» вместо конкретного вопроса.
• Разные отделы считают «одну и ту же» метрику по-разному.
• Доверять средним, которые скрывают выбросы и разные группы клиентов.
• Делать выводы по очень маленьким выборкам.
• Строить прогнозы до того, как базовая отчётность стала надёжной.