Статистика — это база, без которой аналитика данных быстро превращается в набор красивых, но сомнительных графиков. Именно она помогает отличать реальные закономерности от случайного шума, корректно интерпретировать метрики и принимать решения на основе данных, а не интуиции.
Генеральная совокупность и выборка
Генеральная совокупность — все объекты, которые нас интересуют. Выборка — часть этих объектов, по которой мы делаем выводы. Главная задача аналитика — убедиться, что выборка репрезентативна, иначе результаты будут искажены.Среднее, медиана, мода
Это базовые меры центра распределения.— Среднее полезно, когда данные распределены относительно ровно.
— Медиана лучше работает при выбросах, например в зарплатах или чеках.
— Мода показывает самое частое значение.
Для бизнес-анализа медиана часто оказывается практичнее среднего. 📈
Дисперсия и стандартное отклонение
Эти метрики показывают, насколько данные разбросаны относительно среднего. Если средние значения у двух групп одинаковые, но разброс разный, выводы о стабильности процессов будут различаться.Нормальное распределение
Многие методы статистики предполагают близость данных к нормальному распределению. На практике важно не просто знать термин, а понимать: если распределение сильно скошено, стандартные тесты могут работать некорректно.Корреляция не равна причинности
Одна из самых важных идей для аналитика. Если два показателя движутся вместе, это не значит, что один вызывает другой. Между ними может быть скрытый фактор или простое совпадение. 🔍Гипотезы и p-value
Статистическая гипотеза — это проверяемое предположение. Например: “новый дизайн увеличил конверсию”.
P-value помогает оценить, насколько наблюдаемый эффект мог возникнуть случайно. Но важно помнить: маленький p-value — не доказательство большой практической пользы.Доверительный интервал
Он показывает диапазон, в котором с высокой вероятностью находится истинное значение метрики. Это полезнее, чем смотреть только на одно число, потому что интервал отражает неопределённость оценки.Ошибка I и II рода
— Ошибка I рода: увидели эффект, которого нет.
— Ошибка II рода: не заметили реальный эффект.
В A/B-тестах и продуктовой аналитике баланс между этими ошибками критически важен. ⚖️
Размер выборки
Слишком маленькая выборка делает выводы ненадёжными. Слишком большая — позволяет находить статистически значимые, но бесполезные для бизнеса различия. Аналитику важно оценивать не только значимость, но и эффект.Выбросы и качество данных
Даже идеальные статистические методы бесполезны, если в данных дубликаты, пропуски, аномальные значения и ошибки трекинга. Хорошая аналитика начинается с проверки качества данных. 🧩
Главный вывод: статистика для аналитика данных — это не набор формул, а инструмент мышления. Она помогает задавать правильные вопросы, проверять гипотезы и принимать решения, которым можно доверять. 💡
Подборку полезных каналов про IT стоит сохранить отдельно — там часто публикуют практику по аналитике, data science, SQL, Python и карьерному росту.