Сегодня речь пойдет про некоторый парадокс в аналитике, понимание которого приходит лишь со временем.

Представим, что каждый год данных становится всё больше и у компаний появляются новые системы, витрины, дашборды, десятки KPI, выгрузки на миллионы строк и всё это просто пачками валиться, хочешь смотреть так или эдак, можно посмотреть продажи / непродажи по регионам, сотрудникам, товарам, часам, минусам, секундам и еще по 25 разрезам.

И вроде, чем больше данных, тем лучше. Но это не всегда так, и иногда после появления пятого дашборда понимания становится даже меньше, чем было после одной нормальной таблицы.

Миллион, миллион алых строк

Представим, что продажи компании снизились на 7% и можно собрать огромный массив, чтобы выяснить что произошло. Возьмем сначала регионы, потом магазины, в категориях посмотрим и т.д. и т.п. Данных море в общем.

Но если изначально не был сформулирован конкретный вопрос, то аналитик просто будет прыгать между разрезами и и где-нибудь что-нибудь обязательно найдется. Всегда находится.

На этот счет есть хорошая цитата:

Чем больше данных и разрезов, тем выше вероятность найти закономерность, которая вообще ничего не означает. Джейсон Стетхем мог однажды такое сказать

Больше показателей тоже не значит лучше

И с показателями та же самая ситуация. Больше не равно лучше. Всё начинается обычно с 3-5 основных показателей, которые объясняют примерно 80-90% процесса.

А дальше если мы любим метрики, то будем добавлять всё новые и новые показатели и получится, что через пару лет будет такая панель управления космическим кораблем из 146 KPI. И все вроде будут полезные, но смотреть то куда?

Возьмем HR дашборд. Текучесть выросла, производительность снизилась, оплата труда выросла, срок найма увеличился. Окей, но дальше вопрос – что из этого причина, что следствие, а что просто одновременно произошло?

И дашборд этого сам не расскажет, то есть для анализа он будет практически бесполезен. Анализ нам должен объяснить связи внутри процессов

Методика важнее объема

Вообще, как по мне, хорошая аналитика выглядит очень скучно.

Есть вопрос, ты формируешь гипотезу, считаешь показатели по данным, описываешь ограничения и строишь графики с выводами. Причем иногда для нормального решения достаточно трех показателей и одного графика.

Но да, иногда нужны десятки миллионов строк. Объем данных определяется задачей, а не наоборот.

И, пожалуй, именно поэтому я бы вообще не измерял зрелость аналитики количеством дашбордов, витрин или терабайтов в хранилище. Наверняка тоже Стетхем такое говорил

Зрелая аналитика начинается в тот момент, когда компания умеет работать с данными, проверяя необходимые гипотезы и отвечая на вопросы. Аналитика должна способствовать снижению неопределенности, а бесконечное число метрик, как правило, определенности не добавляет.

Я регулярно разбираю такие темы в своём Telegram‑канале, если вам интересно глубже понимать аналитику, экономику и рынок труда, там регулярно выходят короткие заметки и обзоры актуальных событий.

Очень много данных, даже слишком