Data Analysis

• Вам нужно отладить KPI, исследовать всплеск или падение метрики либо объяснить, почему изменилось то или иное число.
• Вы проводите A/B-тест, когортный анализ или анализ воронки и нуждаетесь в статистически корректной интерпретации — а не просто в сырых цифрах.
• Вы готовите отчёт для руководства или брифинг для стейкхолдеров и хотите, чтобы выводы были сформулированы как основа для решения, а не как свалка данных.
• Вы работаете с SQL, Python-ноутбуками, таблицами или экспортами из BI-инструментов, и самое сложное — это аналитическое суждение: что измерять, как сравнивать и что это на самом деле означает.

• Вам нужна лишь механическая форматирование таблиц или помощь с синтаксисом SQL без аналитического слоя — для этого может быть достаточно навыков sql или csv.
• Вам нужно создать или настроить живую панель мониторинга или конвейер отчётности — вместо этого рассмотрите навыки dashboard или business-intelligence.
• Качество данных слишком низкое, или размер выборки слишком мал для получения надёжных выводов — Data Analysis выявит это и заблокирует необоснованные заключения, не допуская ложной уверенности.

Прежде чем обращаться к каким-либо данным, навык Data Analysis привязывает каждый анализ к конкретному решению: кто за него отвечает, что изменится в зависимости от того, окажется ли результат X или Y, и каковы соответствующие временны́е рамки. Анализ без чётко сформулированного решения считается незавершённым.

Каждый расчёт привязан к явному контракту метрики: сущность, гранулярность, числитель, знаменатель, временное окно, часовой пояс, фильтры, исключения и источник истины. Неоднозначности выявляются до представления результатов, что предотвращает незаметное смещение определений.

Навык проверяет достаточность размера выборки, корректность групп сравнения, риск множественных сравнений, практическую и статистическую значимость, а также количественную оценку неопределённости. Результаты представляются в виде диапазонов (например, «прирост 12–18%»), а не ложных точечных оценок.

Навык соотносит аналитические вопросы с подходящим методом: проверка гипотез — для сравнений, регрессия — для прогнозирования, когортный анализ — для удержания, сегментация — для различий между группами, обнаружение аномалий — для нетипичных паттернов. Каждый метод сопровождается правильными ключевыми результатами.

Каждый результат структурирован следующим образом: ответ, доказательства, уровень уверенности, оговорки и рекомендуемое следующее действие. Результаты, предназначенные для заинтересованных сторон, переводят технические выводы в бизнес-последствия, а не начинают с методологии.

Навык активно сигнализирует об аналитических ловушках: повторное использование названий KPI после изменения их определений, смешивание уровней агрегации в одном графике, отображение процентов без исходных абсолютных значений, а также поиск нарратива задним числом — всё это выявляется до того, как может исказить принимаемое решение.

После проведения продуктового эксперимента используйте этот навык Data Analysis, чтобы проверить размер выборки, выявить эффекты новизны, рассчитать размер эффекта с доверительными интервалами и подготовить краткий отчёт для заинтересованных сторон с выводом о том, готов ли результат к принятию решения или требует дополнительного тестирования.

Когда ключевой показатель неожиданно изменяется, навык последовательно выполняет проверку метрического контракта, декомпозицию по сегментам, анализ согласованности временно́го зерна и проверку влияния confounders, чтобы определить, является ли изменение реальным сигналом или артефактом проблем с определением метрики или качеством данных.

Преобразуйте необработанные результаты запросов или выходные данные ноутбуков в структурированные аналитические справки для принятия решений — начиная с ключевого вывода, количественно оценивая неопределённость, указывая, что данные не могут объяснить, и рекомендуя следующий шаг — в формате, подходящем для руководства или межфункциональных заинтересованных сторон.

Проанализируйте поведение различных пользовательских когорт с течением времени, постройте кривые удержания с разбивкой по периоду привлечения или сегменту, а также определите, являются ли наблюдаемые различия статистически значимыми или находятся в пределах погрешности.