Leíró statisztika: hogyan ne félj a számoktól és értelmezd őket helyesen?

Az előző cikkben arról volt szó, hogy az elemzés már ott elkezdődik, amikor megnyitjuk az adatot. Nem képletekkel indul, hanem döntésekkel: mit nézünk meg, mit hagyunk ki, mit tekintünk „normálisnak”, és mi az, ami gyanús.

Most egy lépéssel tovább megyünk.

Mert van egy pont, ahol sok emberben beüt a fék:

„Oké, látom az adatot… de most statisztikáznom kell?”

És itt jelenik meg a "statisztika szorongás".

Ez a cikk nem egy klasszikus értelemben vett statisztikaóra.

Nem célja, hogy „megtanítsa az elméleti statisztikát”.

A célja, hogy adjon egy érthető belépő minimumot, ami segít:

• hogy ne csak egy számot nézz,
• hanem tudd, mikor milyen összefoglalás korrekt,
• és hogyan maradj őszinte az adathoz, akkor is, ha egyszerűsítesz.

Miért veszélyes az „egy szám” gondolkodás?

A leggyakoribb kezdő elemzői reflex az, hogy:

• kiszámolunk egy átlagot,
• ránézünk egy lemorzsolódási rátára (churn rate-re),
• és kész is a „válasz”.

A gond ezzel nem az, hogy „rossz” lenne. Az egyszerűsítés néha kifejezetten hasznos.

A gond az, amikor az egyszerűsítés elrejti a szerkezetet.

Ugyanaz a szám nagyon különböző világokat jelenthet.

A változók típusai: a legjobb belépés a leíró statba

Ha csak egy dolgot tanulsz meg ebből a cikkből, legyen ez:

Minden változótípust másképp érdemes összefoglalni.

A négy alap típus

• Numerikus: pénz, idő, darabszám

• Kétértékű, azaz bináris (0/1): lemorzsolódás igen/nem, aktív igen/nem

• Kategórikus: előfizetés típusa, ország, marketing csatorna

• Idő: dátumok, időbeli trendek

Miért fontos?

Mert sok félreértés nem a számolásból jön, hanem abból, hogy rossz típushoz rossz összefoglalást választunk.

Középértékek: átlag, medián, módusz

Sokan itt ijednek meg, mert azt hiszik, ez „matek”.

Pedig ezek csak különböző válaszok ugyanarra a kérdésre:

„Mi a tipikus érték?”

Átlag

Az átlag akkor jó, ha az értékek nagyjából egy kupacban vannak, és nincs túl sok extrém érték.

Medián

A medián a „középső” érték: ha sorba rendezed az adatokat, a közepén lévőt kapod.

A medián akkor jó, ha az adat ferde, vagy vannak nagy kilengések.

Módusz

A leggyakoribb érték. Kategóriáknál különösen hasznos.

Számolás - lépésről lépésre
Költés (EUR):
10, 12, 12, 13, 13, 14, 15, 16, 200


1. Sorbarendezés:
10, 12, 12, 13, 13, 14, 15, 16, 200


2. Medián:
- 9 elem → középső a 5.
- medián = 13


3. Átlag:
(10 + 12 + 12 + 13 + 13 + 14 + 15 + 16 + 200) / 9
= 305 / 9
≈ 33.9

Mi az eloszlás, és miért ez az EDA egyik első lépése?

Az eloszlás nem hardcore matematikai statisztika. Inkább egy térkép.

Az eloszlás megmutatja:

• hol vannak a tipikus értékek,
• mekkora a szóródás,
• vannak-e szélsőségek,
• és azt is, hogy egy „egy szám” mennyire reprezentatív.

Kapcsolódás az EDA-hoz:

Az EDA egyik kulcsmozzanata: először megnézed, hogy viselkedik az adat, és csak utána döntesz arról, mit jelent a „tipikus”.

A három leggyakoribb üzleti eloszlásminta (és mit csinál velük az elemző)

Ferde eloszlás (tenure = előfizetés hossza)

Sok kicsi érték, kevés nagy.

Mit csinál az elemző?

• mediánt néz (vagy percentiliseket),
• és eloszlást mutat, nem csak átlagot.

Sok nullás változó (usage = aktivitás)

Rengeteg 0, és néhány aktív user.

Mit csinál az elemző? Először kérdez:

• a 0 „nem használja”?
• vagy „még nem volt esélye használni”?
• vagy „rosszul mértük”?

Outlierek (power userek = kiemelkedő felhasználók, pl. nagy költés)

Mit csinál az elemző? Nem „kidobja”, hanem dönt:

• külön csoportként kezeli?
• „levágja” a széleket egy prezentációban, de külön jelzi?
• vagy a cél épp az, “hogy őket megértse”?

Arányok és 0/1 változók: miért átlag a lemorzsolódási ráta?

Ha van egy 0/1 változó:

• churn = 1, ha elment
• churn = 0, ha maradt

Akkor az átlag ezt jelenti: hány darab 1-es van az összeshez képest.

Számolás - lépésről lépésre
10 userből 2 lemorzsolódik:
1, 0, 0, 0, 1, 0, 0, 0, 0, 0

1. Összegzés:
1 + 1 = 2 churn

2. Darabszám:
10 user

3. Átlag (arány):
2 / 10 = 0,2 = 20%

De jön a „finom” rész:

Ugyanaz a 20% teljesen más, ha 10 emberből jön, mint ha 10 000-ből.

Ezért mindig kell mellé, az is hogy hány megfigyelésből számoljuk:

Számolás - lépésről lépésre
Eset 1: kis nevező
2 churn / 10 user
= 0,2 = 20%

→ Kevés megfigyelés
→ Nagy bizonytalanság
→ Egyetlen esemény sokat változtat az arányon


Eset 2: nagy nevező
2000 churn / 10 000 user
= 0,2 = 20%

→ Sok megfigyelés
→ Stabil arány
→ Egy-egy esemény hatása elenyésző

Összehasonlítások: ne csak egy számot nézz

Az elemzés tipikusan nem ott kezdődik, hogy „mennyi összesen”, hanem ott, hogy:

• előfizetési csomag szerint mennyi?
• ország szerint mennyi?
• új vs régi felhasználónál mennyi?

A minimális jó gyakorlat:

• csoportonként átlag/medián (a változó típusától függően),
• és mellé az eloszlás rövid „érzete”.

A következő gondolati lépés (amit majd később bontunk ki):

Ha különbséget látunk, a következő kérdés nem az, hogy „ki nyert”, hanem az, hogy: mi lehet mögötte?

Zárás: gyakorlati checklist elemzőknek

Ha gyorsan kell eldöntened, mit nézz:

• Numerikus és ferde: medián + eloszlás

• Bináris (0/1): arány + hány megfigyelésből (nevező!)

• Kategóriás: gyakoriság + arány

• Idő: trend + összehasonlított időszak