Ile matematyki potrzebuje analityk danych? Zacznij od tych podstaw

Skończyłem polonistykę, a do analizy danych trafiłem przez pracę z Excelem. Gdy zaczynałem, moja wiedza statystyczna była skromna. To element mojej historii, który może dodać Ci odwagi, jeśli przychodzisz z innej dziedziny. Nie wyciągałbym z niego jednak wniosku, że matematyka w tym zawodzie jest zbędna.

Dzisiaj pytanie „czy muszę znać matematykę?” rozbijam na mniejsze: co chcesz analizować, jaką decyzję ma wspierać wynik i jaki błąd możesz popełnić? Do prostego raportu sprzedaży potrzebujesz innego przygotowania niż do projektowania eksperymentu. W obu przypadkach musisz rozumieć znaczenie liczb. Program potrafi je przeliczyć znacznie szybciej ode mnie, ale pytanie nadal ktoś musi postawić.

Zacznij od zadania zamiast od całej listy przedmiotów

Gdy widzisz w internecie algebrę liniową, rachunek różniczkowy, teorię prawdopodobieństwa i optymalizację, łatwo dojść do wniosku, że najpierw trzeba wrócić na studia. Ja proponuję węższy start. Wybierz jedno pytanie, na przykład: czy sprzedaż wzrosła i czy więcej zamówień oznacza większy przychód na zamówienie? Potem ustal, jakich rachunków potrzebujesz do odpowiedzi.

Taki sposób nauki daje punkt zaczepienia. Procent ma mianownik, średnia opisuje określone obserwacje, a wykres ma jednostkę. Zamiast zapamiętywać definicje w oderwaniu od danych, możesz sprawdzić, dlaczego zmiana jednej decyzji zmienia wynik. Łatwiej też zauważysz lukę w rozumieniu, gdy nie potrafisz wyjaśnić, co oznacza otrzymana wartość.

Nie obiecuję, że każda oferta analityczna ma ten sam próg wejścia. Przeczytaj zakres obowiązków i zapytaj o przykładowe zadania. Raportowanie operacyjne, analiza eksperymentów i budowa modeli to różne odpowiedzialności. Na start szukam zgodności między zadaniem a umiejętnością, którą potrafię pokazać, zamiast próbować przygotować się jednocześnie do wszystkich zawodów związanych z danymi.

Procenty: najpierw nazwij podstawę

Weźmy dane syntetyczne: w pierwszym miesiącu sprzedaż wynosi 100, a w drugim 120 umownych jednostek. Różnica to 20. Dzieląc ją przez początkowe 100, dostaję wzrost o 20%. Jeżeli w kolejnym miesiącu sprzedaż wróci do 100, spadek liczę względem 120. Wynosi około 16,7%. Ten sam ruch kwotowy ma inny procent, bo zmieniła się podstawa.

Pierwsze ćwiczenie brzmi więc: dopisz do każdego procentu słowa „względem czego”. Przy udziale zamówień zwróconych mianownikiem może być liczba zamówień, liczba produktów albo przychód. Każdy wybór odpowiada na inne pytanie. Sam znak procentu nie mówi, którą definicję wybrano, a dwie osoby mogą używać tej samej nazwy dla różnych wskaźników.

Osobno traktuję punkty procentowe. Zmiana udziału z 10% do 15% to 5 punktów procentowych, a wzrost względny wynosi 50%. Rozróżnienie wyjaśnia opracowanie o pułapkach procentów. W raporcie warto pokazać obie wartości bazowe, szczególnie gdy mały udział generuje efektownie brzmiący wzrost. Więcej przykładów znajdziesz w tekście o zmianie procentowej.

Średnia i mediana odpowiadają na różne pytania

Rozważ pięć syntetycznych czasów obsługi: 2, 3, 3, 4 i 18 minut. Suma wynosi 30, więc średnia to 6 minut. Mediana uporządkowanego zbioru wynosi 3. Obie liczby są poprawne. Jeśli chcesz opisać środkową obserwację, mediana daje inny obraz niż średnia uwzględniająca długi przypadek.

Nie usuwam osiemnastu minut tylko dlatego, że psują estetykę wyniku. Mogła to być pomyłka, ale mogła też istnieć trudna sprawa wymagająca tyle pracy. Najpierw potrzebuję kontekstu. Gdy pytanie dotyczy łącznego obciążenia zespołu, te minuty nadal mają znaczenie. Gdy dotyczy typowego czasu, mogę pokazać medianę wraz z informacją o rozrzucie.

Podręcznik NIST o miarach położenia opisuje własności średniej i mediany. Praktyczna lekcja jest prosta: przed wyborem jednej liczby obejrzyj dane i nazwij cel podsumowania. Własny rachunek dla pięciu rekordów daje lepsze zrozumienie niż bezrefleksyjne użycie funkcji z nazwą, która akurat brzmi znajomo.

Średnia procentów potrzebuje odpowiednich wag

Kolejny przykład syntetyczny: w małej grupie kupuje 1 osoba na 10, czyli 10%. W dużej kupuje 45 osób na 90, czyli 50%. Średnia tych dwóch procentów to 30%. Jednak łącznie kupiło 46 osób na 100, więc wspólny udział wynosi 46%. Różnica bierze się z różnej wielkości grup.

Jeśli raport ma opisywać wszystkie osoby razem, sumuję liczniki i mianowniki, a dopiero potem dzielę. Jeżeli celowo chcę dać obu grupom taką samą wagę, muszę to nazwać. Średnia wyników dwóch grup może być sensowna dla odrębnego pytania, ale nie zastępuje automatycznie udziału w całej populacji obserwowanej w tabeli.

Ten błąd pojawia się również przy marżach, średnich czasach i wynikach sklepów. Dlatego do zagregowanego wskaźnika staram się zachować jego składniki. Sam procent z arkusza zbiorczego często nie wystarcza, by policzyć sensowną całość. Potrzebuję liczebności albo wartości, które określają wagę każdej części. Matematyka zaczyna się tu od rozumienia mianownika, nie od trudnej symboliki.

Jednostka obserwacji zmienia rachunek

Wyobraź sobie tabelę pozycji zamówień. Jedno zamówienie ma trzy produkty, inne jeden. Jeśli policzysz wiersze, otrzymasz cztery pozycje, choć zamówień są dwa. Średnia wartości pozycji opisuje produktową część koszyka, a średnia wartości zamówienia opisuje cały koszyk. Obie mogą być przydatne, jeśli zostały właściwie nazwane i policzone na odpowiednim poziomie.

Podobnie działa czas. Miesięczny plan może zostać powtórzony przy każdej dziennej transakcji po błędnym połączeniu tabel. Suma planu będzie wtedy zawyżona, mimo że zastosowana funkcja sumująca działa zgodnie ze swoją definicją. To dobry przykład sytuacji, w której narzędzie oblicza dokładnie to, co mu zlecono, a my musimy jeszcze ocenić sens polecenia.

Ja przed liczeniem zapisuję zdanie „jeden rekord oznacza…”. Potem sprawdzam, czy klucz pozwala rzeczywiście rozróżnić takie rekordy. Gdy nie potrafię tego zdania dokończyć, wracam do źródła danych. Dodatkowy kurs formuł nie rozwiąże braku definicji. Przy łączeniu różnych poziomów przyda Ci się poradnik o data blendingu w Tableau.

Naucz się mówić o rozrzucie i niepewności

Dwie grupy mogą mieć tę samą średnią, choć w jednej wyniki są do siebie podobne, a w drugiej skrajnie różne. Dlatego po średniej uczę się zakresu, kwartylów i odchylenia standardowego. Na początek chcę rozumieć, jak wyglądają obserwacje, a nie tylko podać kolejną liczbę z tabeli podsumowania. Zobacz także wprowadzenie do kwartylów i IQR.

Kiedy analizujesz próbę, wynik może różnić się między kolejnymi próbami. Przedział ufności pomaga opisać niepewność oszacowania przy założeniach wybranej metody. Nie oznacza, że 95% pojedynczych obserwacji leży w takim przedziale ani że zniknęły wszystkie błędy źródła. To inne pytania niż niepewność szacowania średniej.

NIST wyjaśnia interpretację przedziału ufności: poziom 95% odnosi się do długookresowej skuteczności procedury przy powtarzanym pobieraniu prób zgodnie z założeniami. Na początek wystarczy umieć wyjaśnić tę granicę i wiedzieć, kiedy poprosić o pomoc. Nie musisz wyprowadzać całej metody, żeby zauważyć, że ankieta wysłana tylko do najbardziej aktywnych klientów może opisywać wybraną grupę.

Współwystępowanie wymaga ostrożnej interpretacji

Załóżmy, że osoby korzystające ze szkolenia częściej awansują. Czy szkolenie spowodowało awans? Może pomogło. Może też chętniej zapisywały się osoby już bardziej aktywne albo pracujące w zespołach z większą liczbą wakatów. Samo porównanie dwóch udziałów nie rozstrzyga między tymi wyjaśnieniami. Przyczynę trzeba badać odpowiednim projektem i założeniami.

Rozróżnienie obserwacji i eksperymentu omawia OpenStax w rozdziale o projektowaniu badań. Nie dokładam do zwykłego raportu etykiety „wpływ”, jeśli pokazuje on jedynie związek. Mogę opisać różnicę w danych i zaproponować, jak zebrać mocniejszy dowód. To nadal wartościowa praca, nawet jeśli nie kończy się spektakularną deklaracją.

W praktyce oznacza to potrzebę rozpoznawania granic własnego warsztatu. Gdy wynik ma uzasadniać zmianę procesu na dużą skalę, warto zaangażować osobę rozumiejącą projektowanie eksperymentów i odpowiedni model statystyczny. Nauka podstaw pomaga zadawać takiej osobie konkretne pytania. Bez nich łatwo potraktować każdą wartość zwróconą przez bibliotekę jako automatyczne potwierdzenie tezy.

Narzędzie przyspiesza obliczenie, a Ty sprawdzasz sens

Excel, SQL i Python pozwalają wykonać rachunek na większej liczbie rekordów. AI może dodatkowo zaproponować formułę albo wyjaśnienie. Nadal musisz ustalić, czy liczymy zamówienia, osoby czy pozycje, czy brak wartości oznacza zero oraz jaka grupa tworzy mianownik. Te decyzje wynikają z pytania i danych, więc nie warto oddawać ich przypadkowemu domysłowi narzędzia.

Ja stosuję mały przykład kontrolny. Zanim użyję długiej formuły, opisuję kilka rekordów, dla których potrafię ręcznie wskazać oczekiwany wynik. Jeśli zmiana z dwóch zamówień na cztery pozycje zmienia interpretację wskaźnika, chcę to zobaczyć od razu. Później sprawdzam dokumentację użytej funkcji i to, jak traktuje braki, duplikaty oraz typy wartości.

Nie trzeba liczyć ręcznie całego pliku. Chodzi o zdolność oszacowania skali i wyjaśnienia toku rozumowania. Gdy suma pięciu niewielkich wartości daje nagle milion, powinno pojawić się pytanie o jednostkę, filtr albo powielone rekordy. Dodatkowe miejsca po przecinku poprawiają wygląd takiej liczby, ale nie zwiększają wiarygodności jej znaczenia.

Plan nauki oparty na małych rezultatach

Zacząłbym od jednego prostego zestawu syntetycznego: data, identyfikator zamówienia, kwota i grupa. W pierwszym podejściu policz liczbę zamówień i ich sumę. Następnie dodaj udział każdej grupy oraz zmianę między dwoma okresami. Do każdej miary napisz jedno zdanie definicji i wskaż, co stanie się przy zerowej podstawie albo brakującym okresie.

W kolejnym podejściu porównaj średnią z medianą. Dodaj jedną dużą obserwację i opisz, co się zmieniło. Potem podziel dane na nierówne grupy i porównaj średnią procentów z ilorazem sum. Gdy potrafisz objaśnić te różnice bez patrzenia na wzór, masz konkretny postęp. Nie musisz mierzyć nauki liczbą obejrzanych godzin kursu.

Dopiero potem dokładaj zagadnienia potrzebne do kolejnego zadania: losowość, rozkłady, próbkowanie i podstawy wnioskowania. Jeśli chcesz budować modele predykcyjne, pogłębisz prawdopodobieństwo i algebrę liniową. Przy optymalizacji pojawią się inne wymagania. Nie ma jednego momentu, po którym matematyka zostaje „zaliczona” i już nigdy do niej nie wracasz.

Rozpisz jedno zadanie na decyzje analityczne

Spróbuj przygotować notatkę o syntetycznym sklepie, w którym liczba zamówień wzrosła z 10 do 20, a przychód ze 100 do 120 jednostek. Same wzrosty wyglądają optymistycznie: zamówień jest dwa razy więcej, a przychód urósł o 20%. Jednak przychód na zamówienie zmalał z 10 do 6. Te trzy informacje da się uzyskać podstawowymi działaniami, a razem opowiadają znacznie więcej niż jedna zielona strzałka.

Nie dopowiadaj od razu przyczyny spadku wartości koszyka. W danych mogła zmienić się oferta, udział klientów, ceny albo sposób rejestrowania zamówień. Zapisz możliwe wyjaśnienia i wskaż, jakich kolumn potrzebujesz, by je rozróżnić. Możesz zaproponować podział na produkty lub grupy klientów, ale dopiero po sprawdzeniu, czy ich definicje są porównywalne w obu okresach.

Następnie zadaj pytanie o zakres dat. Czy oba okresy mają tę samą długość? Czy obejmują pełne dni i podobny układ tygodnia? Dwa kolejne miesiące nie muszą mieć takiej samej liczby dni, więc wzrost sumy nie jest automatycznie wzrostem sprzedaży dziennej. Dodatkowy wskaźnik może być przydatny, jeśli jasno opiszesz jego mianownik i cel.

Wreszcie zastanów się, kto podejmuje decyzję. Osoba planująca obsadę magazynu może bardziej potrzebować liczby pozycji i paczek, a osoba oceniająca wynik sprzedaży kwot oraz struktury zamówień. Jedna tabela może służyć obu, lecz wymaga innych podsumowań. Matematyka pomaga je policzyć, a rozumienie procesu pomaga wybrać właściwe.

Zapisuj pomyłki jako konkretne reguły

Po ćwiczeniu zostaw krótką notatkę o błędzie, który udało się znaleźć. Zamiast „muszę lepiej znać procenty” napisz „przy porównaniu udziałów pokażę wartości początkowe, końcowe i jednostkę zmiany”. Taka reguła daje działanie do wykonania przy następnym raporcie. Ogólne postanowienie trudno zweryfikować, szczególnie po kilku dniach, gdy pamiętasz już tylko gotowy wynik.

Podobnie potraktuj pomyloną średnią. Zapis „przed średnią z grup sprawdzę ich liczebności” można zastosować do czasu obsługi, konwersji i wielu innych miar. Nie potrzebujesz osobnego zaklęcia dla każdego narzędzia. Potrzebujesz rozpoznawać ten sam problem pod różnymi nazwami kolumn i umieć wrócić do składników wskaźnika.

Dobrze działa również wyjaśnienie wyniku osobie, która nie widziała arkusza. Jeśli pyta, co oznacza wiersz, skąd wzięła się grupa albo dlaczego pominąłeś część rekordów, potraktuj to jako test definicji. Taka rozmowa może ujawnić brakujący krok szybciej niż kolejne formatowanie raportu. Zrozumiała odpowiedź wymaga porządku w rozumowaniu, nawet gdy sam rachunek mieści się w jednym działaniu.

Jak ocenić własną gotowość do zadania

Poproś siebie o krótkie wyjaśnienie wyniku: co policzyłem, dla kogo, z jakich danych i z jakim ograniczeniem. Potem zmień jeden element, na przykład usuń rekord albo powiększ jedną grupę. Przewidź kierunek zmiany przed ponownym liczeniem. Takie pytanie sprawdza zrozumienie lepiej niż rozpoznanie nazwy funkcji na liście odpowiedzi.

Przy rekrutacji czytaj wymagania przez pryzmat odpowiedzialności. Jeśli firma oczekuje oceny eksperymentów, sama znajomość sumowania nie wystarczy. Jeśli zadanie polega na przygotowaniu prostego raportu operacyjnego, możesz pokazać dobre definicje, kontrolę jakości i zrozumiały wniosek, a trudniejsze obszary rozwijać dalej. Uczciwe wskazanie granicy wiedzy pozwala dobrać wsparcie, zamiast ukrywać ryzyko pod nazwą stanowiska.

Moja historia pokazuje jedną możliwą drogę wejścia do danych. Twoja może wyglądać inaczej. Zostawiłbym z tego tekstu praktyczny nawyk: ucz się matematyki razem z pytaniem, któremu służy, i wracaj do podstaw, gdy wynik przestaje mieć sens. Pierwszy raport może być prosty, jeśli potrafisz obronić jego definicje i wyjaśnić ograniczenia.

Wersja do oglądania

Zachowuję film z oryginalnego artykułu jako dodatkowy materiał po polsku. Powyższe przykłady stanowią samodzielne rozwinięcie tematu.