7 критических ошибок в работе аналитика данных и как их избежать на реальных примерах

Почему математика —
основа анализа данных

Переходим к гайду

В конце гайда — бесплатный урок

1. Зависимости и их графики

Главные инструменты для анализа и иллюстрации процессов.

Типичная ошибка: аналитик строит линейный тренд продаж и считает, что зависимость между ценой и спросом прямая. На деле же спрос может снижаться нелинейно. Например, при повышении цены с 9 до 11 тыс. рублей прибыль не вырастет, как предсказано, а уведет продажи в убыток.

Вывод: непонимание базовых типов функций — линейной, квадратичной, экспоненциальной и других — приводит к искажению прогнозов. Без них любые выводы будут случайными.

3. логарифмы

2. Матрицы и векторы

Аналитик рассчитал значения и ответил, после чего собеседование было окончено. Он ошибся, ведь это были 2 графика с одной криптовалютой. Разница только в том, что цены справа были указаны в логарифмическом масштабе.

Почему это критично: когда данные растут или падают в разы, линейный масштаб искажает истину. Логарифмы помогают обнаружить тревожные сигналы в метриках.

Это инструмент для работы с огромными числами и линейными зависимостями. А еще — возможность правильно читать графики.

Типичная ошибка: начинающий аналитик при трудоустройстве в биржевую компанию решал простую задачу. Нужно было ответить на вопрос: во сколько раз различаются цены двух криптовалют в апреле, если их приблизительные значения указаны стрелкой?

Это таблицы данных и операции с ними.

Типичная ошибка: аналитик вручную рассчитывает рекомен-дации пользователям — подбирает циклы в коде. Алгоритм работает медленно, а нагрузка на серверы в 5 раз выше. После перехода на матричный анализ все работает в сотни быстрее.

Почему это критично: аналитика — это Big Data. Объемы данных требуют векторного мышления и работы с матрицами.
Без них — низкая производительность, ошибки в ML-моделях и неэффективный код.

Вывод: незнание линейной алгебры делает аналитика неспособным решать свои задачи. Главные инструменты для анализа и иллюстрации процессов.

Как теория вероятностей
и комбинаторика помогают аналитикам понимать реальные аналитические задачи

4. производные

Почему это критично: просто видеть рост недостаточно — нужно понимать, насколько быстро он идет и как, и принимать решения заранее, до предполагаемой даты прекращения эффективности промо-акции.

Вывод: без производных аналитик рискует опоздать со всем —
с выводами, действиями, сменой стратегии.

Или же скорость изменений. Показывает, насколько быстро растут или падают значения. А это понимание — как и когда нужно оптимизировать бизнес-процессы.

Типичная ошибка: аналитик следит за ростом заказов на фоне промо-акции и видит хорошие продажи, которые приносят всё больший доход день ото дня. Но скорость роста внезапно стала падать нелинейно — 100 т.р. в течение четвертого дня продаж, 400 т.р. в течение пятого, 900 т.р. в течение шестого… Промо-акция перестала работать. Из-за не до конца рассчитанной модели продаж не удалось вовремя предвидеть падение и всего за 3 дня прибыль упала на 1 400 000 р.

5. тригонометрия

Почему это критично: периодичность — ключ к пониманию поведения пользователей по дням, часам и сезонам. Если ее не учесть, любой прогноз будет неточным, а ресурсы — распределены неэффективно.

Вывод: без тригонометрии игнорируются повторяющиеся паттерны, из-за чего упускается потенциальная прибыль.

Синусы, косинусы и другие периодические функции — это инструменты для анализа повторяющихся процессов.

Типичная ошибка: прогноз спроса на такси не учитывал суточные колебания количества заявок со стороны пассажиров. В часы-пик не хватало водителей, а когда их было много — такси вызывали реже. Результат: возможная упущенная прибыль свыше 500 тыс. рублей в месяц и недовольные клиенты.

6. комбинаторика и теория вероятности

Почему это критично: комбинаторика и вероятность позволяют оценивать точность тестов, риски и вариативность. Без них легко принять ложное за истину.

Вывод: если аналитик не знает, как считать вероятность и комбинации — вся аналитика может быть иллюзией.

Выполняют свою роль в расчете шансов и вариантов.

Типичная ошибка: запущено 10 A/B-тестов с пересечением аудиторией. Результаты кажутся значимыми, но на самом деле они ложные. Компания внедрила «успешную» фичу, которая на деле ухудшила показатели. А ведь можно было изначально положиться на плохой прогноз по FWER при проведении множественных статистических тестов.

FWER - вероятность принять хотя бы один результат за верный в то время как он на самом деле ложный.

7. статистика

Помогает анализировать данные и проверять гипотезы.

Типичная ошибка: при трудоустройстве аналитиком в медицинский центр стажеру дали такую задачу: «Вы получили информацию о том, что люди, которые пьют красное вино живут дольше. Как проверить достоверность данной информации?»

Стажер ответил, что сравнил бы количество пьющих и непьющих красное вино, а затем сделал первоначальный вывод о влиянии вина на долголетие.

Он был не прав и завалил собеседование, потому что в исследовании учитываются и другие факторы. Обычно люди, пьющие красное вино, имеют более высокий доход, лучшее питание и медицину. Следовательно, нужно учитывать большие данные, которые не собрать за один день.

Почему это критично: Смешение корреляции (вино и долголетие) с причинностью (вино → долгая жизнь). Без знаний статистики человек верит в ложный вывод.

Вывод: аналитик без знаний статистики — как врач без понимания причин диагноза. Лечит «на глаз» без доказательств болезни.

Общие итоги

Каждая из этих ошибок — не абстрактная. Это типовые провалы, которые тормозят бизнес и карьеру, съедают бюджеты и подрывают доверие к аналитике. Корень всех ошибок в незнании математической базы — а это основа, без которой рушится вся работа.

«Математика для анализа данных. С буквального нуля до Pro» — курс, где я объяснил всю базу по своей авторской методике. Отсюда начинается карьера аналитика, будь вы гуманитарием или программистом. Весь материал объяснен просто и доступно, с реальной практикой и без заучивания теории.