Стат. анализ

Методы статистического анализа для product manager

Я решил освежить свои знания по стат. анализу и сделать серию постов, о том как можно применить методы стат.анализа в работе product manager. В эпоху когда количество записей в бд насчитывают сотни миллиардов строк, знание методов статистического анализа могут сыграть немаловажную роль в работе с данными (а может и нет). Ежегодный отчет от McKinsey также говорит, что навык аналитики данных входит в топ-5 навыков профессий будущего.

• меры центральной тенденции: медиана и средняя
• меры изменчивости: размах, дисперсия и стандартное отклонение
• нормальное распределение
• генеральная совокупность и выборка, репрезентативность выборки
• частотный анализ
• boxplot
• ошибки в визуализации данных
• p-уровень значимости
• доверительный интервал
• байсевоская статистика
• дисперсионный анализ
• корреляционный анализ
• регрессионный анализ
• кластерный анализ

Самое простые и понятные это меры центральной тенденции, медиана и среднее арифметическое.

Допустим, продакт менеджер хочет оптимизировать время загрузки веб-страницы своего продукта для улучшения пользовательского опыта. У него есть данные о времени загрузки (в секундах) для десяти последних обновлений сайта:

{2,3,4,4,5,6,8,10,15,25}

Продакт менеджер хочет понять, каково среднее время загрузки и какие времена загрузки являются наиболее распространенными среди последних обновлений. Эти метрики могут помочь ему выявить проблемные обновления и принять меры по их улучшению. Посчитаем, avg. time = 8.2 sec.

Теперь у нас есть информация о среднем времени загрузки. Однако, чтобы лучше понять, какие времена загрузки наиболее распространены, продакт менеджер рассматривает медиану.

Поскольку у нас четное количество значений, медиана будет средним арифметическим двух центральных значений: медиана = (5+6) = 5.5 sec.

Таким образом, продакт менеджер использует среднее значение и медиану для оценки среднего времени загрузки и определения, какие времена загрузки являются наиболее характерными. Это может помочь ему выявить аномалии в производительности и принять меры для улучшения пользовательского опыта. К примеру вместе с тимлидом решить сделать рефакторинг сервиса, подключить брокера сообщений kafka или же облегчить запрос на back-end.