Любая аналитика упирается в качество данных, и это не техническая деталь, а главный ограничитель. Красивый отчёт на плохих данных не менее опасен, чем отсутствие отчёта: он даёт уверенность, но не даёт правды.
Основные источники мусора известны заранее. Внутренний трафик команды, не исключённый из статистики. Тестовые заказы, оставшиеся в базе. Дубли клиентов, из-за которых один человек считается тремя. Поля, которые менеджеры заполняют по настроению, потому что система не требует их обязательно. Роботы и сканеры, накручивающие визиты.
Отсюда рабочая привычка: прежде чем строить отчёт, посмотреть на сырые данные глазами. Открыть выборку из нескольких десятков записей и проверить, всё ли осмысленно. Обычно проблемы находятся именно так, а не в агрегированных цифрах, где мусор уже усреднён и незаметен.
Полезно и заранее договориться, что делать с неполными записями: выкидывать, помечать отдельной группой или заполнять значением по умолчанию. Худший вариант — тихо игнорировать, потому что тогда никто не знает, какая часть картины отсутствует 🗃
Сквозная Аналитика
@end_to_end_analytics_n1k
Любая аналитика упирается в качество данных, и это не техническая деталь, а главный ограничитель. Красивый отч
Этот пост опубликован в Telegram-канале Сквозная Аналитика. Подписаться можно по ссылке: @end_to_end_analytics_n1k.