داده ناقص: اجتناب از دوره‌های نیمه‌تمام

یادگیری نحوه عبور از داده‌های پرنویز و شناسایی روندهای واقعی در معیارهای خود.

کشف روندها در داده‌های خود

یادگیری نحوه عبور از داده‌های پرنویز و شناسایی روندهای واقعی در معیارهای خود.

روندها نشان می‌دهند که آیا یک معیار در حال افزایش، کاهش، یا ثابت ماندن است، اما داده‌های دنیای واقعی اغلب دیدن روندها را دشوار می‌کند.

در هر یک از این نمودارها، آیا می‌توانید روندهای بلندمدت را شناسایی کنید؟

در یک داشبورد واقعی، الگوها همیشه واضح نیستند. مقادیر روزانه نوسان می‌کنند، مجموع‌های هفتگی می‌توانند افزایش یا کاهش یابند، و حتی نمای ماهانه می‌تواند شامل بی‌قاعده‌گی‌ها باشد. روندها می‌توانند توسط نویز و الگوهای تکراری یا فصلی پنهان شوند.

این راهنما شما را از طریق روش‌های مختلف برای دیدن روندها با وضوح بیشتر راهنمایی می‌کند:

انتخاب یک دانه‌بندی زمان: روزانه، هفتگی، یا ماهانه مناسب برای داده‌های خود.
استفاده از میانگین‌های متحرک برای هموار کردن نویز در داده و واضح‌تر کردن روند.
افزودن یک خط روند وقتی نیاز به خواندن سریع جهت کلی دارید.
جستجوی روندهای همپوشان با بررسی نسبت‌ها و تجزیه نتایج به بخش‌ها.
بررسی دوره‌های ناقص برای اجتناب از اشتباه گرفتن داده گم‌شده با کاهش واقعی.

انتخاب دانه‌بندی زمان مناسب برای گروه‌بندی داده‌های خود

دانه‌بندی سطح جزئیات در محور زمان شما است: ساعتی، روزانه، هفتگی، ماهانه، سه‌ماهه، سالانه، یا هر چیزی که داده شما پشتیبانی می‌کند. در اینجا یک مثال از یک ماه داده فروش است، که تغییرات نسبتاً زیادی روز به روز نشان می‌دهد.

اگر به بلندمدت نگاه کنیم، با این حال، می‌توانیم ببینیم که روند کلی کاملاً مسطح است (نمودار بالا در زیر). میانگین‌گیری فروش ما بر اساس هفته روند مسطح را روشن می‌کند:

دانه‌بندی زمانی که انتخاب می‌کنید آنچه می‌بینید را تغییر می‌دهد.

دانه‌بندی ریزتر (مثل ساعتی یا روزانه): مفید اگر به اثرات کوتاه‌مدت اهمیت می‌دهید، مثل یک حادثه سیستم یا راه‌اندازی یک کمپین. اما دانه‌بندی‌های ریزتر همچنین می‌توانند برآمدگی‌های کوچک روز به روز تصویر بزرگتر را پنهان کنند. در یک نمودار هفتگی مثل در تصویر بالا، آخر هفته‌ها، تعطیلات، یا یک ورودی گم‌شده برجسته خواهد شد.
دانه‌بندی درشت‌تر (هفتگی، ماهانه، سه‌ماهه): روند کلی را راحت‌تر می‌کند، که هنگام ردیابی پیشرفت به سمت اهداف بزرگتر مفید است. معاوضه این است که دانه‌بندی تغییرات کوتاه‌مدت را پنهان می‌کند.

در اینجا پاسخ "درست" وجود ندارد. دانه‌بندی درست بستگی به داده شما (آیا حتی مقادیر ساعتی یا روزانه دارید؟) و وظیفه شما (آیا امروز به چیزی واکنش نشان می‌دهید، یا سه‌ماهه گذشته را مرور می‌کنید؟) دارد.

میانگین‌های متحرک روندها را با هموار کردن نویز روشن می‌کنند

حتی پس از تجمیع داده در سطل‌های زمانی بزرگتر (مثل هفته‌ها یا ماه‌ها)، معیارها هنوز می‌توانند در کوتاه‌مدت بالا و پایین بپرند، که دیدن روندها را دشوار می‌کند. یک میانگین متحرک (یا moving average) آن برآمدگی‌ها را هموار می‌کند در حالی که مقیاس زمان اصلی را حفظ می‌کند.

میانگین‌های متحرک همچنین از پرش‌های تیز که وقتی یک هفته یا ماه جدید شروع می‌شود دریافت می‌کنید اجتناب می‌کنند، چون میانگین به جای بازنشانی در مرزهای تقویمی، یک قدم به جلو می‌لغزد.

نحوه کار آن: یک میانگین متحرک به یک پنجره زمانی (مثلاً ده روز) نگاه می‌کند، روزهای آن پنجره را میانگین می‌گیرد، و سپس آن پنجره ده روزه را یک روز به جلو می‌لغزاند. پنجره‌های زمانی همپوشانی دارند، که یک نوع پنجره متحرک ایجاد می‌کند که روی داده حرکت می‌کند.

اندازه‌گیری پنجره برای تطابق با داده

اندازه پنجره تعیین می‌کند چقدر هموارسازی دریافت می‌کنید:

برای کاهش پیک‌های کوتاه‌مدت، از پنجره‌های کوتاه (10 روز) استفاده کنید. آن‌ها به سرعت به تغییرات پاسخ می‌دهند، اما هنوز برخی نوسانات را نشان می‌دهند.
برای روشن کردن روندهای بلندمدت، از پنجره‌های بلند (30–90 روز) استفاده کنید. آن‌ها خیلی صاف‌تر هستند، اما کندتر تغییرات واقعی را نشان می‌دهند.

هشدار: پنجره‌های متحرک تأخیر ایجاد می‌کنند

میانگین‌های متحرک کمک می‌کنند جهت زیربنایی را آشکار کنند، اما همچنین از واقعیت عقب می‌مانند. اگر چیزی ناگهان تغییر کند، زمان می‌برد تا آن تغییر در میانگین متحرک ظاهر شود.

خطوط روند به طول دوره خود حساس هستند

یک خط روند خطی است که روی داده شما برازش شده است تا شیب کلی را نشان دهد. بیشتر ابزارها یک خط مستقیم را به داده برازش می‌کنند (رگرسیون خطی)، اگرچه برخی همچنین برازش‌های منحنی برای الگوهای پیچیده‌تر ارائه می‌دهند.

خطوط روند مفید هستند چون زمینه بلندمدت‌تر را به داده پرنویز که هنوز برآمدگی‌های کوتاه‌مدت دارد اضافه می‌کنند. مشابه میانگین‌های متحرک، می‌توانید جهت کلی را در یک نگاه ببینید بدون اینکه توسط هر قله و فرورفتگی حواس‌تان پرت شود.

اما خطوط روند به پنجره زمانی که انتخاب می‌کنید حساس هستند. یک خط روند 30 روزه ممکن است به سمت پایین شیب داشته باشد، در حالی که همان معیار در 12 ماه ممکن است به سمت بالا شیب داشته باشد. همیشه پنجره را با تصمیمی که می‌گیرید مطابقت دهید، و یک نمای طولانی‌تر برای زمینه بررسی کنید.

روندهای همپوشان می‌توانند داستان متفاوتی بگویند

گاهی اوقات یک عدد واحد به تنهایی خوب به نظر می‌رسد، اما وقتی با داده‌های دیگر ترکیب می‌شود داستان متفاوتی می‌گوید. به عنوان مثال، درآمد ممکن است افزایش یابد در حالی که میانگین قیمت به ازای واحد کاهش می‌یابد.

مثال: فروش در مقابل واحدها

فرض کنید مجموع درآمد فروش در حال افزایش است. به تنهایی، این مثبت به نظر می‌رسد (خط در نمودار زیر). اما وقتی واحدهای فروخته شده (نمودار میله‌ای) را اضافه می‌کنید، می‌بینید:

روند اینجا چیست؟ درآمد بالا رفت، اما واحدها حتی بیشتر بالا رفتند. فروش کندتر از واحدها رشد می‌کند، که یعنی میانگین قیمت واحد در حال کاهش است. رشد از فروش اقلام با قیمت پایین‌تر بیشتر آمد، نه از تقاضای قوی‌تر برای اقلام با قیمت بالاتر.

روند حتی واضح‌تر می‌شود وقتی قیمت‌های واحد را برای هر هفته رسم می‌کنیم:

آیا تضعیف تقاضا برای محصولات در قیمت اصلی آن‌ها نگران‌کننده است بستگی به آنچه دنبال آن هستیم دارد. اگر بیشتر نگران مجموع فروش هستیم، این مشکل نیست. اما اگر این یعنی کسب‌وکار ما به سمت پایین بازار حرکت می‌کند، ممکن است بخواهیم استراتژی‌های فروش و بازاریابی خود را در نظر بگیریم.

روندهای همپوشان می‌توانند گیج‌کننده باشند

مجموع‌ها می‌توانند جزئیات را پنهان کنند. اگر درآمد افزایش یابد، نمی‌دانید آیا افزایش به دلیل قیمت‌های بالاتر، واحدهای بیشتر، یا هر دو است.
نسبت‌ها (مثلاً درآمد / مشتریان، فروش / واحدها، لیدها / بازدیدکنندگان) نشان می‌دهند یک معیار چگونه با دیگری مرتبط است و آنچه تغییر را هدایت می‌کند را آشکار می‌کند.
بخش‌ها (مثلاً بر اساس منطقه، خط محصول، یا گروه مشتری) می‌توانند نشان دهند آیا رشد در یک منطقه کاهش در منطقه دیگر را پنهان می‌کند.

هنگام مرور مجموع‌ها، همیشه بپرسید: "پشت این عدد چیست؟" به دنبال داده مرتبط بگردید و نسبت‌ها را بررسی کنید، یا داده را به بخش‌ها تقسیم کنید، تا درک بهتری از داستان کامل داشته باشید.