Распределения и выбросы: вопросы для собеседования (часть 2)

Для метрик вроде выручки часто характерны редкие крупные значения, которые тянут хвост вправо и поднимают среднее над медианой. Это влияет на среднее, делает медиану более устойчивой и часто заставляет применять логарифм перед визуализацией. Вывод о наличии ошибок делать нельзя без дополнительных проверок — правый перекос для выручки или времени между событиями совершенно естественен. Симметричное распределение — это противоположный случай, где средняя и медиана близки.

Иногда по гистограмме пытаются сказать, что метрика «выросла», хотя видно лишь, как значения распределены в выборке за один период. Для сравнения периодов нужны отдельные распределения по периодам или другой график (линейный по времени, например). Это типичная путаница распределения и тренда. Замена на ящик с усами, число цветов и выбор медианы — это вкусовые или вторичные вопросы, а не главная ошибка.

Ящик с усами позволяет на одном полотне сравнить медиану, межквартильный размах и потенциальные выбросы по множеству сегментов. Делать отдельную гистограмму на каждый сегмент часто перегружает отчёт и мешает быстрому сравнению. Столбчатая диаграмма со средними скрывает асимметрию и хвосты, а линейный график подходит для динамики во времени, а не для сравнения распределений.

Логарифмическая шкала сжимает большие значения и одновременно раскрывает структуру в области малых — это особенно полезно для метрик с тяжёлыми хвостами: выручка на пользователя, длительность сессии, число действий. На линейной оси такие распределения превращаются в «лес» у нуля и одиночные выбросы справа. Важно подписывать ось как логарифмическую и помнить, что одинаковые визуальные расстояния означают одинаковые отношения значений, а не разности. К сглаживанию сезонности или замене квантилей средним логарифм отношения не имеет.

При малой ширине бина видно больше деталей, но вместе с этим возрастает визуальный шум и появляются «лишние» пики. При большой ширине форма сглаживается и мелкие структуры могут исчезнуть. Поэтому биннинг подбирают осознанно и проверяют устойчивость выводов при разных значениях. Утверждения про «не влияет», «всегда симметрично» или «только на среднее» — типичные мифы.