Распределения данных: нормальное, скошенное и двугорбое на понятных примерах

Ситуация из отчёта

Перед расчётом многие сразу выбирают тест или агрегат. Но форма распределения уже подсказывает, что будет происходить: доход и время часто имеют длинный правый хвост, оценки удовлетворённости ограничены шкалой, а смесь новых и постоянных пользователей может дать два пика. Без этого контекста результат выглядит точным, но объясняется плохо.

Форма распределения помогает объяснять разницу между массовым опытом и редким сценарием. Для продукта это может быть разделение новых и returning пользователей, для бизнеса — малых и крупных клиентов, для инженерной команды — обычных и тяжёлых запросов. Такая декомпозиция часто является первым шагом к правильному решению.

Статистическая модель

Распределение описывает, как наблюдения разбросаны по значениям. Нормальная форма симметрична вокруг центра, скошенная имеет длинный хвост, двугорбая часто указывает на смесь двух процессов, а дискретная состоит из отдельных значений. Это не набор ярлыков: форма помогает выбрать график, устойчивую оценку и дальнейшую проверку.

Начни с гистограммы или плотности, но не доверяй автоматическому числу бинов. Добавь boxplot, квантили и разрез по ключевому сегменту. Для долей проверь границы 0–1, для времени — единицы и цензурирование, для событий — нули и повторные действия. Иногда «ненормальность» исчезает после правильного разделения популяции.

Разбор чисел

Время ответа службы поддержки имеет два пика: около 5 минут в рабочие часы и около 18 часов ночью. Среднее 4 часа не описывает ни один сценарий и мешает планировать смены. Два пика — повод разделить часы, тип обращения и уровень приоритета, а не искать магическую трансформацию.

Собери диагностический набор: n, минимум, p25, median, p75, p95, максимум, пропуски и число уникальных значений. Затем посмотри форму по датам и сегментам. Если распределение меняется после релиза, это может быть продуктовый сигнал или ошибка трекинга. Метод анализа выбирай после этого шага, а не до него.

Что проверить в данных

До интерпретации проверь единицу наблюдения, период и правило включения. Затем пересчитай результат на небольшой выборке, где ответ известен заранее, и сравни с разумной альтернативой: другим горизонтом, зрелой когортой или user-level агрегацией.

Если показатель станет регулярным, сохрани рядом входные параметры, контрольные сверки и версию определения. Это важнее дополнительного знака после запятой.

• Зафиксируй baseline до просмотра результата.
• Проверь пропуски, дубли и зрелость периода.
• Покажи размер выборки и диапазон неопределённости.

Границы вывода

Гистограмма может скрыть второй пик из-за слишком широких бинов. Boxplot не показывает форму внутри квартилей. Нормальность данных не является обязательным условием для каждого теста, а логарифмирование не делает вывод автоматически корректным. Самая опасная ошибка — спрятать разные процессы под одним средним.

Вместо «данные не нормальные» скажи, что именно увидел: «время до покупки скошено вправо, p90 в три раза выше медианы, хвост сформирован корпоративным каналом». Такой вывод ведёт к проверке сегмента и процессу. Он полезнее, чем спор о том, достаточно ли красив график.

Самостоятельный расчёт

Для трёх своих метрик сделай по одному набору диагностик и подпиши форму словами. Для каждой ответь: какой центр устойчив, какой квантиль важен, какой сегмент может смешиваться с остальными и какой метод сравнения не стоит применять автоматически. Сохрани график рядом с числовой таблицей.

summary = df['time_to_value'].describe(percentiles=[.25, .5, .75, .9, .95])
summary
df['segment'].value_counts(dropna=False)

• Сохрани период и параметры расчёта.
• Назови хотя бы один крайний случай.
• Сформулируй вывод отдельно от гипотезы о причине.

Как сообщить результат

Вместо «данные не нормальные» скажи, что именно увидел: «время до покупки скошено вправо, p90 в три раза выше медианы, хвост сформирован корпоративным каналом». Такой вывод ведёт к проверке сегмента и процессу. Он полезнее, чем спор о том, достаточно ли красив график.

Форма распределения помогает объяснять разницу между массовым опытом и редким сценарием. Для продукта это может быть разделение новых и returning пользователей, для бизнеса — малых и крупных клиентов, для инженерной команды — обычных и тяжёлых запросов. Такая декомпозиция часто является первым шагом к правильному решению.