Инструкция по подготовке данных перед загрузкой
Как правильно подготовить данные для анализа

Содержит подробную и пошаговую инструкцию по подготовке данных перед загрузкой их в СППР.

Инструкция по интерпретации результатов исследований
Как понимать и использовать полученные результаты

Предоставляет общие принципы анализа выходных данных системы, объясняет ключевые метрики и показатели, а также дает рекомендации по принятию решений на основе отчетов.

Программа автоматически проверяет данные на пропуски и аномалии, чтобы исключить ошибки в анализе.

• Программа укажет аномальные наблюдения и места их возникновения. Вы сможете скачать данные наблюдения для дальнейшего изучения причин их возникновения. Программа сама упразднит аномальные наблюдения, чтобы дальнейшее исследование показывало наиболее релевантные результаты.

• Пропуски в загруженных данных система автоматически заменит.

Описательная статистика
Основные числовые характеристики данных

Показывает ключевые метрики, такие как среднее значение, медиана, минимальное и максимальное значение, разброс (стандартное отклонение). Помогает быстро оценить, как распределены данные, есть ли явные аномалии или необычные значения.

Диаграмма размаха (Box Plot)
Визуализация разброса данных и выбросов

График, который наглядно показывает, как распределены данные: где находится "типичный" диапазон значений (ящик), медиана (линия внутри ящика) и выбросы (точки за пределами "усов").
Полезен для выявления аномалий и сравнения нескольких групп данных.

Диаграмма плотности
График, показывающий, как данные распределены по значениям

Плавная кривая, которая визуализирует, в каких диапазонах значения встречаются чаще, а в каких реже. Помогает понять, есть ли "пики" в данных или, наоборот, равномерное распределение.

Числовые критерии
Числовая оценка формы распределения

Асимметрия – показывает, насколько распределение "скошено" влево или вправо.
Эксцесс – оценивает "остроту" пика распределения.
Отношение (Mean-Median)/SD – помогает понять, есть ли значительный перекос.

Если данные близки к нормальному распределению, эти показатели будут близки к нулю.

Гистограмма с диаграммой плотности
Сравнение реальных данных с идеальным нормальным распределением

Гистограмма показывает, как часто встречаются разные значения, а наложенная кривая плотности помогает сравнить с "идеальной" нормальной кривой. Если они близки – данные можно считать нормальными.

QQ-график
График для точной проверки нормальности

Сравнивает квантили ваших данных с квантилями нормального распределения. Если точки лежат примерно на прямой линии – распределение нормальное. Если есть сильные отклонения – данные не нормальны.

Статистические тесты (Лилиефорса, Шапиро-Уилка, Колмогорова-Смирнова)
Научное подтверждение нормальности распределения

Эти тесты дают точный ответ (в виде p-значения), можно ли считать данные нормально распределенными. Если p-значение меньше 0.05 – распределение не нормальное.

Расчет вероятности попадания в диапазон
Оценка вероятности событий в рамках нормального распределения

Показывает, какова вероятность того, что случайное значение из данных попадет в заданный диапазон.
Например: "Какова вероятность, что продажи будут между 100 и 200 единицами?"

Калькулятор вероятности попадания в диапазон
Интерактивный расчет вероятностей для любого диапазона

Позволяет вручную задать диапазон, среднее и стандартное отклонение, чтобы получить точную вероятность.
Например, можно оценить риски выхода показателей за допустимые границы.

Корреляционная матрица
Таблица, показывающая силу и направление связей между переменными

Каждая ячейка матрицы содержит коэффициент корреляции (от -1 до 1).

Диаграмма рассеяния (Scatter Plot)
График зависимости двух переменных

Каждая точка – это пара значений (например, "траты на рекламу" и "продажи").
Если точки выстраиваются в линию – есть корреляция.
Если разброс хаотичный – связи нет.

Частная корреляция
Корреляция с учетом влияния других факторов

Позволяет "очистить" связь двух переменных от влияния третьих.
Например, если "продажи" и "траты на рекламу" зависят от "сезона", частная корреляция покажет их "истинную" связь.

Кросс-корреляция
Анализ запаздывающих взаимосвязей

Показывает, как изменения одного показателя влияют на другой с задержкой. Например: "Как рост рекламных расходов в этом месяце повлияет на продажи через 3 месяца?"

Модель линейной регрессии
Прогнозирование результата на основе одного влияющего фактора

Показывает, как изменение одного параметра (например, бюджета на маркетинг) влияет на другой (например, объем продаж).
Результат — простое уравнение вида y = a*x + b, где можно подставлять значения и получать прогноз.

Модель множественной линейной регрессии
Прогнозирование с учетом нескольких факторов одновременно

Учитывает влияние нескольких переменных на результат.
Например, как на продажи влияют: рекламный бюджет, сезонность и цена товара. Дает более точные прогнозы, чем простая регрессия.

Регрессионный калькулятор
Расчет прогноза по готовой модели

Позволяет вводить значения факторов (например, траты на рекламу и скидки) и мгновенно получать прогнозируемый результат (ожидаемые продажи) на основе построенной регрессионной модели.

Логистическая регрессия
Прогнозирование вероятности событий (да/нет)

Используется, когда результат — не число, а событие (например, "клиент купит" или "не купит").
Показывает, как различные факторы влияют на вероятность исхода.

Калькулятор вероятности (логистическая регрессия)
Расчет шансов наступления события

На основе модели логистической регрессии позволяет рассчитать, например:
"Какова вероятность, что клиент с определенными характеристиками совершит покупку?"

График временного ряда
Визуализация изменения показателя во времени

Показывает, как меняется метрика (например, продажи или трафик) с течением времени. Помогает сразу увидеть тренды, сезонные всплески или падения.

Разложение временного ряда
Разделение данных на тренд, сезонность и случайные колебания

Разбивает данные на составляющие:

• Тренд — общее направление (рост/падение)
• Сезонность — повторяющиеся колебания
• Шум — случайные отклонения
• Это помогает лучше понять структуру данных.

Автокорреляция и сезонность
Анализ зависимости текущих значений от предыдущих

Показывает, насколько сегодняшние значения связаны с вчерашними, позавчерашними и т.д. Выявляет цикличность (например, недельную или годовую).

Сезонные графики
Сравнение одинаковых периодов (недель, месяцев, кварталов)

Например, наложение графиков продаж за все январи за несколько лет. Позволяет увидеть, повторяются ли паттерны.

График сезонных подрядов
Детальный анализ схожих периодов

Разбивает данные на группы (например, по месяцам) и показывает их статистику (среднее, разброс).
Помогает сравнивать: "Как отличаются продажи в разные месяцы года?"

Простые методы прогнозирования

Базовые, но эффективные подходы к предсказанию будущих значений

Таблица оценки точности прогнозной модели
Сравнение методов по ошибкам прогноза

Показывает, какой из методов (среднее, наивный и т.д.) дает наименьшую погрешность. Помогает выбрать лучший вариант.

Средне-арифметический метод
Прогноз = среднее прошлых значений

Подходит для стабильных данных без трендов и сезонности.
Например, если продажи колеблются вокруг 100 единиц, прогноз — 100.

Наивный метод
Прогноз = последнее известное значение

Используется, если данные почти не меняются. Например, если вчера было 150 продаж, прогноз на завтра — 150.

Сезонный наивный метод
Прогноз = значение за аналогичный прошлый период

Для данных с сезонностью. Например, прогноз продаж на январь 2025 = продажи за январь 2024.

Дрифтовый метод
Прогноз с учетом постепенного роста/падения

Учитывает не только последнее значение, но и общий тренд. Например, если продажи растут на 5 единиц в месяц, прогноз = последнее значение + 5.

Трендовый метод
Линейный тренд для прогнозирования

Строит прямую линию по историческим данным и продолжает ее в будущее. Подходит для устойчивых трендов.

Трендово-сезонный метод
Комбинация тренда и сезонности

Учитывает и общий рост/падение, и повторяющиеся колебания. Например: "Продажи растут на 10% в год + зимой всегда +15%".

Сложные методы прогнозирования

Автоматизированные алгоритмы для точных прогнозов

Модель autoARIMA
Автоматический подбор параметров для прогноза временных рядов

Самостоятельно анализирует данные, выбирает оптимальные настройки и строит прогноз. Эффективен для данных с трендами и сезонностью.

Модель Prophet
Прогнозирование с учетом сезонности, праздников и аномалий

Хорошо работает с "неидеальными" данными (пропуски, выбросы). Учитывает календарные эффекты (например, всплески продаж перед Новым годом).

Контрольные карты Шухарта
Мониторинг отклонений показателей от нормы

Показывает, находится ли процесс под контролем. Если точки выходят за границы — значит, возникли аномалии, требующие вмешательства.

Симуляция вероятностных событий
Моделирование тысяч сценариев для расчета вероятностей

Например: "Какова вероятность, что прибыль упадет ниже X при заданных условиях?"
Метод учитывает случайные колебания параметров.

Группировка похожих объектов
Сегментация данных без заранее заданных правил

Помогает находить скрытые категории в данных. Например, выделить типы клиентов по поведению или группы товаров по схожим характеристикам.