Представьте, что в данных о времени доставки есть несколько экстремально больших значений. Какой показатель центральной тенденции надёжнее использовать для типичного заказа и почему?
Для описания типичного заказа надёжнее использовать медиану, поскольку она почти не меняется из-за нескольких экстремально больших значений. Среднее арифметическое учитывает величину каждого наблюдения, поэтому выбросы могут заметно сместить его вверх.
Среднее арифметическое долго использовалось как удобная сводная характеристика, потому что оно учитывает все наблюдения и хорошо работает для распределений без сильной асимметрии. Однако в практических данных часто встречаются задержки, ошибки измерения и редкие события, из-за которых среднее перестаёт отражать обычный случай.
Медиана и другие робастные показатели получили широкое применение как способ описывать центр распределения при наличии выбросов и асимметрии. Исходная проблема состояла в том, чтобы не позволять небольшому числу необычных наблюдений определять вывод о большинстве объектов.
Пусть почти все заказы доставляются за несколько дней, но часть заказов задерживается на месяцы из-за аварий, потери груза или ошибок в данных. Если использовать среднее, редкие большие значения увеличат его и создадут впечатление, что типичный клиент ждёт дольше, чем происходит на самом деле.
Неверный выбор показателя может привести к ошибочной оценке качества сервиса, неправильной постановке целевых значений и неверному сравнению регионов или способов доставки. При этом сами экстремальные значения не обязательно являются ошибками: они могут отражать важный риск, который нельзя просто удалить.
Среднее вычисляется как сумма всех значений, делённая на их количество. Поэтому увеличение одного наблюдения на большую величину пропорционально увеличивает среднее. Чем меньше выборка и чем сильнее выброс отличается от остальных значений, тем заметнее его влияние.
Медиана — это центральное значение упорядоченной выборки. Если заменить самое большое наблюдение ещё большим, но оставить его на том же месте в порядке, медиана не изменится. Поэтому медиана лучше отвечает на вопрос: «Сколько обычно ждёт заказчик?»
Для асимметричного распределения полезно показывать медиану вместе с квантилиями, например 75-м и 95-м процентилями. Медиана описывает типичный уровень, а высокий квантиль показывает длительность проблемных, но не обязательно ошибочных случаев.
Удаление выбросов допустимо только при обосновании их природы. Если это ошибки ввода или технические артефакты, их исправляют или исключают по заранее определённым правилам. Если это реальные задержки, лучше сохранить их в анализе риска и дополнительно использовать робастные показатели.
Ограничение медианы в том, что она не отражает величину отклонений от центра и не использует точные расстояния между значениями. Два набора могут иметь одинаковую медиану, но сильно различаться по хвостам распределения, поэтому одного показателя недостаточно для полного описания данных.
Сервис доставки сравнивал два региона. В первом медианное время доставки составляло 2 дня, а среднее — 2,4 дня. Во втором медиана также была равна 2 дням, но среднее достигало 4,8 дня из-за нескольких заказов, доставленных через несколько недель.
Рассматривались три варианта: сравнивать только средние, удалить все значения выше заданного порога или использовать медианы и квантили. Сравнение только средних преувеличивало различие между регионами, а механическое удаление длинных доставок скрывало реальную проблему. Выбрали медиану, 90-й и 95-й процентили, а экстремальные случаи анализировали отдельно по причинам.
В результате выяснилось, что типичная доставка в регионах сопоставима, но во втором регионе значительно выше риск редких длительных задержек. Это позволило не обвинять весь процесс в низкой эффективности и одновременно направить работу на устранение конкретной причины задержек.
Нет. Выбор зависит от цели анализа и природы данных. Если важна суммарная нагрузка, бюджет или общий объём времени, среднее может быть более содержательным, поскольку учитывает вклад каждого случая. Для описания типичного наблюдения при асимметрии обычно предпочтительнее медиана.
Нет. Статистическая необычность не доказывает ошибочность наблюдения. Значение нужно проверять по источнику данных, бизнес-правилам и процессу измерения: оно может быть ошибкой ввода, редким, но реальным событием или результатом другой группы объектов. Решение об исключении должно быть принято до итогового сравнения и документировано.
Медиана показывает центральную позицию, но не говорит, насколько далеко расположены наблюдения в хвосте. Для времени доставки это особенно важно: одинаковая медиана может сочетаться как с почти стабильной доставкой, так и с большим числом критических задержек. Поэтому вместе с медианой следует анализировать квантили, разброс и долю наблюдений за бизнес-порогом.