Оглавление:
- Выбросы, вызванные ошибками
- Выбросы, вызванные первым индикатором длиннохвостых изменений в ваших измерительных наборах
Видео: Полная Настройка Xiaomi Mi Band 4 II Какие функции? 5 нужных Программ 2024
outlier - это любая точка данных, которая не соответствует вашему установленному среднему шаблону данных. Обращая внимание на выбросы в данных ваших данных в социальных сетях, вы можете увидеть, где позиционировать себя, сосредоточив внимание на том, какие выбросы повторяют данные и какие из них начинают размножаться, указывая тренд.
В данных есть два типа выбросов:
-
Отклонения, вызванные ошибками в измерениях или данных.
-
Выбросы, вызванные первым индикатором длиннохвостых изменений в ваших измерительных наборах. (Long-tail - это маркетинговый термин, ссылающийся на результаты, показанные с течением времени.)
Выбросы, вызванные ошибками
Чтобы справиться с первым типом outlier (ошибка, которую вы хотите устранить, прежде чем она повредит ваши данные), вы необходимо устранить его. Устранение ошибки требует нескольких шагов, первая из которых экспортирует ваши данные в электронную таблицу:
-
Сортировка данных электронной таблицы по возрастанию.
-
Найдите свой средний номер.
Среднее число 3 и 4, например, равно 3. 5.
-
Найдите точку, в которой 25 процентов метрик в вашей таблице больше.
Это называется верхний квартиль, или Q2.
-
Найдите точку, в которой 25 процентов метрик в вашей таблице меньше.
Это называется нижний квартиль, или Q1.
-
Вычтите Q1 из Q2.
Результат - межквартильный диапазон . Вам нужен этот диапазон, чтобы исключить плохие данные.
-
Умножьте IQ (межквартильный диапазон) на 1. 5.
-
Добавьте результаты этапа 6 в верхний квартиль, а затем вычтите его из нижнего квартиля.
Этот шаг устанавливает параметры.
-
Отметьте любые данные за пределами этого набора параметров как выброс.
-
Умножьте IQ на 3.
-
Возьмите результаты шага 9 и добавьте его в верхний квартиль и вычтите его из нижнего квартиля.
Полученное число квалифицируется как крайний выброс. Экстремальные выбросы - это те точки данных, которые вы должны исключить из своих наборов данных, если у вас плохие данные.
Выбросы, вызванные первым индикатором длиннохвостых изменений в ваших измерительных наборах
Если вы переживаете второй тип выброса (первый индикатор смены длинного хвоста), вам нужно отследить его и создайте больше показателей, чтобы понять, что это означает для вашего бренда и бизнес-модели.
Вместо того, чтобы удалять данные, вы хотите сортировать их в свой собственный набор данных, чтобы вы могли отслеживать его с течением времени. Эта сортировка позволяет сравнить выбросы данных с вашей бизнес-моделью и целями, чтобы увидеть, является ли она увеличивающейся метрикой.
Если вы обнаружите, что метрика набирает обороты, если можно так выразиться, то вы знаете, что это новая тенденция, и вы можете превратить свою будущую направленность на нее и развивать свой бизнес в новом направлении.