Co szepczą twoje dane? Narzędzia, które musisz znać przed uruchomieniem „ciężkiej artylerii”.

Dane mają swoją historię. Zanim zaczniesz je analizować za pomocą skomplikowanych modeli, musisz tę historię najpierw przeczytać. I właśnie do tego służy wstępna analiza danych.

Wstępna analiza danych to zbiór lekkich, najczęściej graficznych narzędzi, które pozwalają Ci zrozumieć strukturę danych, zanim zaangażujesz statystykę. To etap, na którym pytasz:

Pierwszym przystankiem w każdej wstępnej analizie danych powinny być statystyki opisowe. Nie chodzi tu o przeglądanie surowej tabeli z tysiącem wierszy, a chodzi o kilka kluczowych liczb, które natychmiast dają obraz tego, z czym masz do czynienia.

Do miar statystyki opisowej należą:

Przykład: analizujesz czas realizacji zamówień – to jest Twój Y, czyli miara naszego problemu.

Średnia dla Twojej miary problemu, Y wynosi 4,2 dnia, ale mediana wynosi: 2,8 dnia. Już ta prosta obserwacja mówi Ci, że rozkład jest prawostronnie skośny, ponieważ kilka bardzo długich realizacji zawyża średnią.

Konkluzja: jeśli raportowałeś klientowi „średni czas 4,2 dnia”, mogłeś go wprowadzić w błąd. Typowy klient czeka krócej, ale ekstremalnie długie realizacje psują odbiór całego serwisu.

Liczby mówią, ale wykresy wizualizują. Poniżej zaznaczono trzy skuteczne narzędzia graficzne, bez których trudno wyobrazić sobię fazę Analyse w projektach Six Sigma.

Poniżej zastosowano wizualizację tych samych danych, z wykorzystaniem trzech narzędzi tj. histogram, box plot i wykres przebiegu.

• Histogram

Histogram dzieli zakres danych na przedziały i pokazuje, ile obserwacji wpada w każdy z nich. To najprostszy sposób na zobaczenie kształtu rozkładu danych: czy jest symetryczny, skośny, dwumodalny, czy może płaski.

• Wykres pudełkowy (box plot)

Box plot w jednym, kompaktowym obrazku pokazuje medianę, IQR, wartości odstające
i całkowity rozrzut danych. Jest szczególnie potężny, gdy chcesz porównać wiele grup jednocześnie (np. kilka maszyn, zmian, operatorów, dostawców).

• Wykres przebiegu czasowego (time series plot / run chart)

Dane procesowe mają jeden wymiar, którego histogram i box plot całkowicie ignorują: czas. Wykres przebiegu czasowego pokazuje, jak wartości zmieniają się kolejno i pozwala wychwycić trendy, cykle, nagłe skoki i dryft procesu.

Narzędzie, run chart:

Narzędzie, time series plot:

Większość klasycznych narzędzi statystycznych (testy t, ANOVA, karty kontrolne Xbar-R, wskaźniki Cp/Cpk) opiera się na założeniu, że dane są opisywane przez rozkład normalny.  Jeśli to założenie nie jest spełnione, wyniki tych analiz mogą być mylące lub całkowicie błędne.

Dlatego przed sięgnięciem po „ciężką artylerię” zawsze weryfikuj normalność danych.

Narzędzia do oceny normalności:

Patrząc na statystyki z wykresu:

• P-value = 0,350

To kluczowy wynik testu normalności (Anderson-Darling, AD = 0,402). Interpretacja:

• Standardowy poziom istotności to α = 0,05
• P-value (0,350) jest znacznie większe niż 0,05

Wniosek: nie ma podstaw do odrzucenia hipotezy o normalności rozkładu. Dane „Czas [s]” można traktować jako charakteryzujące się rozkładem normalnym.

Potwierdza to też wizualna ocena wykresu: punkty układają się blisko linii referencyjnej, bez systematycznych odchyleń na końcach (ogonach) ani w środkowej części, co jest typowe dla danych zgodnych z rozkładem normalnym.

Co robić, gdy dane są w rozkładzie innym niż normalny?

• Zastosuj transformację danych (Box-Cox, logarytmiczna)
• Użyj nieparametrycznych odpowiedników testów (np. Mann-Whitney zamiast testu T).

Wstępna analiza danych to nie lista przypadkowych narzędzi do odhaczenia. To logiczna sekwencja, która prowadzi Cię od surowych liczb do głębokiego zrozumienia danych, zanim zaangażujesz testy statystyczne.

Rekomendowana sekwencja wygląda następująco:

Zadzwoń do nas lub napisz:

Karolina Klimek
781 772 384
karolina.klimek@abk.pl