Почему меня настораживают слишком точные цифры
Есть одна вещь, которая в аналитике всегда немного меня настораживает: результат, который выглядит точнее, чем исходные данные.
Например, модель показывает рентабельность проекта 12,4%. Цифра аккуратная, уверенная, с десятыми долями. Ее удобно поставить в презентацию, сравнить с порогом, вынести в заголовок.
Но сама эта точность еще ничего не говорит о качестве вывода.
Потому что внутри расчета могут лежать вещи совсем другого характера: прогноз продаж, оценка загрузки, будущая цена закупки, срок запуска, курс валюты, поведение клиента. И каждая из них существует не с точностью до десятых, а в некотором диапазоне.
В итоге получается странный эффект. На входе у нас несколько допущений с довольно широкими границами, а на выходе - число, которое выглядит почти физически измеренным.
Я много раз замечала, что именно здесь разговор легко съезжает не туда. Люди начинают спорить, 12,4% или 12,7%, хотя куда интереснее другой вопрос: что произойдёт с результатом, если одна из ключевых предпосылок окажется неверной?
Иногда разница между 12,4 и 12,7 действительно важна. Например, если речь идёт о большом объёме, нормативном ограничении или очень узком финансовом коридоре. Но иногда вторая цифра после запятой просто создаёт ощущение надежности там, где модель на самом деле говорит: «при этих предпосылках результат примерно такой».
И вот это «примерно» мне кажется профессионально важнее красивой точности.
Не потому, что расчеты надо делать грубо. Наоборот: хорошая модель должна считать точно. Но интерпретировать ее стоит с пониманием того, какая часть результата действительно вычислена, а какая унаследована от наших предположений о будущем.
В этом смысле аналитика для меня давно не про поиск одной правильной цифры.
Скорее про то, чтобы понимать, какие цифры действительно устойчивы, а какие просто хорошо выглядят в ячейке.
Иногда 12,4% - это точность.
А иногда - очень аккуратное оформление неопределённости.
