«Да что там считать эту текучесть? Уволившихся поделить на численность. Делов на пять минут».

А потом начинаешь разбираться.

Один посчитал среднюю численность как полусумму численности на начало и конец периода, другой взял средне списочную, рассчитанную по каждому дню.

Кто-то учёл внутренних совместителей как отдельных сотрудников, кто-то включил декретниц, а кто-то учел размер ставки.

А ещё нужно определиться, какие увольнения учитываем и что делать, если сотрудник уволился и вернулся в том же месяце.

И вроде все считали одну и ту же текучесть, по одной и той же формуле.

Но почему у всех разные цифры? 🙃

И вот задача на пять минут превращается в обсуждение методологии.

Здесь мне вспоминается эффект Даннинга - Крюгера.

Если совсем просто, недостаток знаний иногда мешает нам осознать, сколько всего мы ещё не знаем.

И в аналитике это особенно заметно.

Сначала всё кажется очевидным: есть данные, формула и результат.

Но чем глубже погружаешься, тем больше возникает вопросов.

А что именно мы хотим измерить? На какой бизнес-вопрос хотим ответить? По какой методике считать?

И можно ли вообще доверять данным?

Начинаешь проверять источники и обнаруживаешь, что в 1С сотрудник есть, а в хранилище его нет.

Может, система-источник некорректно сформировала выгрузку? А может, данные потерялись при трансформации?

И вот ты уже идёшь к разработчикам, разбираешься в интеграции, ищешь ошибки.

Хотел просто посчитать текучесть, а в итоге вот. 😂

И постепенно понимаешь, что аналитика – это не только цифры, формулы и красивые дашборды.

Это ещё и понимание процессов, методологии и того, откуда вообще берутся данные.

И самое интересное, что опыт не всегда добавляет уверенности. Иногда он добавляет сомнений.

Но именно эти сомнения заставляют глубже разбираться, проверять гипотезы и не делать поспешных выводов.

Потому что хороший аналитик не тот, кто знает все ответы. А тот, кто умеет копать и задавать вопросы.