Decomposition

По-перше: щоб уникнути пастки усереднених даних — коли при зміні структури середні значення не міняються, але про саму цю зміну бізнес не здогадується. При тому, що в багатьох випадках це сигнал до зміни бізнес-контексту та плану дій компанії.

По-друге: декомпозиція допоможе краще зрозуміти структуру даних та виявити патерни та закономірності, що можуть лишитися непомітними, аналізуючи узагальнені дані.

В контексті аналізу об'ємних даних використовують чимало способів декомпозиції, ось кілька ключових:

• Агрегація
  Дозволяє згрупувати дані за спільними значеннями характеристик. Наприклад, можна згрупувати дані про продажі за продуктом, регіоном або часом. Чи об'єднати дані про поведінку клієнтів приблизно одного віку.
• Дезагрегація
  Допомагає розкласти дані на більш дрібні частини. Наприклад, можна розбити дані про продажі за окремими філіалами, чи за окремими когортами клієнтів.
• Кластеризація
  Зможе допомогти згрупувати дані в кластери на основі відносної схожості за багатьма параметрами одразу. Наприклад, можна використовувати метод k-means clustering, щоб згрупувати дані про клієнтів, базуючись на особливостях їх поведінки в продукті. Зазвичай, це дозволяє знайти чимало інсайтів про оптимізацію воронки конверсії.

Це два методи для розбиття даних, що не виключають одне одного. Хоча вони дещо схожі на перший погляд, їх відрізняє кілька моментів:

1. Декомпозиція розбиває дані на ієрархічні частини та зосереджується на їх структурі. В першу чергу, щоб краще розуміти дані.
2. Сегментація дозволяє розкласти дані на незалежні частини та зосереджується на їх змісті. В першу чергу, щоб провести якісніший аналіз даних.

Обидва методи часто використовують разом — спершу декомпозують великий обсяг даних на певну ієрархію більш дрібних та зрозумілих складових, а після цього сегментують — щоб розбити дані на групи за схожими характеристиками.