Просчиталась [опять], но где?!

Мне кажется, что та вымышленная компания, вымышленный датасет которой я анализирую, отмывает вымышленные деньги! Иначе как объяснить, что товаров мы продали на 30 млн, а заплатили нам 23 млн?

Но начнём по порядку.

Промахнувшись один раз с датасетом для визуализаций, я решила ответственнее подойти к выбору и, по рекомендации одной из нейросетей, взяла в работу этот датасет:
Ecommerce Order & Supply Chain Dataset

К тому же в нём содержатся данные по поставкам, что, как вы помните, является моей стихией.

Я подошла со всей ответственностью к знакомству с этим датасетом. И получила инфаркт жопки. Я не просто провела EDA [разведочный анализ данных] — я настолько углубилась в данные, что сравнила всё со всем.

Первый флэшбек с работы накрыл меня, когда я изучала даты заказов [создан — согласован — отправлен — доставлен]. Заказ ещё не согласовали, а его уже доставили. И действительно, а почему бы и да!

Второй флэшбек накрыл меня, когда я начала смотреть деньги. Это же как надо было продавать, чтобы клиент платил нам меньше, чем стоит товар? И это ещё не решён вопрос, включена ли доставка в стоимость...

Хотя ситуация «продавать дешевле, чтобы влезть к клиенту» не выдумка. В первой компании, где я работала после универа, закупки были в зоне ответственности продажников. И они совершенно не гнушались продавать в минус, лишь бы зайти к клиенту. Устав терять деньги, компания создала отдел закупок, в котором я и начала свою карьеру.

До сих пор безмерно благодарна своей первой руководительнице за привитую рабочую дисциплину и любовь к цифрам.

Мне интересно, это я такая невезучая? Почему мне попадаются такие странные датасеты? А ведь у этого на Kaggle бронзовая медалька... Кажется, я что-то упускаю...

В любом случае всё это безумие с EDA сохраняю у себя на GitHub.

А ещё хорошо было бы продумать критерии, которые позволяли бы чётко понять, что пора остановиться, а не «копать отсюда и до обеда».

💬 У вас есть такие критерии?

#портфолио_аналитика