Манипуляция данными. Часть1.
История про "снизили текучесть на 40%" побудила меня разразиться серией постов про обманки в представлении данных. Осознанными или нет, не суть важно.

⏹️Игра с относительными и абсолютными значениями
Суть приема: Представить незначительное абсолютное изменение как крупную победу, используя проценты от процентов.

Пример: Мы сократили текучесть среди высокопроизводительных сотрудников на 50%! Реальность: было 2 человека из 100, уволилось 2. Стало 1 из 100, уволился 1. Фактическое изменение всего 1%.

⏹️Выбор "правильного" базового периода
Суть приема: Взять для сравнения период, когда показатель был аномально плохим, чтобы показать резкий рост.

Пример: Уровень удовлетворенности после наших мероприятий вырос на 30%
Реальность: сравнивается с прошлым кварталом, когда была задержка выплаты бонуса и все были недовольны. По сравнению с докризисным периодом рост всего 3%.

⏹️Управление знаменателем
Суть приема: Исключать из расчета "неудобные" группы сотрудников, чтобы улучшить общий показатель.

Пример: При расчете средней производительности труда исключить сотрудников на испытательном сроке, стажеров и сотрудников, готовящихся к увольнению.
Или считать текучесть только по основному штату, не учитывая уволенных временных работников.

⏹️Корреляция vs причинно-следственная связь

Суть приема: Утверждать, что одно событие стало причиной другого, основываясь лишь на корреляции.

Пример: После введения курса йоги производительность выросла на 15%!
Реальность: и введение йоги, и рост производительности могли быть вызваны третьим фактором, например, завершением тяжелого проект.

⏹️Подача среднего значения вместо медианы

Суть прием: Использовать среднее арифметическое, когда распределение данных зашумлено выбросами.

Пример: Средняя зарплата в компании - 150 000 руб.
Реальность: у 90 сотрудников зарплата 50 000, а у 10 топ-менеджеров 1 000 000. Медиана была бы 50 000, что лучше отражает ситуацию.

🔥 - пиши ещё про манипуляции данными
❤️ - да уже и так всё понятно
@HRTech_Vision